知识库与 RAG 领域最新技术动态：从知识编译到 Agentic 检索的全面演进

截至 2026 年 10 月上旬，知识库与 RAG（检索增强生成）生态正经历一次范式级跃迁。一方面，"一次检索、一次生成"的固定流程正在被具备规划、分解、多轮取证能力的 Agentic 检索取代；另一方面，向量数据库、嵌入模型与 RAG 框架的底层能力全面升级，知识本身被"编译"成可复用的结构化资产。本文盘点近一周至近期最值得关注的 7 条技术动态。

一、RAGFlow 0.27：知识编译引擎与 Agentic 检索框架

RAGFlow 于 8 月底发布 v0.27.0，作为以 Python 为后端语言的最后一个大版本，它把自身定位从"RAG 工具"升级为"智能体的数据基座"，核心变化有两点。

知识编译引擎（Knowledge Compilation） 借鉴 Karpathy 提出的 "LLM Wiki" 概念并加以扩展：系统不再只做解析、切块、索引，而是识别文档中的实体、关系、概念、时序与层级结构，把原始数据"编译"成多种"知识制品"（Knowledge Artifacts）——Wiki、Graph、Tree、Page Index、Mind Map、Timeline，甚至进一步生成可复用的 Skill 文件。这意味着一次性的文档处理结果，可以沉淀为长期可检索、可复用的知识资产。

Agentic 检索框架 则是对传统 RAG 流程的重写。传统流程是"用户提问→单次检索→拼 chunk→LLM 回答"，而 Agentic 检索会先分析问题、制定检索策略、执行检索、判断证据是否充分、必要时改写或补充检索，最终整合多轮信息作答。RAGFlow 把这一能力封装为五档思考模式：Naive、Low、Medium、High、Ultra。从 Medium 起系统会把复杂问题拆解为多个可验证的"声明（claim）"分别取证；High/Ultra 则更进一步，先判别问题意图（事实核查、对比、流程、探索、验证、总结），再动态规划检索路径，适合版本差异分析、跨文档对比、复杂归因等深度研究场景。

意义在于：RAG 正从"检索器"演化为"会思考的检索 Agent"，知识库不再只是被查，而是被理解、被组织、被持续复用。

二、Milvus 3.0：稀疏索引全面升级，Lake 原生向量检索

Milvus 3.0 对稀疏向量索引做了全面重构，引入三种新搜索算法——SINDI、Block-Max WAND、Block-Max MaxScore，同时支持倒排列表压缩、可配置量化以及按工作负载选择搜索算法。其中 SINDI 专为 SPLADE 等学习型稀疏嵌入优化——这类嵌入产生的倒排表比 BM25 更稠密，传统剪枝算法会把大量 CPU 时间花在"决定跳过谁"上，SINDI 通过紧凑窗口组织倒排项并以 SIMD 友好的方式累加分数，在保持无损剪枝精度的同时显著提升效率。此外 mmap 加载、序列化与 BM25 评分机制同步优化，索引存储与加载开销下降，整体向"Lake 原生向量检索"演进。

影响：稀疏检索与稠密检索的混合方案一直是企业 RAG 的刚需，Milvus 3.0 让大规模混合检索的性价比再上一个台阶。

三、LangChain v1.4.0：MCP 支持正式内置

LangChain 在 9 月初发布 v1.4.0，将 MCP（Model Context Protocol）支持正式内置到 langchain.mcp 命名空间，基于 FastMCP 构建，替代了原来独立的 langchain-mcp-adapters 包。这意味着开发者无需再为每个工具写胶水代码，即可让 LangChain 编排的 Agent 直接消费 MCP 服务器暴露的工具与资源——而 RAG 知识库正是 MCP 最典型的资源提供方之一。MCP 内置降低了知识库与 Agent 之间的连接成本，进一步推动"知识库即工具"的范式普及。

四、Perplexity pplx-embed-v2-context-9b：上下文感知嵌入模型

9 月 30 日，Perplexity 公开 pplx-embed-v2-context-9b-preview 嵌入模型。其核心差异点在于"上下文嵌入"——把文档的每个 chunk 放在整个文档的语境中编码，而非孤立地编码每个 chunk。这一设计直接瞄准了传统 chunk 级嵌入丢失全局语义的痛点，在需要精准定位证据片段的检索任务上具备优势，为高要求 RAG 场景提供了新的嵌入选择。

五、Qdrant 1.19：TurboQuant 量化与多租户 IDF

Qdrant 1.19 带来 TurboQuant 数据类型与 Memory Tiers 内存分层，并在多租户场景下支持"按租户收窄 IDF 统计"——让词项稀有度反映单个租户的词汇分布而非全库，显著改善多租户部署中的 BM25 评分质量。同时补齐前缀匹配、切片过滤条件等过滤能力，Web UI 也加入了实时 resharding 进度与可承载数万点规模的可视化器。这些改进让 Qdrant 在 SaaS 多租户知识库场景下的性价比与可观测性进一步提升。

六、Dify 1.12.0：Summary Index 与原生数据集成

Dify 近期推出 Summary Index，允许给 chunk 附加摘要，使相关内容作为一个整体被检索返回，从"碎片化检索"走向"完整上下文"。与此同时，Dify 把 MongoDB Atlas 与 Voyage AI 作为原生能力接入 RAG 工作流，让 Agent 能基于真实业务数据进行检索、推理与行动。这反映出 RAG 框架正在从"通用工具"向"贴合企业数据栈"演进。

七、EvoGraph-R1：可自我演化的多模态知识超图（CVPR 2026）

学术侧同样在推进边界。EvoGraph-R1（CVPR 2026）把多模态 GraphRAG 的知识超图从"离线建好、一次性查"的静态结构，重新定义为随推理协同演化的 MDP 环境。智能体通过"查图 / 联网搜 / 改图 / 回答"四类动作不断插入、修正、剪枝超图，并用 GRPO 端到端强化学习优化检索策略。它把 GraphRAG、多模态、Agentic 检索三者首次系统化拼合，为多跳问答（Multi-hop QA）带来显著提升。同期 Nature Scientific Reports 也有研究把 GraphRAG + 多 Agent + 多模态落地为生产级平台，将 Multi-hop QA 相对提升约 46%。

趋势总结与展望

综观近期动态，知识库与 RAG 生态呈现三条清晰主线：

1. 从"检索"到"推理"：Agentic 检索、思考模式分级、声明级取证，让 RAG 不再是单次召回，而是带规划的检索 Agent。
2. 从"数据"到"知识资产"：知识编译、Summary Index、上下文嵌入，都在让原始文档沉淀为结构化、可复用、可演进的知识。
3. 从"通用"到"工程化"：MCP 内置、稀疏索引算法、多租户 IDF、原生数据集成，背后都是同一个目标——让 RAG 在真实企业环境里更便宜、更可控、更可观测。

可以预期，下一步的竞争焦点将从"谁的召回率高"，转向"谁能让知识在 Agent 之间流转、演化、被信任"。知识库的下半场，才刚刚开始。

数据来源：本文综合自 RAGFlow 官方博客与发布说明、Milvus 官方文档与发布公告、LangChain 更新日志、Perplexity 模型发布信息、Qdrant 官方博客、Dify 官方博客，以及 arXiv / CVPR 2026 / Nature Scientific Reports 公开论文。具体发布时间与版本号以各项目官方页面为准。