知识库与RAG技术动态周报：Agentic RAG全面成熟，向量数据库迈入湖原生时代（2026年9月）

2026年9月，知识库与RAG领域迎来密集的技术更新。从RAGFlow的Agentic RAG框架重构，到LangChain的Deep Agents v0.8发布；从Milvus 3.0的湖原生架构革新，到Weaviate的多模态音频支持——RAG技术正从"简单检索管道"进化为"智能体驱动的自主检索系统"。本文盘点本周最重要的技术动态。

一、RAGFlow v0.27.2：Agentic RAG框架全面重构

2026年9月10日，开源RAG引擎RAGFlow发布了v0.27.2版本，其中最核心的更新是对Agentic RAG检索框架进行了全面重构，显著提升了推理速度和基准测试性能。

核心亮点：

• Agentic RAG框架重构：重构涉及6个主要PR（#19046、#19112、#19172、#19209、#19424、#19459），将检索框架从被动管道升级为支持多步推理、自主纠错的智能体架构
• 知识图谱能力增强：新增节点总数和当前节点计数显示，支持按Enter键高亮实体节点
• 多格式文档解析：新增MonkeyOCRv2和自托管PaddleOCR-VL部署支持，大幅提升复杂版面文档的解析能力
• 数据源扩展：新增Sitemap数据源（基于sitemap.xml的网页采集）和Azure DevOps连接器
• 检索优化：元数据过滤器下推至元数据索引，实现更快的检索速度

影响与意义： RAGFlow作为国内最受欢迎的开源RAG引擎之一，此次Agentic RAG框架的重构标志着开源RAG工具正式迈入"智能体驱动"时代。MonkeyOCRv2和PaddleOCR-VL的加入也意味着对复杂文档（表格、公式、混排版面）的处理能力大幅提升，为企业级文档智能处理提供了更强的技术底座。

二、LangChain生态大更新：Deep Agents v0.8与LangSmith Engine v2

2026年9月24日，LangChain集中发布了多项重要更新，涵盖智能体管理、可观测性和模型微调三大方向。

核心亮点：

• Managed Deep Agents v0.8：新增认证机制、记忆管理和通道功能，使深度智能体能够更安全地集成企业系统、保持跨会话记忆、并通过多种通信渠道输出结果
• LangSmith Engine v2：引入红队测试和自动化测试能力，为AI应用安全提供了系统化的评估工具
• LangSmith Fine-Tuning：新增模型微调功能，允许开发者基于LangSmith收集的评估数据直接进行模型微调，形成"评估-微调-再评估"的闭环
• Trajectories视图：提供可读的智能体会话轨迹视图，使每一步智能体操作都可追溯、可调试
• LangSmith Custom Apps：支持围绕智能体数据构建自定义界面

影响与意义： LangChain此次更新标志着AI应用开发平台从"工具链"向"全生命周期管理平台"的转变。Deep Agents的记忆和认证能力让企业级智能体部署更加安全可控；LangSmith Engine v2的红队测试则回应了市场对AI安全日益增长的关切；Fine-Tuning的加入使数据飞轮闭环成为可能。对于构建企业知识库和RAG系统的团队而言，这些工具大幅降低了从原型到生产的工程门槛。

三、Milvus 3.0：向量数据库迈入湖原生时代

2026年7月正式发布、9月持续发酵的Milvus 3.0，是向量数据库领域里程碑式的架构更新，核心理念是"让生产索引靠近数据所在之处"。

核心亮点：

• 湖原生架构：支持在Lance、Iceberg、Parquet、Vortex等开放数据格式上直接构建向量、全文、JSON和标量索引，无需将源数据复制到Milvus中
• Loon存储引擎：全新的基于清单的存储引擎，大幅降低对象存储上低延迟点访问的读放大问题
• StructList多向量检索：一个实体可保留多个向量表示（如文档的多分块向量、图像的多视觉块向量），原生支持ColBERT和ColPali等晚交互检索模型
• 服务端排序与聚合：支持在引擎内完成语义相关性排序、分面搜索、多属性过滤等操作，无需过度获取数据后在应用代码中处理
• 稀疏索引优化：稀疏索引体积缩小约3倍，召回率持平
• Spark连接器：将Milvus暴露为Spark DataSource V2，支持批处理工作流直接读写Milvus

影响与意义： Milvus 3.0的湖原生架构解决了生产AI系统中长期存在的"双份数据"问题——实时检索和离线处理各自维护一份数据副本。通过External Collections和Snapshots，企业可以在同一份数据上同时服务在线检索和离线分析，大幅降低存储成本和同步复杂度。StructList的多向量检索能力也为多模态RAG和细粒度文档检索提供了底层支持。这标志着向量数据库从单纯的"最近邻搜索工具"进化为"AI数据基础设施"。

四、Weaviate 1.37：多模态RAG再下一城——音频成为第四模态

Weaviate在1.37版本中引入了Gemini音频支持，使音频正式成为继文本、图像、视频之后的第四种可检索模态。

核心亮点：

• Gemini Audio Support：通过multi2vec-google模块，用户可以将音频文件直接向量化并存储在Weaviate中，实现基于语义的音频检索
• Incremental Backups：增量备份功能使大规模集合的备份变得实际可行
• BlobHash属性类型：仅存储哈希值而非完整Blob，大幅减少存储开销
• 多模态嵌入与RAG实践：Weaviate同步发布了多模态嵌入的实用指南，覆盖文本、图像、音频和视频的原生格式搜索

影响与意义： 音频模态的加入使多模态RAG的覆盖范围进一步扩展。在企业场景中，会议录音、客服语音、培训视频音频等非结构化音频数据可以被直接纳入知识库，实现跨模态的语义检索。这对客服质检、会议知识提取等场景具有重要价值。

五、Agentic RAG生产架构已趋成熟

2026年，Agentic RAG已从实验性概念发展为成熟的生产架构。根据多篇技术综述和行业实践，当前的生产级Agentic RAG标准技术栈已基本定型：

三大架构模式：

标准生产技术栈： - 混合检索：稠密向量 + 稀疏BM25关键词，通过RRF（Reciprocal Rank Fusion）融合——纯向量搜索已被视为架构错误 - 重排序：Cross-Encoder Reranker（如Cohere Rerank 3.5、Voyage AI rerank-2.5）对检索段落进行二次相关性评估 - 知识图谱：Neo4j、LazyGraphRAG用于关系密集型查询 - 评估：Ragas自动化指标（Faithfulness ≥ 0.9，Answer Relevancy ≥ 0.85，Context Precision ≥ 0.8），配合Arize Phoenix和Langfuse可观测性工具

成本考量： Agentic RAG的Token成本是简单RAG的3-10倍，延迟从1-2秒增至4-15秒（p95）。因此Adaptive RAG的路由逻辑成为混合工作负载下的事实标准架构决策。

六、学术前沿：GraphRAG+多智能体登上Nature，RAG路由与结构化检索突破

GraphRAG + Multi-Agent + 多模态登上Nature Scientific Reports

2026年5月，Nature Scientific Reports刊发论文，首次将GraphRAG、多智能体和多模态三项技术系统化整合为生产级、可复现的平台，并得到真实业务数据支撑。该平台将Multi-hop QA的相对提升拉到+46%，证明了图增强检索与多智能体协作在复杂推理任务上的显著优势。

VikingRAG：面向结构化文档的高效RAG

arXiv论文VikingRAG提出了一种目录感知的语义数据管理系统，将语义访问和结构化访问紧密集成，支持结构上下文高效、证据缺口驱动的多轮检索。其创新点在于将智能体多轮检索轨迹物化为"经验边"，并在相似查询中复用，避免重复的多轮探索，显著降低Token开销。

ORDER：任务条件化路由的RAG框架

ORDER框架通过发现语料库关联问题的语义簇，为每个簇学习分块策略、元数据过滤和重排序配置。推理时通过最近质心分配将查询路由到预构建的索引，实现了查询自适应的检索优化。

趋势总结与展望

纵观2026年9月的技术动态，知识库与RAG领域呈现以下核心趋势：

1. 从管道到智能体：RAG正从"嵌入-检索-生成"的线性管道，进化为由LLM智能体驱动的"规划-迭代-自纠"状态机。Agentic RAG不再是实验概念，而是成熟的生产架构。

2. 向量数据库走向基础设施化：Milvus 3.0的湖原生架构标志着向量数据库从专用搜索工具进化为AI数据基础设施，与数据湖、批处理引擎深度集成。

3. 多模态成为标配：从文本到图像、视频再到音频，多模态RAG的覆盖范围持续扩展，企业知识库的"可检索边界"不断拓宽。

4. 评估与安全并重：LangSmith Engine v2的红队测试、Ragas的自动化评估指标，反映了行业对AI可靠性和安全性的日益重视。

5. 成本与效率的平衡：Adaptive RAG的查询路由、VikingRAG的经验边复用等优化方向，体现了在智能体化的同时控制Token成本和延迟的务实思考。

展望未来，随着Agentic RAG架构的进一步标准化和多模态能力的持续扩展，企业知识库将从"存储系统"真正进化为"执行系统"——知识不再只是被查找，而是主动驱动业务决策和行动。

数据来源

• RAGFlow Changelog: https://ragflow.io/changelog
• LangChain Blog: https://www.langchain.com/blog
• Milvus 3.0 Announcement: https://zilliz.com/news/milvus-3-0-lake-native-vector-database
• Weaviate 1.37 Release: https://weaviate.io/blog/weaviate-1-37-release
• Agentic RAG 2026 (DEV Community): https://dev.to/saaro_net/agentic-rag-2026-when-the-ai-decides-how-it-searches-9ck
• GraphRAG + Multi-Agent (Nature Scientific Reports): https://cloud.tencent.com/developer/article/2682607
• VikingRAG (arXiv): https://arxiv.org/abs/2609.11390
• ORDER (arXiv): https://arxiv.org/abs/2609.17012