冷知识，RAG 技术的演进路径 ① 2020 — 基础 RAG（解决"知识不在模型里"） 起点是 Lewis 等人的 RAG：DPR 稠密检索 + 向量相似度 + 生成。它第一次让 LLM 能"外接知识库"，缓解幻觉和时效性问题。但这代是"无脑检索"——先把所有文本切成 chunk 做向量索引，查询时取 top-k 就完事。痛点：chunk 彼此孤立、检索粗糙、对复杂问题无力。这正是所有分支要解决的问题。 ② 2022–2023 — 检索精度升级（更准） ColBERTv2：把"单向量"改成 token 级多向量 + MaxSim 延迟交互，匹配更细；残差压缩把存储降 6–10 倍。检索器本身从"粗"变"准"。 Modular RAG：意识到 RAG 不该是固定管道，而是一堆可编排模块（检索/重排/生成），像乐高一样组合。架构开始"模块化"。 ③ 2023–2024 — 反思纠偏 + 结构增强（更准、更懂关系） Self-RAG / CRAG：给系统装"质检员"——Self-RAG 用反思 token 自己决定要不要检索、内容对不对；CRAG 用轻量评估器三路径纠正（正确用/错误重写或联网/模糊混合）。解决了"检索到垃圾也不知道"的问题。 RAPTOR：用递归摘要树组织文档，适合全局性、多跳、总结类问题。 GraphRAG / LightRAG / HippoRAG2：把文本抽成实体–关系知识图谱，用图谱做多跳推理（Microsoft GraphRAG 用 Leiden 社区摘要；HippoRAG 用个性化 PageRank）。这是"结构化知识"路线，但全量图谱构建很贵。 ④ 2024–2025 — 路由与成本优化（更省） Adaptive RAG：按查询复杂度动态路由——简单问题直接 LLM 答、复杂问题才走多步检索。 LazyGraphRAG：把社区摘要延迟到查询时才算，索引成本降到 GraphRAG 的 0.1%。 长上下文路由：2M token 窗口出现后，结论是"不替代 RAG，而是分工"——简单查走 RAG（几分钱），复杂多跳走长上下文，视觉文档走 ColPali。GraphRAG-Bench（ICLR 2026）给出经验法则：图的价值随查询复杂度上升。 ⑤ 2025–2026 — 自主智能体 + 强化学习（更自主） Agentic RAG：让 AI agent 动态决定"用什么工具（向量库/网页/API/SQL）、查几轮、怎么合成"。 Search-R1 / DeepRetrieval / DeepResearcher / MCTS-RAG：用 RL 端到端训练 LLM 学会"何时搜、搜什么"。Search-R1 在 Qwen2.5-7B 上比普通 RAG 提升 41%；DeepRetrieval 直接以检索指标（recall@k、NDCG）为奖励优化查询；MCTS-RAG 把蒙特卡洛树搜索融进推理。这是从"固定流程"走向"会自己找信息的智能体"。

分享一下2026我最常用的AI产品。 自去年8月之后，时间又过了大半年，我觉得我又可以来分享一下我现在最常用的AI产品了。 AI圈的变化，实在是太快了。 毕竟，马上五一假期了。 我相信很多朋友肯定不出去玩，要在家里学AI的对吧？肯定的吧！ 所以咧，出一期这个，也能帮大家，在五一假期学习AI。 坦诚的讲，我用的大部分都是海外版的产品，因为从能力和质量上来说，目前海外版的一些产品确实能力更强，但也更贵。 但考虑到很多人的不方便，所以如果国内有水平差不多的，我也会推荐一个国内的产品，方便大家使用，如果某项能力差很多的，我就不推荐了。 那么，咱们开始。 1. 知识问答： GPT-5.5（幻觉极低） 豆包（国内） 2. 内容创作与知识管理： Claude Opus 4.6（独一档的夯，别用Opus 4.7，真的拉） DeepSeek V4 Pro（国内） 3. 数据分析： Codex + GPT-5.5 Claude Code + GLM-5.1（国内） 4. 前端设计： Gemini 3.1 Pro Kimi K2.6（国内） 5. 架构规划： Claude Code + Claude Opus 4.7 Claude Code + GLM-5.1（国内） 6. 代码开发执行： Codex + GPT-5.5 Claude Code + GLM-5.1（国内） PS：我现在一般是cc + Opus 4.7做完规划以后，Codex + GPT-5.5去进行详细开发和执行。 7. 深度研究： ChatGPT DeepResearch 豆包（国内） 8. 图片与平面设计： GPT-image-2（独一档的夯） 即梦Seedream-5.0-lite（国内） 9. 视频生成与编辑： Seedance 2.0（运动质感） 可灵3.0（电影质感，原生4k夯爆了） PS：两个都是国内的。 10. 音乐生成： Suno v5.5 MiniMax Music 2.6（国内） 11. 3D生成： TripoAI 12：AI输入法： 豆包输入法（语音输入夯爆了） 13：AI硬件： 飞书录音豆（帮我拿我自己每天的语音对话Context进飞书会议纪要） GetSeed录音卡（帮我每天发芽获得新的认知） 14：AI热点资讯获取： AIHOT（我自己做的，浓缩了三年做AI自媒体的经验，五一我在家里再优化一下成本和服务器还有安全啥的，预计五一节后可以给所有人免费开放使用，做都做了，不如给大家一起玩） 感觉我几乎常用的就这些了，有点想不起来别的了。。。 如果大家有自己想知道的其他场景的好用的AI产品，也可以在评论区提问，玩了这么多，知无不言。 大概就是这样。 大家五一快乐！ 如果没啥大热点的话，那咱们节后再见啦！

以为 OpenAI 那种高门槛的 Deep Research 离普通人很远？LangChain 官方直接把底裤都给扒出来了。 LangChain 开源的 open_deep_research，说白了就是完全开源复刻了顶尖 AI 机构的“深度研报生成引擎”。基于 LangGraph 构建，采用了 Supervisor + Sub-Agent 的多智能体协作架构（MIT 协议）。不管你是接 OpenAI、Claude 还是挂 DeepSeek，几分钟就能在本地搭出一个能自主拆解课题、多线程联网搜资料、自动交叉验证并生成长篇研报的 AI 代理系统。 需求主动澄清：课题太模糊它不上杠，先提问把你需求搞明白再动手 任务并行拆解：主智能体切分子课题，派多个子 Agent 独立去抓资料 智能体开发者社区 - CSDN 上下文防暴击：子 Agent 自动清洗垃圾网页，只向上汇报高密度信息 模型自由切换：想省钱直接用开源大模型，不用被单一厂商绑定 GitHub：

✨ 更新速览 | Gate AI 两大新功能上线 ✅ Deep Research 新增指定网址深度研究，输入项目官网、区块浏览器链接或合约地址，即可开展精准深度调研 ✅ 原本受 VIP 等级限制的市场异动通知现已面向全体用户开放，第一时间掌握全网市场动态 高效赋能链上研究与市场决策，快来体验 👉

我现在的内容搜集和学习路径已经变了 想写个 MCP 的教程和介绍 直接 Gemini Deep Research 搜索整理成文档 然后再用我的提示词变成可视化页面辅助阅读和理解，知识消化速度大幅提升 里面的可视化内容还能在写文档的时候当配图

有人为了研究怎么节省 Token，半小时就把 Claude Max 5x 的额度烧光了。 第一次直接运行 /deep-research，系统启动了 111 个 Agent，排队核验 123 条结论。额度耗尽时只验证了 25 条，最终报告都没来得及生成。 后来他重新搭了一套研究流水线： Sonnet 批量找资料，Opus 独立核验，Fable 只负责规划和处理争议，Codex 运行工具，Gemini 提供另一种判断。几种工具共享本地记忆，用现有订阅就把连续研究时间从 30 分钟延长到了几个小时。 更有意思的是，他把 /deep-research 放到了最后。 前面先完成搜索和核验，每条结论都要附带一手来源与原文引用，再让 Deep Research 补充遗漏、整理结构。这样一次运行只用了 61 个 Agent，22 分钟就能完成。 看完最大的感受是，复杂研究很难靠一个最强模型从头包办。 先设计好谁负责寻找、谁负责质疑、谁负责执行，再选择模型，可能比直接点击「Deep Research」更省 Token，也更值得相信。

我认为现在，对 LLM 有想法和用途的，要抓紧用起来，因为资本后期大概率会搞营销包装、价格歧视。 例如现在高考报志愿，各家的AI产品只是做 agent + web search + rag + deep research 这些基础技术，给一个学生做一下，烧的token 几十元可以搞定， 如果后期行业成熟了，包装成增值付费几百元几千元，通用 AI 直接拒答，并导向收费链接。按资本的习性，这也是很有可能的。

GitHub 上这个 AI 项目火得有点离谱 Odysseus，开源一周多，已经 6.6 万 Star。 它想做一个自托管版 ChatGPT + Claude 工作台：- Chat- Agent- Deep Research - 文档编辑- 记忆和 Skills- 邮件/日历/任务- 手机端 PWA 把你现在分散在各个 AI 工具里的工作流，收进一个自己可控 AIworkspace。 这个方向确实很香