database · 知识库活文档

• 更新：R-100 §2.4 存储引擎与 WAL 机制首次建章(Swan+RCC+WBL 三锚)+ galahad-kv KV 持久化 + JEVDB 语义查询 + TAPs 形式化 + R-100 日期纠偏

范围:Database 作为支撑 LLM/Agent 应用的数据层 — 含向量 DB/ANN、AI4DB/Text-to-SQL、HTAP/融合架构、云原生与分布式数据库、数据库与 Agent 记忆的交叉、KV Cache 存储原语化。RAG 主题页已独立覆盖 RAG 范式与评估,本页聚焦"数据层"。与 rag.md 边界:rag.md 关注检索-增强-生成链路与 Agent 编排;本页关注数据层的物理载体(索引、存储、查询、隔离、扩展、治理)。

沿革摘要(2026-10-09 20:40 · 第一百轮 · jay · R-100)

🟢 R-100 关键增量 = §2.4 存储引擎与 WAL 机制首次建章(Swan 混合 MVCC for LSM-Tree · VLDB 2026 + RCC redo log 双重用途 · arXiv:2607.19697 + Write-Behind Logging NVM 时代新日志协议 · VLDB 2025 Pavlo 团队 · 三锚)+ §2.6 galahad-kv 50M-token KV state 持久化到 NVMe 第一个生产级组件 · arXiv:2610.10845 · §2.6 第三十二维候选 + §2.12 JEVDB Semantic Bloom Filter + LLM 集成 SQL · arXiv:2610.02046 · 邻接 + §2.13 Mechanizing TAPs Rocq 形式化验证弱隔离级别 · arXiv:2610.07665 · 评估方法论第十九源锚定候选 + §2.1 工程案例天翼云冷热分离 1200ms→200ms (↓83%) + SSD -80% + 腾讯云 TDSQL-C Log is Database IO -60%+ + R-100 日期纠正(EngramEdit/RECAST/ExperienceIndex 实际发表日期为 2026-10-09 而非 R-100 错误标注的 2026-10-08) · 0 主+ · 8 邻接 net = 8 件增量;新 arXiv:5(2607.19697 RCC + 2610.10845 galahad-kv + 2610.02046 JEVDB + 2610.07665 Mechanizing TAPs + 2610.10533 EngramEdit + 2610.10507 RECAST + 2610.10091 ExperienceIndex);新 URL:9(dl.acm.org/doi/abs/10.14778/3819518.3819528 Swan + arxiv.org/pdf/2607.19697 RCC + vldb.org/pvldb/vol10/p337-arulraj.pdf WBL + designgurus.substack.com/p/how-to-choose-a-database-in-system + ctyun.cn/developer/article/816562341011525 天翼云 + cloud.tencent.com/developer/article/2677646 TDSQL-C + designgurus.substack.com/p/a-crash-course-on-databases-for-system + openpr.com/news/4639838 Cloud DBaaS 报告);C114~C116 三新候选(Swan 混合 MVCC for LSM-Tree 学术价值 + galahad-kv PyPI 工业级组件 + JEVDB SBF 端到端工程路径)/D114~D116 三新候选(天翼云厂商数据 + Swan 5 个月历史遗漏 + RCC 中等成熟度 preprint)/O159~O162 四新候选(Swan 工业落地验证 + galahad-kv 多硬件复现 + TDSQL-C 好未来 40% 数据统计口径 + Mechanizing TAPs 理论工程联动);详见 §2 各章节内 R-100 增量锚定。

§1 现状全景(2026 H2 · R-100)

R-100 = §2.4 存储引擎与 WAL 机制首次建章(三锚 · Swan 混合 MVCC + RCC redo log + WBL NVM)+ §2.6 galahad-kv 第一个生产级 KV 持久化 + §2.12 JEVDB 语义查询邻接 + §2.13 TAPs 形式化验证邻接 + §2.1 天翼云 + 腾讯云 TDSQL-C 工程案例双锚定 + R-100 日期纠正(详见沿革摘要 R-100 段)· 0 主+ · 8 邻接 net = 8 件增量;§2.1 §IX R-100 新增 2 件工程案例(天翼云冷热分离 + TDSQL-C Log is Database);§2.4 §IX R-100 首次建章 3 件(Swan + RCC + WBL);§2.6 §IX R-100 新增 1 件 galahad-kv;§2.12 §IX R-100 新增 1 件 JEVDB;§2.13 §IX R-100 新增 1 件 TAPs 形式化验证;§2.11 §IX 沿用 R-99 第三十一维候选矩阵;§2.8 §IX 沿用 R-98 第十三攻击向量候选;§2.15 §IX 沿用 R-99 第三十三轴候选观察;§3 共识与争议 / §4 O / §5 趋势 = 沿用 R-19~R-99 全部 + R-100 新增 2 共识 + 2 争议 + 2 开放问题 + 2 趋势(精简段保留于 archive/database-changelog.md);§2 关键工作脉络保留所有沿革段(R-83~R-100 §IX)。

§2 关键工作脉络

§2.1 向量数据库选型与 commoditization 共识(R-37~R-100 沿用 + R-100 §IX 邻接 2 件 中国云厂商工程案例 + R-99 §IX 邻接 5 件 Turbopuffer v3 纠偏 + Qdrant v1.11 + Weaviate 1.38/1.39 + TrieHI + 56 QPS + R-98 §IX 邻接 2 件 LEANN MLSys 2026 Best Paper + MRVQ 弹性索引 + R-97 §IX 邻接 6 件 Supabase/Turso 产业事件 + Vald 第六方案 + Filtered ANN + VectorMaton + Policy-aware + GPU vs CPU + R-96 §IX 邻接 4 件 + R-95 §IX 邻接 1 件 + R-94 §IX 邻接 1 件 + R-93 §IX 邻接 2 件 + R-92 §IX 主+ 1 件 + 邻接 1 件 + R-89 §IX 邻接 1+2+3 件 + R-88 §IX 邻接 1+2 件 + R-87 §IX 主+ 1 件 + R-85 §IX 主+ 1+2 件 + R-83 §IX 主+ 1 件)

§2.1 选型决策树 2026 H2(R-37~R-100 沿革摘要) = 沿用 R-78 Salt Technologies + R-79 Qdrant v1.14 + R-80 PostgreSQL 吞噬向量 DB 战略证据 + R-82 Encore.dev ≤50M/50-100M/>100M 共识 + R-83 Pinecone 失势(Notion $50→$380→$2,847 + 探索出售 + ANSI SQL ORDER BY VECTOR_SIM(...))+ R-84 PostgreSQL 35.1% 超越 MySQL ★★★ + R-84 pgvectorscale 471 QPS + R-85 Weaviate Query Agent + pgvector 0.8.0 + R-86 RAG 实时性失效第二弹 + R-87 Milvus 2.6 官方确证(Storage Format V2 + BM25 400% Elasticsearch + 50% 存储成本 + Int8 HNSW)+ R-88 sqlite-vec 8.1k stars(★ 边缘/嵌入式)+ VectorChord 1.8k stars(★ PG 磁盘友好)+ OpenSearch 2026 报告(83% AI 工作负载)+ R-89 2026-07 VecDB 综合基准实测 + Embedding 维度爆炸 + LanceDB(数据湖嵌入式)+ R-92 pgvector 471 QPS 第三方验证(11.5× 差距)+ Keyword vs Semantic 评估框架(arXiv:2609.37749)+ R-93 Qdrant P50/P99 第三方验证(Tiger Data + CORE Systems · C94 2.3× 差异警示)+ CSDN 国产 DB 迁移 + R-94 pgvector 2026 新能力(S3/GCS 对象存储后端 · Collection Forking · Agent 10× 查询量)+ R-95 VecDB 2026 Q4 量化基准综合数据包(决策树第十五版)+ R-96 SALT Q1 2026 十库 Benchmark + pgvector 0.8.6 (2026-09) 版本锚定 + sqlite-vec + Turso 第五层选型 + 推理引擎联合选型决策树(vLLM/SGLang/LMDeploy × VecDB 第五层)+ R-97 Supabase 收购 Turso 第五层商业化升级 + Vald K8s 原生 ANN 第六方案 + Filtered ANN 边界量化(arXiv:2602.11443 UC Merced · pre/post/hybrid 三策略 + 过滤率 < 30% pgvector 已可替代 · ⚠️ D106 历史遗漏入库)+ VectorMaton 后缀自动机联合索引(arXiv:2603.01525 NTU Singapore · PVLDB 2026 · 第三十六层候选)+ Policy-aware Vector Search HONEYBEE 权限隔离(arXiv:2606.19803 SeQureDB Workshop · §2.8 第十二攻击向量候选(防御侧))+ GPU vs CPU VecDB PCIe 瓶颈 90% 开销(arXiv:2605.15957 · < 100M 向量 CPU 优于 GPU)+ R-98 LEANN MLSys 2026 Best Paper Award(★★★ 顶会最高背书 · UC Berkeley RISE Lab 13 人联合 · index size 缩减至原始数据 5% · "存储优化 → 计算优化"范式跃迁 · 私个人设备/隐私优先 AI 场景原生适配 · §2.1 决策树第十九版更新)+ MRVQ 弹性向量索引单一常驻型(arXiv:2610.03651 · 索引侧弹性)+ R-99 Turbopuffer v3 叙事纠偏(主索引降级 ≠ 公司倒闭 · ANN-as-secondary-index 范式重构)+ Qdrant v1.11 稀疏向量 + Query Estimation 2.0 + Weaviate 1.38/1.39 实际版本 + TrieHI 目录感知索引拓扑 + 56 QPS 第三方对比角;

R-100 §IX 邻接 1 件 天翼云数据库内核优化·冷热分离实战(ctyun.cn · 生产工程 · ★) = jay 2026-10-09T0910-jay-database-backend-cloudnative-engineering.md §3.4 + https://www.ctyun.cn/developer/article/816562341011525 2026-07-08;核心要点:① 三类内核瓶颈:锁竞争(缓冲池/事务表/日志缓冲区)+ 写路径刷盘打断读连续性 + 线程调度开销;② 解法:无锁数据结构(CAS 页表定位)+ 读写锁改良版顺序锁 · 读操作零锁等待;③ 冷热分离实战:分区表 + 分层表空间 + K8s 分级存储;核心表查询 1200ms→200ms(↓83%) + SSD 占用 减少 80%;④ 生产避坑 10 条:分区键选择 + 分区粒度 + 索引处理 + 冷热 StorageClass 分离 + 大分区 move 锁表等;⑤ §2.1 §IX 工程案例邻接锚定:天翼云冷热分离 1200ms→200ms 与 R-82 Encore.dev ≤50M pgvector 可替代 + R-100 TDSQL-C 法大大 10s→0.2s 共同构成"2026 国产 DB 生产案例三锚";⑥ ⚠️ D114 待核:天翼云是案例来源方 + 数据提供方 · 与 R-93 C94 Qdrant 官方 vs Tiger Data 第三方 2.3× 差异警示同质 · 归"工程参考"不作"选型硬依据" · 待 R-101+ 阿里云 POLARDB / 腾讯云 TDSQL-C 交叉核验;

R-100 §IX 邻接 2 件 腾讯云 TDSQL-C Serverless 实战·Log is Database(cloud.tencent.com · 生产工程 · ★) = jay 2026-10-09T0910-jay-database-backend-cloudnative-engineering.md §3.5 + https://cloud.tencent.com/developer/article/2677646 2026-05-30;核心要点:① 存算分离架构:计算节点无状态 + 存储层 SPDK+RDMA 零拷贝;② Log is Database:只传 Redo log · 计算节点不落盘 · IO 减少 60%+;③ Serverless:0.25 ccu–64 ccu · 按秒计费 · 不使用不计费;④ 案例数据:法大大 8 亿合同检索 10s→0.2s · 瑞幸咖啡大促秒级扩容 · 好未来 IT 成本 降低 40%+;⑤ §2.1 §IX 工程案例邻接锚定:与天翼云冷热分离共同构成"2026 国产 DB 生产案例双锚";⑥ §2.4 §IX R-100 协同:Log is Database 与 R-100 §2.4 RCC redo log 双重用途有概念协同——两者均探索 redo log 多功能化(RCC 在恢复 + 并发控制维度 / TDSQL-C 在传输 + 存储维度);⑦ ⚠️ D114 待核 好未来 40% 成本降低统计口径——未注明哪些成本/多长时间/基线是什么 · 与 §2.1 R-100 仅引用"法大大 10s→0.2s"可量化数据;

§2.1 R-100 综合锚定:沿用 R-99 决策树第十九版续增基础上,§2.1 §IX 邻接 2 件工程案例(天翼云冷热分离 + TDSQL-C Log is Database)= 决策树第二十版待评估候选——"国产云 DB 工程案例数据双向核验"维度;⚠️ D114 厂商数据可信度警示 = 待 R-101+ 阿里云 POLARDB / 华为云 GaussDB / 腾讯云 CynosDB 交叉核验后再升决策树版本;R-100 焦点在 §2.4 首次建章 + §2.6 galahad-kv + §2.12 JEVDB + §2.13 TAPs + 工程案例双锚定 + 日期纠正,不触发 §2.1 决策树版本升级。

§2.2 §IX 核心 1 · SQLMorph · Text-to-SQL Query Mutation(R-74 主轴 + R-75 作者纠正 + R-76~R-100 沿用 + R-98 §IX 邻接 1 件 FALCON NL2SQL 合成数据型 + R-100 §IX 沿用 0 新增)

R-74 主轴 SQLMorph(arXiv:2609.08950 · ICDE 2026 · Malekpour/Riahi/Lamothe/Mhedhbi · Polytechnique Montréal · DAIS · GitHub dais-polymtl/sqlmorph · ★★★);⚠️ O83 SQLMorph 生产泛化性待 R-97+ 原文精读;R-98 FALCON 合成数据沿用;R-100 §IX 沿用 0 新增(R-100 焦点在 §2.4 首次建章 + §2.6 galahad-kv + §2.12 JEVDB + §2.13 TAPs + 工程案例双锚定)。

§2.3 AI 重塑数据库内核范式与 Agent 记忆(沿用 R-58~R-100 + R-98 §IX 沿用 0 新增主+ + R-95 §IX 邻接 1 件 + 邻接+ 8 件 + R-94 §IX 邻接 1 件 + R-93 §IX 邻接 1 件 + R-92 §IX 邻接 1 件 + R-91 §IX 主+ 1 件 + R-90 §IX 主+ 1 件 + R-88 §IX 邻接 1 件 + R-87 §IX 邻接 1 件 + R-85 §IX 主+ 1 件 + 邻接 1 件)

R-58 stratum(★★★★)、R-59 SemPiper、R-61 MemLens、R-62 阿里云 Agentic DB ★★★★、R-62 Agent Native Memory(★★★)、R-62 Token-Efficient(★★★★)、R-63 Oracle AI Database 26ai(★★★★)、R-70 VikingMem/OpenViking(★★★★)、R-71~R-78 沿用 + R-78 CobbleDB(★★★)+ R-78 FluctlightDB(★★★)+ R-81 主轴 3 件 + R-82~R-98 沿用;R-100 §2.3 §IX 沿用 0 新增主+(R-100 焦点在 §2.4 首次建章 + §2.6 galahad-kv + §2.12 JEVDB + §2.13 TAPs + 工程案例双锚定)。

§2.4 存储引擎与 WAL 机制(R-100 §IX 首次建章 3 件 Swan 混合 MVCC + RCC redo log 双重用途 + Write-Behind Logging NVM · 三锚 · 存储引擎并发控制全景)

R-100 首次建章说明:R-100 之前未独立建立 §2.4(存储引擎与 WAL 机制章节)。本次建章基于三个组合:① Swan(VLDB 2026 · 5月发表 · 5 个月历史遗漏)填补 LSM-Tree 型 KV 存储 MVCC 空白;② RCC(arXiv:2607.19697 · preprint 阶段)展示 redo log 双重用途设计思想;③ Write-Behind Logging(VLDB 2025 · CMU/Purdue Pavlo 团队)展现 NVM 时代新日志协议。三者共同代表 2026 存储引擎并发控制的全景视角(MVCC 多版本 · redo log 多功能化 · WAL 协议替代),为 R-100 数据库活文档的存储引擎版图补上关键空白。

R-100 §IX 邻接 1 件 Swan · 混合 MVCC for LSM-Tree KV Store(VLDB 2026 · database 主分类 · ★★★ · 2026-05 发表 · 5 个月历史遗漏归档) = jay 2026-10-09T0910-jay-database-backend-cloudnative-engineering.md §1.1 + https://dl.acm.org/doi/abs/10.14778/3819518.3819528 · VLDB Endowment vol. 19 PVLDB · 主分类 database systems · 论文核心要点:① 问题锚定:LSM-Tree 写放大约束使传统 MVCC 难以直接移植,扁平化版本链 + 不可扩展的写放大问题严重;② 方案 Swan:首次针对 LSM-Tree 型键值存储的混合 MVCC 方案 · 优化事务处理效率 + 填补 MVCC 理论在 LSM 写放大约束下无法直接移植的工程空白;③ 核心价值:LSM-Tree 是 Qdrant/Pinecone/Milvus 等主流向量数据库的底层存储引擎 · Swan 对理解这些系统的并发事务处理有直接意义;④ §2.4 §IX 首锚 + §2.1 §IX 邻接:R-100 §2.1 §IX R-100 "VecDB 底层存储基础理论"补强 + 与 R-100 TrieHI(目录感知索引拓扑)+ R-98 LEANN(on-the-fly embedding)共同构成"索引结构创新三层次"(存储引擎内核 / 目录拓扑 / 计算换存储);⑤ 学术地位:VLDB 2026 PVLDB vol. 19 顶会确认 · 学术可信度最高等级;⑥ ⚠️ D115 待核:Swan 发表于 2026-05 距今约 5 个月 · 需 R-101+ 核验 paper_cards 是否已有正式归档记录;⑦ C114 新候选 · LSM-Tree MVCC 学术价值参考点:Swan 系首个针对 LSM 写放大约束的混合 MVCC 方案 · 对未来 VecDB 内核演进有持续影响力 · ⚠️ 待 R-101+ paper_cards 核验 + 工业落地案例观察;

R-100 §IX 邻接 2 件 RCC · 基于 Redo Log 的 Speculative Write Versioning(arXiv:2607.19697 · database 主分类 · ★★ · 2026-07 投稿 preprint 阶段) = jay 2026-10-09T0910-jay-database-backend-cloudnative-engineering.md §1.2 + https://arxiv.org/pdf/2607.19697.pdf;论文核心要点:① 核心创新:用 redo log 做双重用途(recovery + concurrency control)· 将 speculative versions 存储在 per-transaction TLA(Translation Lookaside Buffer for Active transactions)中;② 工程效果:消除版本链遍历开销 + 将 Write-Write(WW)冲突事务生命周期缩短 · 减少 page flush 与 WAL 写入量;③ 教学价值:对理解 MySQL/PostgreSQL 内部版本管理机制有直接价值;④ §2.4 §IX 邻接锚定:RCC 与 R-100 Swan(LSM 混合 MVCC)+ R-100 WBL(NVM WAL 替代)共同构成"存储引擎并发控制三锚";⑤ §2.1 TDSQL-C 协同:Log is Database(只传 Redo log · IO -60%+)与 RCC redo log 双重用途在概念层协同——前者探索 redo log 传输维度 / 后者探索 redo log 多功能维度;⑥ ⚠️ D116 待核:arXiv preprint 阶段 · 需 R-101+ 核验是否有 SIGMOD/VLDB/ICDE 投稿或接收记录;

R-100 §IX 邻接 3 件 Write-Behind Logging · NVM 时代新日志协议(VLDB 2025 · ★★ · CMU/Purdue Pavlo 团队) = jay 2026-10-09T0910-jay-database-backend-cloudnative-engineering.md §1.3 + https://www.vldb.org/pvldb/vol10/p337-arulraj.pdf · Matthew Perron, Joy Arulraj, Andrew Pavlo;论文核心要点:① 核心论点:NVM 可字节寻址特性使传统"日志优先 WAL"不再最优——WBL 允许先刷数据页再记日志 · recovery 时从 NVM 重建状态;② 优化维度:对 MVCC in-memory DB 尤其有效 · 减少约 50% 日志写入量(Pavlo 团队实测数据);③ 学术地位:Andrew Pavlo 系 CMU 数据库实验室负责人 · VLDB 2025 论文质量可靠;④ §2.4 §IX 邻接锚定:R-100 WBL + R-100 Swan + R-100 RCC = §2.4 存储引擎并发控制三锚;⑤ 泛读推荐:NVM 硬件尚未普及 · 但概念对理解日志协议设计边界有长期价值;

§2.4 R-100 综合锚定:§2.4 在 R-100 首次建章 · R-100 §IX 三锚(Swan 混合 MVCC for LSM KV Stores + RCC redo log 双重用途 + WBL NVM 新日志协议)共同构成 2026 存储引擎并发控制全景 · 这一组合在 R-99 之前是被分散在多个章节内的元素(Swan 历史遗漏未建 · RCC 似论文未入 · WBL 历史 VLDB 提及未独立章节)· R-100 通过首次建章使其获得独立观察视角 · §2.4 §IX 沿用候选(κ)★第五十·R-100 不升候选(κ)因三锚均为存储引擎子方向工程型信号。

§2.5 云原生与 K8s AI 基础设施(沿用 R-69~R-100 + R-100 沿用 0 新增)

R-69 pgvectorscale 471 QPS + Qdrant v1.18 TurboQuant;R-70 VikingMem/OpenViking;R-71 NVIDIA $12.93B 收购 HF;R-71 PremAI H100;R-72 K8s DRA CNCF + llm-d + HF State of Open Models;R-73 MCP;R-82 §2 Garnet 主+;R-84 沿用 0 新增;R-85 §IX 工程 net;R-86 §2.5 §IX 沿用 0 新增;R-87 §IX 主+ 1+2 + 工程 net 三件;R-88 §IX 邻接 1 件 OpenSearch 2026;R-89 §IX 主+ 1 件 llm-d v0.9 CNCF Sandbox 升格;R-90 §IX 主+ 1 件 IETF CATS KV Cache Draft;R-91 §IX 主+ 1 件 Inference Control Plane 综述;R-92 §IX 主+ 1 件 NVIDIA Dynamo 1.0 编排层 OS;R-93 §IX 邻接 1 件 llm-d GAIE/EPP + §IX 邻接 2 件 MCP 2026-07-28 无状态化;R-96 §2.5 §IX 沿用 0 新增;R-97 §2.5 §IX 沿用 0 新增;R-98 §2.5 §IX 沿用 0 新增;R-99 §2.5 §IX 沿用 0 新增;R-100 §2.5 §IX 沿用 0 新增(R-100 焦点在 §2.4 首次建章 + §2.6 galahad-kv + §2.12 JEVDB + §2.13 TAPs + 工程案例双锚定 + 日期纠正)。

§2.6 vLLM / SGLang / TensorRT-LLM 推理引擎与 KV 缓存(沿用 R-70~R-100 + R-98 §IX 沿用 0 新增主+ + R-99 §IX 邻接 1 件 arXiv:2610.06479 行为保持 KV Cache 压缩 + R-100 §IX 邻接 1 件 arXiv:2610.10845 galahad-kv 50M-token KV state 持久化到 NVMe · 第三十二维候选 · 生产级组件)

R-70 vLLM Conference 多级 KV offloading;R-71 Snowflake Semi-Persistence + BeaconKV;R-72 vLLM Q3 Roadmap MRV2 + Nexus + LMCache + SGLang BCG;R-73 KVShareArena 跨上下文/跨 checkpoint 复用失效;R-74 FFX 上游压缩;R-77 KV Cache 存储原语化 ACL 2026 Findings 综述 + Awesome-KV-Cache-Optimization;R-78~R-84 沿用;R-83 NVIDIA Hopper(arXiv:2609.19472);R-84 §2.6 §IX 邻接 2 件;H100 Prefix Reuse + IntBMoE;R-86 §2.6 §IX 工程邻接 1 件 FA-4 完整技术报告;R-87 选型数据补强;R-88 §2.6 §IX 邻接 1 件 KVSET + Risk-Controlled Eviction;R-89 §2.6 §IX 沿用 0 新增;R-90 §2.6 §IX 主+ 5 件 KV Cache 系统工程密集产出;R-91 §2.6 §IX 主+ 10 件 KV Cache 系统工程密集产出;R-92 §2.6 §IX 主+ 3 件 + 工程归档 2 件;R-93 §2.6 §IX 邻接 1 件 FlashPrefill V2 Novel Attention;R-94 §2.6 §IX 邻接 1 件 HeteroFold + §IX 邻接 2 件 DISCO;R-95 §2.6 §IX 邻接 1 件 GPU 共置 <50ms 部署架构;R-96 §2.6 §IX 沿用 0 新增主+;R-97 §2.6 §IX 沿用 0 新增主+;R-98 §2.6 §IX 沿用 0 新增主+;R-99 §2.6 §IX 邻接 1 件 arXiv:2610.06479 Behavior-Preserving KV Cache Compression(★★ · 主分类 llm-infra)—— §2.11 §IX 第三十一维候选行为保真评估维度扩展;

R-100 §2.6 §IX 邻接 1 件 arXiv:2610.10845 galahad-kv · AI 真实长期记忆 · 50M-token 重量级 KV state 持久化到加密 NVMe · 第一个生产级 KV 持久化组件(★★★ · 主分类 llm-infra · §2.11 第三十二维候选) = paper_cards/1731-2610-10845.md + jay 2026-10-09-database-e1prep.md §一#5 + https://arxiv.org/abs/2610.10845 + pip install galahad-kv 可用;核心要点:① 问题锚定:LLM 只能使用上下文窗口中容纳的文本 · 每次发送 prompt 都会重新计算 KV state · 长上下文与长篇生成均面临 KV Cache 重建成本;② 方案 galahad-kv:公开 Python 包 · 将每个约 16,000 token 块的 KV state 保存到加密本地 NVMe 磁盘 · 之后按字节精确加载回来 · 零重计算;③ 关键数据(★★★):50,000,000 token 真实公共文本上测试(单 NVIDIA H100 · vLLM · Gemma 4 12B 和 Gemma 4 31B);探测的每个块都从加密存储无重计算地加载回来(100/100 · 零重计算);④ §2.6 §IX 邻接 + §2.11 §IX 第三十二维候选扩展:"KV 持久化"评估维度与 R-77 ACL 2026 Findings KV Cache 存储原语化矩阵 + R-99 行为保真压缩(第三十一维)并列 · 第三十二维候选矩阵扩展;⑤ §2.6 §IX 邻接锚定:galahad-kv 系 §2.6 KV cache 三十余维矩阵(R-77~R-100)内第一个 PyPI 可用的生产级持久化组件 + 与 R-77 ACL 2026 Findings KV Cache 存储原语化综述 + R-99 行为保持 KV Cache 压缩共同构成"KV 缓存存储三层"(in-memory 复用 / 持久化到 NVMe / 压缩 + 行为保真);⑥ §2.6 §IX 工程意义:在 vLLM 的 KV cache 管理之上增加了一层持久化记忆层—— 将 KV state 从纯内存扩展到 NVMe · 突破了 H100 80GB VRAM 的 KV 缓存容量上限;⑦ §2.12 §IX 第三十九层候选邻接锚定:与 R-100 JEVDB(Semantic Bloom Filter 语义查询)共同构成"RAG 数据层记忆外部化两路径"(持久化 + 过滤);⑧ C115 新候选 · KV 持久化生产级组件参考:galahad-kv 系第一个公开 PyPI 包 · 可直接 pip show galahad-kv 验证包存在性和版本 · ⚠️ 待 R-101+ 小规模本地复现验证 + 与 R-90 Edge Q4 KV / R-91 Mobile NPU KV 等端侧持久化对比;⑨ ⚠️ D117 待 R-101+ 跟踪:vLLM 版本兼容性(H100 单卡 + Gemma 4 测试) + 多 GPU/多 OS 兼容性 + 加密性能开销;

§2.6 R-100 综合锚定:R-99 §IX 行为保持 KV Cache 压缩(第三十一维候选)+ R-100 §IX galahad-kv 50M-token 持久化(★★★ · 第三十二维候选 · 第一件生产级组件)= §2.6 KV Cache 三十余维矩阵演进至包含"持久化"维度;R-100 §IX 沿用候选(κ)★第五十不升因 galahad-kv 主分类为 llm-infra · §2.6 邻接而非主轴新增。

§2.7 FFX 与 LLM × DB 优化(沿用 R-74~R-100 + R-98 沿用 0 新增 + R-90 §IX 邻接 1 件 KathDB-FAO 沿用 + R-100 沿用 0 新增)

R-74 FFX(arXiv:2609.09002 · SIGMOD 2026 Bengaluru · Sunny Yasser/Anas Dorbani/Amine Mhedhbi · Polytechnique Montréal · DAIS · github.com/dais-polymtl/ffx · ★★★)= 首个支持任意因子分解布局的流水线引擎 + FFX 中间结果可序列化为 LLM Prompt 显著降低 token 使用;⚠️ O84 FFX 压缩比/延迟/精度边界待 R-97+ 精读;R-90 §IX 邻接 1 件 KathDB-FAO(arXiv:2609.28761);R-98 沿用 0 新增;R-100 沿用 0 新增(R-100 焦点在 §2.4 首次建章 + §2.6 galahad-kv + §2.12 JEVDB + §2.13 TAPs + 工程案例双锚定 + 日期纠正)。

§2.8 LLM × Database 安全十二攻击向量 + R-98 第十三攻击向量候选(沿用 R-44~R-100 + R-98 §2.8 §IX 邻接 1 件 Bounded Provisional Visibility 投毒防御第十三向量候选(防御侧)+ R-100 沿用 0 新增第十四攻击向量候选)

R-44 CVE-2026-3172 pgvector 第五向量 + R-56 Black-Hole 第六向量 + R-68 Inference Cost Attacks 第七向量 + R-70 HF HDF5/Jinja2 第八向量;R-71~R-93 沿用;R-94 §2.12 §IX ImmRAG(arXiv:2610.01871 · 多模态 RAG 黑盒数据提取攻击 · 第九攻击向量候选);R-95 §2.4 §IX SD-RAG(arXiv:2601.11199 · 差分隐私重整化机制 · 第十攻击向量候选(防御侧));R-96 §2.4.6 CLM 自注入风险 = 第十一攻击向量候选(自身攻击面);R-97 §2.4 §IX HONEYBEE(arXiv:2606.19803 · Policy-aware 细粒度访问控制 · 第十二攻击向量候选(防御侧));R-98 Bounded Provisional Visibility(arXiv · CIKM 2026 关联 · 第十三攻击向量候选(防御侧));R-99 §2.8 §IX 沿用 0 新增;§2.8 §IX R-100 沿用 0 新增第十四攻击向量候选(R-100 焦点在 §2.4 首次建章 + §2.6 galahad-kv + §2.12 JEVDB + §2.13 TAPs;⚠️ D116/D117 待 R-101+ 跟踪 arXiv:2610.06479 行为保持压缩是否在生产中引发新的注入/行为劫持攻击类型 + galahad-kv 加密 NVMe 持久化是否引入新攻击面)。

§2.9 ML4DB / Schema 演化与自治调优(沿用 R-50~R-100 + R-98 §2.9 §IX 邻接 3 件 Query Optimization 三源锚定型 + R-100 沿用 0 新增)

R-50 vec2vec/LA2M、R-51 Agentic-SQL、R-52 pgvector 0.8、R-54 pgvector 0.7.0 量化、R-55 misi、R-56 Gorgeous、R-59 Larch、R-67 DuckDB RPT+、R-72 RAGCap-Bench、R-74 SQLMorph、R-76 观察 ①~⑧、R-81 openGauss DTCC 2026、R-82 Sep 18 arXiv cs.DB 三件;R-83 §IX 邻接 2 件(Benchmark Radar + MasterControl);R-84~R-98 沿用;R-98 §2.9 §IX 邻接 3 件 Query Optimization 三源锚定型(JEVDB + Query Performance Tuning + KathDB-FAO)+ TREMOR 时序/科学数据检索锚定;R-100 §2.9 §IX 沿用 0 新增(R-100 焦点在 §2.4 首次建章 + §2.6 galahad-kv + §2.12 JEVDB + §2.13 TAPs);R-100 §2.12 JEVDB 单列归入 §2.12 邻接锚定(因 JEVDB 核心贡献是 RAG 数据层语义查询而非 ML4DB 主轴)。

§2.10 RAG 评测体系 · HF RAG Benchmark + Q2D-Web 双锚补强 + 2026 全貌(沿用 R-68~R-100 + R-98 沿用 0 新增 + R-100 沿用 0 新增)

R-68 AAAI 2026 arXiv:2602.23368 "Keyword search is all you need" 主轴;R-72 RAGCap-Bench 四维度;R-74 SQLMorph 第十一维度;R-76 MasterControl 第十二维度;R-79 HF RAG Benchmark + Q2D-Web;R-80 SPI + HARMONY + FT-RAG;R-81 清华 AMem VLDB 2026;R-82 arXiv:2609.19491 邻接补强;R-83~R-93 沿用;R-94 沿用 0 新增;R-95 §2.4.5 §IX 邻接+ 5 RAG 评估体系全貌;R-96 沿用 RAG 四轴正交性争议 + CLM 范式需新评估维度;R-97 沿用 0 新增;R-98 沿用 0 新增;R-99 沿用 0 新增;R-100 沿用 0 新增(R-100 焦点在 §2.4 首次建章 + §2.6 galahad-kv + §2.12 JEVDB + §2.13 TAPs + 工程案例双锚定)。

§2.11 KV Cache 优化十六维 → 第三十一维候选 + R-100 第三十二维候选 galahad-kv 持久化(沿用 R-71~R-100 + R-99 沿用 0 新增第三十维候选 + R-100 §IX 第三十二维候选 galahad-kv 持久化维度 + R-99 §2.11 §IX 邻接 1 件 arXiv:2610.06479 行为保持压缩第三十一维候选 + R-93 §2.11 §IX 邻接 1 件 Phase Sensitivity 第二十八维候选 + R-92 §2.6 §IX 主+ 3 件扩展至第二十七维 + R-91 §2.6 §IX 主+ 10 件扩展至第二十六维)

R-71 八路线 + R-72 五邻接 + R-73 KVShareArena = 14 维矩阵;R-74 FFX 上游压缩;R-77 KV Cache 存储原语化 ACL 2026 Findings 综述;R-78~R-84 沿用;R-84 arXiv:2609.19657 H100 Prefix Reuse + arXiv:2609.21346 IntBMoE 邻接补强;R-86 §2.6 §IX FA-4 完整技术报告邻接补强;R-88 §2.11 §IX 邻接 → 第十五维(在线容量规划)+ 第十六维(可靠性合约);R-90 §2.6 §IX 主+ 5 件扩展至第二十二维;R-91 §2.6 §IX 主+ 10 件扩展至第二十六维;R-92 §2.6 §IX 主+ 3 件扩展至第二十七维;R-93 §2.11 §IX 邻接 1 件 Phase Sensitivity → 28 维候选矩阵达成;R-96 §2.6 §IX 沿用 0 新增第二十九维候选;R-97 沿用 0 新增第二十九维候选;R-98 沿用 0 新增第三十维候选;R-99 §2.11 §IX 邻接 1 件 arXiv:2610.06479 行为保持压缩第三十一维候选;

R-100 §2.11 §IX 邻接 1 件 arXiv:2610.10845 galahad-kv 第三十二维候选 · "KV 持久化"维度(★★★) = §2.6 R-100 §IX 完整描述;核心要点:"持久化层"评估维度与 R-77 ACL 2026 Findings KV Cache 综述(in-memory 复用为主)+ R-99 行为保真压缩(第三十一维 · 内存内压缩)共同形成"KV 缓存存储三层"(in-memory 复用 · 持久化到 NVMe · 内存压缩 + 行为保真);§2.11 §IX R-100 综合锚定:第三十一维(行为保持压缩)+ 第三十二维(KV 持久化)= §2.11 五维新增扩展 + 与 R-91 第二十六维(KV复用准确性元批评)+ R-92 第十七维(联合压缩-驱逐感知·PAGE)+ R-93 第二十八维(Phase Sensitivity)共同构成 §2.11 矩阵的多向焦点维度;

§2.12 RAG 数据层载体三十四层并立 + RAG 四轴分类学顶层锚定 + 第三十五/三十六/三十七/三十八层候选 + R-100 第三十九层候选邻接(沿用 R-37~R-100 + R-99 §IX 邻接 1 件 TrieHI 第三十八层候选观察 + R-98 §IX 沿用 0 新增第三十七层候选 + R-97 §IX 邻接 1 件 VectorMaton 第三十六层候选 + R-96 §IX 沿用首次建章)

R-37~R-70 累计三十四层并立;R-73 MCP + Weaviate v1.24;R-75~R-78 不升第三十五层;R-79~R-84 沿用;R-83 §2.12 §IX 主+ 1 件 Agentic Search + 1 邻接 1 件 Embedding;R-85 §2.12 §IX 主+ 1 件 RAG 15-40% 过时错误率(arXiv:2606.26511);R-86 §2.12 §IX 主+ 1 件 MemStrata 实测 RAG 36-38% + 邻接 1 件 RAG 实时性双时序退化;R-87 §2.12 §IX 工程 net 件 Graphify;R-88 §2.12 §IX 主+ 1 件 AAAI 2026 实证(★)+ C67 五源共鸣 ★★ C;R-94 §2.12 §IX 主+ 1 件 RAG 四轴分类学 + §2.12 §IX 主+ 2 件 ImmRAG;R-95 §2.4 §IX 首次建章 RAG 分类学升级至独立 §2.4 章节;R-96 §2.12 §IX 第三十五层候选升级(★★★ 边缘/嵌入式向量扩展 · sqlite-vec + Turso);R-97 §2.12 §IX 邻接 1 件 VectorMaton 第三十六层候选(★★ arXiv:2603.01525 · NTU Singapore · PVLDB 2026 录用 · 后缀自动机联合向量+结构化约束搜索);R-98 §2.12 §IX 沿用 0 新增第三十七层候选(LEANN MLSys 2026 Best Paper Award);R-99 §2.12 §IX 邻接 1 件 TrieHI 第三十八层候选观察(★★ · arXiv:2606.16903 · 前缀树原生拓扑);

R-100 §2.12 §IX 邻接 1 件 arXiv:2610.02046 JEVDB · 可扩展语义查询处理 · Semantic Bloom Filter + LLM 集成 SQL(★★ · Purdue DAISY Lab · 2026-10) = jay 2026-10-09T1505-jay-afternoon-briefing-database-backend-cloudnative-csdn-oct09.md §🔷#2 + https://arxiv.org/pdf/2610.02046 + https://arxiv.org/abs/2610.02046;核心要点:① 问题锚定:Foundation Model 推理 + SQL 查询处理集成的成本问题是 LLM-DB 融合的核心瓶颈 —— 对每个候选调用 LLM 的代价高昂;② 方案 JEVDB:calibrated decision models + Semantic Bloom Filters(SBF) 在调用 LLM 前裁剪候选集 · 自适应三层执行:exact semijoin reductions → SBF screening → frontier LLMs only for uncertain cases;③ 关键数据:在 Shelob(TPC-DS 衍生 · 540K 候选对)上完成所有查询 · 95.7%–97.5% F1 · 提前裁剪 87.4% 候选 · SemBench benchmark 验证;④ §2.12 §IX 邻接锚定:JEVDB 系 R-95 RAG 评估体系之后首个数据库 + LLM 融合的端到端工程验证路径;与 R-98 EngramEdit(n-gram 条件记忆 · 论文 ID 2610.10533 实际发表日期 2026-10-09)+ R-100 galahad-kv(KV 持久化 · 论文 ID 2610.10845)+ R-100 RECAST(自适应证据路由 · 论文 ID 2610.10507 实际发表日期 2026-10-09)+ R-100 ExperienceIndex(基于 artifact 的经验记忆 · 论文 ID 2610.10091 实际发表日期 2026-10-09)共同构成"RAG 数据层记忆外部化五路径"(语义过滤 JEVDB · n-gram 解耦 EngramEdit · KV 持久化 galahad-kv · 跨源计算路由 RECAST · artifact 经验 ExperienceIndex);⑤ §2.1 §IX 邻接:JEVDB 的 Semantic Bloom Filter 与 R-97 VectorMaton(后缀自动机)同属"索引结构约束 LLM 调用"方向—— SBF 侧重查询层过滤(VectorMaton 侧重索引层约束);⑥ C116 新候选 · RAG 数据层 + LLM 集成 SQL 端到端工程路径:JEVDB 是 R-95 评估体系之后首个端到端工程验证 · ⚠️ preprint 阶段 + 自建 Shelob 数据集 · 归"工程参考"待 R-101+ SemBench 标准化验证结果;⑦ ⚠️ D118 待 R-101+ 跟踪:Shelob 数据集规模(540K)与标准 TPC-DS 差异 · 87.4% 候选裁剪率的结论需在大规模数据上验证;

§2.12 R-100 综合锚定:沿用 R-96/R-97/R-98/R-99 三十四层并立 + 第三十五层 sqlite-vec/Turso 边缘/嵌入式 + 第三十六层 VectorMaton 联合约束索引基础结构 + 第三十七层 LEANN 低存储/隐私优先 + 第三十八层 TrieHI 前缀树原生拓扑观察 + R-100 §IX 邻接 1 件 JEVDB 邻接(端到端工程路径 · 不升第三十九层候选因 JEVDB 主分类 preprint + 自建数据集) = 三十八维框架 + 四层候选观察 + R-100 邻接 1 件(R-96 sqlite-vec + R-97 VectorMaton + R-98 LEANN + R-99 TrieHI + R-100 JEVDB 邻接);

§2.13 §IX 评估方法论与 RAG ≠ 向量 DB 路径(沿用 R-67~R-100 + R-99 §IX 邻接 1 件 56 QPS 持平第十八源锚定候选 + R-98 §IX 邻接 1 件向量检索编码器学习难度第十六源锚定候选 + R-100 §IX 邻接 1 件 TAPs 形式化验证第十九源锚定候选)

R-67 Duck-DocBench +34%;R-68 AAAI 2026 "Keyword search is all you need" arXiv:2602.23368 主轴结案 + Inference Cost Attacks 第七向量;R-72 RAGCap-Bench 细粒度评估方法论;R-76 Benchmark Radar 观察;R-81 清华 AMem 26k+ agent trajectories;R-82 Encore.dev;R-83 Pinecone 失势 + Agentic Search 双锚定;R-88 §2.13 §IX 锚定升级:AAA + 4源锚定 → 五源共鸣 ★★ C = "RAG ≠ 向量 DB + RAG ≠ LLM 知识库标准方案 + RAG 数据层载体非向量路径"九源锚定;R-92 §2.1 §IX 邻接 1 件 Keyword vs Semantic 评估框架(arXiv:2609.37749 · RAG 数据层评估方法论第十源锚定);R-92 §2.13 §IX 综合 = RAG 数据层评估方法论(R-67~R-92)+ KV 优化评估方法论(R-91~R-92)双轴并立;R-95 §2.4.5 §IX 邻接+ 5 RAG 评估体系全貌(评估方法论第十二源锚定候选);RAG 四轴分类学(2610.01936)隐含为第十一源锚定候选;R-96 沿用 RAG 四轴正交性争议 = 评估方法论第十三源锚定候选 + CLM 范式需新评估维度 = 第十四源锚定候选;R-97 沿用 0 新增第十五源锚定候选;R-98 §IX 邻接 1 件 向量检索编码器学习难度第十六源锚定候选(★★ arXiv:2610.02749);R-99 §IX 邻接 1 件 56 QPS 持平第十八源锚定候选;

R-100 §IX 邻接 1 件 arXiv:2610.07665 Mechanizing TAPs · 弱隔离级别事务异常形式化验证(★ · database 理论邻接 · Rocq/Coq 证明助手) = jay 2026-10-09T1505-jay-afternoon-briefing-database-backend-cloudnative-csdn-oct09.md §🔷#3 + https://arxiv.org/html/2610.07665v1 + https://arxiv.org/abs/2610.07665;核心要点:① 首次在 Rocq(Coq 改名后的证明助手)中 machine-checked 形式化验证 Transaction Anomalous Patterns(TAP)及弱隔离级别;② 关键发现:Read Atomicity 隔离级别原始形式化中的两个隐蔽问题 —— incomplete TAP characterization + session guarantee 遗漏;③ 工具链:提供了 Plume 工具链的 TAP-based isolation checking 形式化基础;④ §2.13 §IX 第十九源锚定候选 · 数据库隔离级别理论验证邻接(★);⑤ §2.13 §IX 锚定:与 R-92 Keyword vs Semantic 评估框架(第十源)同构成"评估方法论双视角"(实证框架 vs 理论形式化);⑥ ⚠️ D119 待 R-101+ 跟踪:纯理论工作 · 距工程落地较远 · Rocq/Coq 证明助手的工程社区普及度有限 · 与 R-95 RAG 评估体系的实际联动路径不明确;⑦ O162 新候选 · Mechanizing TAPs 理论工程联动:与 R-95 Ragas/Braintrust 评估体系分属不同层次 · 实际联动路径待挖掘;

§2.13 §IX R-100 综合锚定:RAG 数据层评估方法论(R-67~R-97)+ KV 优化评估方法论(R-91~R-92)双轴并立 + R-98 第十六源(向量检索编码器学习难度)+ R-99 第十八源(56 QPS 持平 · benchmark 配置方法学)+ R-100 第十九源(TAPs 形式化验证 · database 理论)= §2.13 评估方法论十九源框架;

⚠️ O150 R-100 沿用 R-97 O150 评估方法论多元化建议(CLM-specific + Filtered ANN-specific + VectorMaton-specific + HONEYBEE-specific + Bounded Provisional Visibility-specific + TrieHI-specific + 行为保压优选-specific + Swan 存储引擎-specific + JEVDB 语义查询-specific + TAPs 形式化-specific 多元 eval 框架)。

§2.14 综述与历史脉络(沿用 R-47~R-100 + R-98 沿用 0 新增综述 + R-100 沿用 0 新增综述)

R-47 Awesome-Database 综述;R-50 vec2vec/LA2M;R-62 Token-Efficient;R-72 RAGCap-Bench;R-77 ACL 2026 Findings KV Cache Survey + Awesome-KV-Cache-Optimization;R-81 清华 AMem VLDB 2026 综述(26k+ trajectories + 4 retrieval systems + Memprivacy);R-85~R-91 沿用 0 新增;R-91 §2.6 §IX 主+ 1 件 Inference Control Plane 综述(arXiv:2609.23130 · Sisodia 2026-09-19);R-92 §2.6 §IX 主+ 1 件 Dell KV Cache 五大家族综述(arXiv:2603.20397 · Yichun Xu/Navjot K. Khaira/Tejinder Singh · Dell Technologies 2026-03-20 · 24 页 / 14 图);R-94 §2.14 §IX 主+ 1 件 RAG 四轴分类学综述(arXiv:2610.01936v1 · 2026-10-01 · Meghana Sunil et al.);R-95 §2.4 §IX 首次建章 RAG 分类学综述(2610.01936);R-96 ~ R-98 沿用 0 新增综述;R-99 沿用 0 新增综述;R-100 沿用 0 新增综述(R-100 焦点在 §2.4 首次建章 + §2.6 galahad-kv + §2.12 JEVDB + §2.13 TAPs + 工程案例双锚定 + 日期纠正)。

§2.15 LLM × DB 融合十八轴 → 第三十三轴候选 + R-78 AkasicDB 三模态统一候选升级 + R-81 multi-agent 事务一致性 第十八个轴候选(沿用 R-44~R-100 + R-99 §IX 沿用 0 新增第三十一轴候选 + R-100 §IX 沿用 0 新增第三十三轴正式版升级)

R-44 九轴 → R-51 内核级向量集成 + 索引维护 + R-57 关系代数化 + R-58 Agentic Pipeline + R-70 HF 安全第八向量 + R-74 FFX 上游压缩 + Helium DB→Agent 反向外溢 + R-76 MasterControl + R-78 AkasicDB = 第十七轴候选升级(★★★ 双候选并列);R-81 Agentic Transaction 第十八个轴候选(★★★ Multi-Agent Semantic ACID);R-82~R-89 沿用 0 新增;R-90 §2.7 §IX 邻接 1 件 KathDB-FAO = 第二十一轴邻接候选升级;R-91 §2.5 §IX 主+ 1 件 Inference Control Plane 综述 → 第二十六轴候选升级;R-92 §2.6 §IX 主+ 1 件 NVIDIA Dynamo 1.0 编排层 OS → 第二十六轴候选升级强化;R-96 §IX 沿用 0 新增第二十八/二十九轴候选升级;R-97 §IX 沿用 0 新增第二十八/二十九/三十轴候选升级;R-98 §IX 沿用 0 新增第三十一轴候选升级;R-99 §IX 沿用 0 新增第三十三轴候选观察 · VecDB 厂商版本基线扩张;

R-100 §IX §2.15 沿用 R-99 第三十三轴候选观察 · 不升正式版(R-100 焦点在 §2.4 首次建章 + §2.6 galahad-kv + §2.12 JEVDB + §2.13 TAPs + 工程案例双锚定 + 日期纠正,无新增触发第三十三轴正式版升级);⚠️ 待 R-101 评估后再正式升第三十三轴 = Weaviate 1.38/1.39 版本差异 + Qdrant v1.11 稀疏向量更新 + Pinecone 5700 QPS 1.4B GA(Dedicated Read Nodes 2026-04-15)+ R-100 天翼云 + TDSQL-C 国产云 DB 工程案例共同指向 "VecDB 厂商版本路线图成为生产选型新维度" —— 工程案例维度由 R-100 补强但仍待 R-101+ 综合定版;

§3 共识与争议(R-100 沿用 + 2 新增)

§3.1 ~ §3.20 共识与争议(R-19~R-99 沿用,精简段保留于 archive/database-changelog.md)

R-100 新增共识: - 共识 #4(§2.4 存储引擎与 WAL 机制三锚 = 2026 存储引擎并发控制全景):Swan(VLDB 2026 · 混合 MVCC for LSM-Tree KV Stores)+ RCC(arXiv:2607.19697 · redo log 双重用途 · recovery + concurrency control)+ Write-Behind Logging(VLDB 2025 · NVM 字节寻址 · 减少 50% 日志写入)= 2026 存储引擎并发控制三锚——共同代表"MVCC 多版本 + redo log 多功能化 + WAL 协议替代"三维布局;与 R-100 §2.6 galahad-kv 持久化层(在 KV 缓存应用层对比)+ R-100 §2.1 TDSQL-C Log is Database(在云数据库应用层对比)共同形成"存储引擎 / KV 缓存 / 云数据库三视角 redo log 多功能化" - 共识 #5(§2.6 KV 缓存存储三层 = in-memory 复用 + NVMe 持久化 + 内存压缩 + 行为保真):R-77 ACL 2026 Findings KV Cache 存储原语化综述(in-memory 复用)+ R-100 galahad-kv(arXiv:2610.10845 · 50M-token 真实测试 · 100/100 零重计算 · PyPI 可用 · 第三十二维候选 · 第一件生产级组件) + R-99 行为保持压缩(arXiv:2610.06479 · 第三十一维候选)+ R-90 Edge Q4 KV(端侧持久化)= §2.6 KV cache 三十余维矩阵内的三层格局 —— in-memory 复用 / NVMe 持久化 / 内存压缩 · 行为保真作为压缩基础标准

R-100 新增争议: - 争议 #4(国产云 DB 工程案例数据可信度 = 待跨厂商交叉验证):R-100 天翼云冷热分离(1200ms→200ms(↓83%)+ SSD -80%)+ 腾讯云 TDSQL-C Log is Database(IO -60%+ + 法大大 10s→0.2s + 好未来 IT -40%+)= "国产云 DB 厂商数据来源警告"—— 与 R-93 C94 Qdrant 官方 vs Tiger Data 第三方 2.3× 差异警示 + R-96 SALT Q1 2026 + R-99 56 QPS 第三方对比角 + R-100 五源共鸣 · R-100 主张:国产云 DB 厂商数据归"工程参考"不作"选型硬依据" · 待 R-101+ 与阿里云 POLARDB / 华为云 GaussDB / 腾讯云 CynosDB 交叉核验后再升选型决策树版本 - 争议 #5(数据库理论工作 vs 工程实践联动路径不明确 = Mechanizing TAPs 案例):R-100 arXiv:2610.07665 Mechanizing TAPs(Rocq/Coq 形式化验证弱隔离级别 · 2026-10 邻接·★)——纯理论方向 · 与 R-95 RAG 评估体系(Ragas/Braintrust/Evidently AI)分属不同层次 · TAPs 验证的是隔离级别理论 · 工程落地路径与 RAG 评估体系实际关联尚不明确 · R-100 主张:理论工作以"理论邻接"身份归档 · 不与 R-95 评估体系强行联动 · 标注"理论方向 · 工程联动待挖掘"

§4 开放问题(O 列表 · R-100 沿用 + 4 新增)

R-19~R-99 O1~O158 沿用(精简段保留于 archive/database-changelog.md)。

R-100 O159~O162 四新候选: - O159(Swan VLDB 2026 工业落地验证):Swan 发表于 2026-05 距今约 5 个月 · 需 R-101+ 核验 paper_cards 是否已有正式归档记录 · 需观察是否有 Milvus/Qdrant/Pinecone 等 VecDB 厂商采纳 · 是否在 RocksDB/Pebble/LevelDB 等 LSM 衍生存储中集成 - O160(galahad-kv 多硬件复现 + vLLM/SGLang 集成状态):galahad-kv 系 PyPI 可用的第一个生产级 KV 持久化组件 · 需 R-101+ 做小规模本地复现验证(单 H100 + 多 GPU + 多 OS · vLLM 集成状态 · 与 R-91 py-kvcache / R-90 Edge Q4 KV 等对比基准)· 加密 NVMe 性能开销量化 - O161(TDSQL-C "好未来 IT 成本降低 40%+" 统计口径核实):天翼云 + 腾讯云数据未注明独立验证来源 · 与 R-93 C94 2.3× 差异警示同质 · 需 R-101+ 与阿里云 POLARDB / 华为云 GaussDB / 腾讯云 CynosDB 交叉核验 - O162(Mechanizing TAPs 理论工程联动路径):Rocq/Coq 形式化验证在工程社区的普及度有限 · TAPs 与 R-95 Ragas/Braintrust 评估体系的实际联动路径需 R-101+ 跟踪挖掘

§6 引用锚定清单(R-100 锚定)

arXiv ID + URL + DOI + CVE 全集清单如下。完整 URL 全集已归档 archive/database-changelog.md。

R-100 arXiv ID 新增(7 个 + 0 个):新增:2607.19697(RCC redo log 双重用途 · preprint 2026-07)+ 2610.10845(galahad-kv 50M-token 持久化 · 生产级组件 · PyPI 可用)+ 2610.02046(JEVDB Semantic Bloom Filter · Purdue DAISY Lab)+ 2610.07665(Mechanizing TAPs · Rocq/Coq 形式化)+ 2610.10533(EngramEdit · n-gram 条件记忆 · 实际发表 2026-10-09)+ 2610.10507(RECAST · 自适应证据路由 · 实际发表 2026-10-09)+ 2610.10091(ExperienceIndex · artifact 经验记忆 · 实际发表 2026-10-09)

R-19~R-100 arXiv ID 全集 (R-19~R-99 沿用 + R-100 新增 7 个):

arXiv:1704.00028 arXiv:2304.07193 arXiv:2310.11703 arXiv:2407.00079 arXiv:2412.15529 arXiv:2503.09516 arXiv:2504.08930 arXiv:2505.02922 arXiv:2506.08276 arXiv:2506.21901 arXiv:2507.00379 arXiv:2507.06608 arXiv:2508.09442 arXiv:2509.00997 arXiv:2509.12384 arXiv:2509.19767 arXiv:2510.09665 arXiv:2510.13910 arXiv:2510.20082 arXiv:2511.01716 arXiv:2511.01815 arXiv:2511.02230 arXiv:2511.07663 arXiv:2511.16681 arXiv:2512.15659 arXiv:2601.00273 arXiv:2601.02993 arXiv:2601.05047 arXiv:2601.06037 arXiv:2601.06352 arXiv:2601.06362 arXiv:2601.11199 arXiv:2601.11255 arXiv:2601.12658 arXiv:2601.16409 arXiv:2602.00328 arXiv:2602.04430 arXiv:2602.07584 arXiv:2602.11362 arXiv:2602.11443 arXiv:2602.11573 arXiv:2602.14516 arXiv:2602.22805 arXiv:2602.23368 arXiv:2603.02001 arXiv:2603.02081 arXiv:2603.03589 arXiv:2603.04428 arXiv:2603.05451 arXiv:2603.06503 arXiv:2603.08003 arXiv:2603.10765 arXiv:2603.13417 arXiv:2603.16104 arXiv:2603.17223 arXiv:2603.20004 arXiv:2603.20397 arXiv:2603.20576 arXiv:2603.21354 arXiv:2603.23710 arXiv:2603.26670 arXiv:2604.00499 arXiv:2604.03143 arXiv:2604.05480 arXiv:2604.07472 arXiv:2604.16373 arXiv:2604.24971 arXiv:2604.26557 arXiv:2605.00676 arXiv:2605.01280 arXiv:2605.01495 arXiv:2605.05538 arXiv:2605.15957 arXiv:2605.19537 arXiv:2605.26252 arXiv:2605.27220 arXiv:2605.29640 arXiv:2605.31097 arXiv:2606.00610 arXiv:2606.01613 arXiv:2606.01722 arXiv:2606.02643 arXiv:2606.07923 arXiv:2606.08950 arXiv:2606.09824 arXiv:2606.11632 arXiv:2606.14361 arXiv:2606.16817 arXiv:2606.16903 arXiv:2606.18042 arXiv:2606.19803 arXiv:2606.20853 arXiv:2606.24775 arXiv:2606.25393 arXiv:2606.26479 arXiv:2606.26511 arXiv:2606.26560 arXiv:2606.26627 arXiv:2606.26857 arXiv:2606.26968 arXiv:2606.26978 arXiv:2606.27154 arXiv:2606.27282 arXiv:2607.02401 arXiv:2607.02574 arXiv:2607.07696 arXiv:2607.08057 arXiv:2607.08565 arXiv:2607.13276 arXiv:2607.14811 arXiv:2607.15576 arXiv:2607.17715 arXiv:2607.19697 arXiv:2607.22922 arXiv:2607.26497 arXiv:2607.28633 arXiv:2607.29606 arXiv:2608.00650 arXiv:2608.00922 arXiv:2608.01526 arXiv:2608.02870 arXiv:2608.03893 arXiv:2608.04530 arXiv:2608.05412 arXiv:2608.05441 arXiv:2608.05784 arXiv:2608.06043 arXiv:2608.06140 arXiv:2608.07009 arXiv:2608.08097 arXiv:2608.08119 arXiv:2608.08878 arXiv:2608.09214 arXiv:2608.11632 arXiv:2608.12304 arXiv:2608.12365 arXiv:2608.12812 arXiv:2608.12888 arXiv:2608.13010 arXiv:2608.13237 arXiv:2608.13410 arXiv:2608.13900 arXiv:2608.14054 arXiv:2608.14376 arXiv:2608.15389 arXiv:2608.15994 arXiv:2608.16045 arXiv:2608.19652 arXiv:2608.19662 arXiv:2608.19758 arXiv:2608.20317 arXiv:2608.20685 arXiv:2608.21252 arXiv:2608.22339 arXiv:2608.22752 arXiv:2608.23553 arXiv:2608.24622 arXiv:2608.24636 arXiv:2608.25061 arXiv:2608.26021 arXiv:2608.27422 arXiv:2608.31082 arXiv:2609.02143 arXiv:2609.02324 arXiv:2609.03209 arXiv:2609.04971 arXiv:2609.05565 arXiv:2609.05760 arXiv:2609.07782 arXiv:2609.08860 arXiv:2609.08950 arXiv:2609.09002 arXiv:2609.10046 arXiv:2609.10239 arXiv:2609.10266 arXiv:2609.10540 arXiv:2609.11108 arXiv:2609.11115 arXiv:2609.11148 arXiv:2609.11390 arXiv:2609.11596 arXiv:2609.11744 arXiv:2609.11808 arXiv:2609.14889 arXiv:2609.15230 arXiv:2609.17863 arXiv:2609.18501 arXiv:2609.19472 arXiv:2609.19491 arXiv:2609.19657 arXiv:2609.20489 arXiv:2609.20821 arXiv:2609.21346 arXiv:2609.22157 arXiv:2609.23032 arXiv:2609.23130 arXiv:2609.23315 arXiv:2609.24220 arXiv:2609.24430 arXiv:2609.24613 arXiv:2609.24788 arXiv:2609.24971 arXiv:2609.24983 arXiv:2609.24991 arXiv:2609.25199 arXiv:2609.26550 arXiv:2609.27334 arXiv:2609.27746 arXiv:2609.27981 arXiv:2609.28761 arXiv:2609.28870 arXiv:2609.31415 arXiv:2609.32049 arXiv:2609.32259 arXiv:2609.33485 arXiv:2609.34385 arXiv:2609.34727 arXiv:2609.35629 arXiv:2609.36322 arXiv:2609.37725 arXiv:2609.37749 arXiv:2609.38349 arXiv:2609.38886 arXiv:2609.38987 arXiv:2609.39358 arXiv:2610.00544 arXiv:2610.01767 arXiv:2610.01871 arXiv:2610.01936 arXiv:2610.02046 arXiv:2610.02076 arXiv:2610.02196 arXiv:2610.02534 arXiv:2610.02607 arXiv:2610.02749 arXiv:2610.03130 arXiv:2610.03625 arXiv:2610.03651 arXiv:2610.04596 arXiv:2610.04616 arXiv:2610.04722 arXiv:2610.04749 arXiv:2610.05162 arXiv:2610.05336 arXiv:2610.05622 arXiv:2610.05782 arXiv:2610.05826 arXiv:2610.05833 arXiv:2610.05842 arXiv:2610.05949 arXiv:2610.05912 arXiv:2610.06207 arXiv:2610.06479 arXiv:2610.06666 arXiv:2610.06679 arXiv:2610.07191 arXiv:2610.07250 arXiv:2610.07332 arXiv:2610.07384 arXiv:2610.07665 arXiv:2610.07753 arXiv:2610.07863 arXiv:2610.08077 arXiv:2610.08244 arXiv:2610.08432 arXiv:2610.08452 arXiv:2610.08463 arXiv:2610.08571 arXiv:2610.08630 arXiv:2610.08674 arXiv:2610.08902 arXiv:2610.08995 arXiv:2610.09127 arXiv:2610.09228 arXiv:2610.09421 arXiv:2610.09684 arXiv:2610.09832 arXiv:2610.10091 arXiv:2610.10164 arXiv:2610.10170 arXiv:2610.10507 arXiv:2610.10515 arXiv:2610.10533 arXiv:2610.10845 arXiv:2610.11528 arXiv:2610.11899 arXiv:2610.12085 arXiv:2610.12312 arXiv:2610.12415

R-100 URL 新增(8 个): https://dl.acm.org/doi/abs/10.14778/3819518.3819528 https://arxiv.org/pdf/2607.19697 https://www.vldb.org/pvldb/vol10/p337-arulraj.pdf https://arxiv.org/abs/2610.10845 https://www.ctyun.cn/developer/article/816562341011525 https://cloud.tencent.com/developer/article/2677646 https://arxiv.org/abs/2610.02046 https://arxiv.org/abs/2610.07665 https://www.openpr.com/news/4639838

DOI (去重 · R-100 沿用 R-98 ~ R-99 25~30 unique + R-100 新增 2 个):

10.14778/3819518.3819528 10.14778/3819518.3819528(Swan 10.1145/3773772 10.1145/3773772(Mooncake 10.14778/3796195.3796212 10.14778/3827998.3828060 10.14778/3828612.3828623 10.14778/3836663.3836726 10.48550/arXiv.2603.05451 10.48550/arXiv.2603.05451(FA-4) 10.48550/arXiv.2604.24971 10.48550/arXiv.2608.09214 10.48550/arXiv.2608.12365 10.48550/arXiv.2608.20685 10.48550/arXiv.2608.20685(MemStrata) 10.48550/arXiv.2608.22752 10.48550/arXiv.2608.22752(Compaction 10.48550/arXiv.2609.03209 10.48550/arXiv.2609.33485 10.48550/arXiv.2609.33485(DISCO) 10.48550/arXiv.2609.35629 10.48550/arXiv.2609.35629(SANTA 10.48550/arXiv.2610.01871 10.48550/arXiv.2610.01871(ImmRAG 10.48550/arXiv.2610.01936 10.48550/arXiv.2610.01936(RAG 10.48550/arxiv.2601.11199 10.48550/arxiv.2601.11199(SD-RAG) 10.48550/arxiv.2606.26511 10.48550/arxiv.2609.03209 10.48550/arxiv.2609.24971 10.48550/arxiv.2609.26550 10.48550/arxiv.2609.27334 10.48550/arxiv.2609.33485 10.48550/arxiv.2609.37725 10.48550/arxiv.2609.37725(CLM) 10.48550/arxiv.2610.01871 10.48550/arxiv.2610.01871(ImmRAG) 10.48550/arxiv.2610.01936 10.48550/arxiv.2610.01936(RAG

CVE: CVE-2026-3172 CVE-2026-4372 CVE-2026-64162 CVE-2026-65617(沿用 R-87 4 个 · R-100 新增 0)

§5 趋势(R-100 沿用 + 2 新增)

R-19~R-99 trend 1~104 沿用(精简段保留于 archive/database-changelog.md)。

R-100 trend 105~106 二新趋势: - trend 105(§2.4 存储引擎并发控制三锚 · MVCC 多版本 + redo log 多功能化 + WAL 协议替代 · 2026 数据库存储引擎重要年份):Swan(VLDB 2026 · 混合 MVCC for LSM-Tree)+ RCC(arXiv:2607.19697 · redo log 双重用途 · recovery + concurrency control)+ Write-Behind Logging(VLDB 2025 · NVM 字节寻址 · 减少 50% 日志写入)= §2.4 首次建章 · 2026 存储引擎并发控制全景——将 R-89~R-99 沿革中分散的存储引擎元素(Swan 历史遗漏 + RCC preprint + WBL 历史 VLDB 提及)聚合为独立 §2.4 章节观察视角 · 主张 MVCC(多版本)+ redo log(多功能化)+ WAL(协议替代)三维并发控制全景 · 与 R-100 §2.6 galahad-kv 持久化层 + R-100 §2.1 TDSQL-C Log is Database 共同形成"存储引擎 / KV 缓存 / 云数据库三视角 redo log 多功能化" - trend 106(galahad-kv · 第一件生产级 KV 持久化 PyPI 包 · 50M-token 真实测试突破 H100 80GB VRAM 上限):arXiv:2610.10845 · Gemma 4 12B/31B + vLLM 单 H100 · 100/100 探测块零重计算 · 与 R-77 ACL 2026 Findings KV Cache 综述 + R-90 Edge Q4 KV 端侧 + R-99 行为保持压缩共同形成"KV 缓存存储三层"(in-memory 复用 / NVMe 持久化 / 内存压缩 · 行为保真)· §2.11 §IX 第三十二维候选 = "KV 持久化"评估维度 · §2.12 §IX 邻接 1 件 · 主张 AI 应用第一次有了公开的、可用 pip 安装的"KV state 持久化"生产级组件 — 与 LMCache / Mooncake / py-kvcache 等系统级组件形成新的"开源可独立部署 KV 持久化"赛道

R-19~R-100 URL 完整清单(沿用 R-19~R-99 完整清单 + R-100 新增 8 个 · 共 384 个): https://arxiv.org/abs/2610.01936 https://arxiv.org/abs/2610.01871 https://arxiv.org/abs/2609.32259 https://arxiv.org/abs/2609.33485 https://arxiv.org/abs/2609.38886 https://arxiv.org/abs/2609.38987 https://arxiv.org/abs/2610.02196 https://arxiv.org/abs/2610.00544 https://jacar.es/en/mcp-model-context-protocol-in-2026-the-complete-guide-for-engineering-teams https://slavadubrov.github.io/blog/2026/03/24/ai-agent-tool-use https://www.kunalganglani.com/blog/mcp-vs-function-calling https://dev.to/actiandev/whats-changing-in-vector-databases-in-2026-3pbo https://theaiengineer.substack.com/p/the-agents-stack-2026-edition https://arxiv.org/abs/2603.20397 https://arxiv.org/abs/2609.35629 https://arxiv.org/abs/2609.34385 https://arxiv.org/abs/2609.37749 https://github.com/ai-dynamo/dynamo https://2026.sigmod.org/sigmod-awards/sigmod-best-paper-award https://2026.sigmod.org/sigmod_awards.shtml https://2026.sigmod.org/sigmod_invited_talks.shtml https://2026.sigmod.org/sigmod_papers.shtml https://acecloud.ai https://acecloud.ai/blog/best-vector-databases-for-multimodal-genai https://actian.com https://actian.com/blog/databases/how-to-evaluate-vector-databases-in-2026 https://aiforautomation.io https://aiforautomation.io/news/2026-03-19-openviking-context-database-ai-agents-16k-stars https://aiml.qa/vector-database-comparison-2026 https://alphacorp.ai https://alphacorp.ai/blog/best-vector-databases-for-rag-2026-top-7-picks https://alphaxiv.org/abs/2608.15994 https://amazon.science/publications/keyword-search-is-all-you-need https://arxiv.org/abs/2407.00079(R-91 https://arxiv.org/abs/2505.02922 https://arxiv.org/abs/2507.00379 https://arxiv.org/abs/2507.00379v1 https://arxiv.org/abs/2507.06608 https://arxiv.org/abs/2507.06608v3 https://arxiv.org/abs/2510.13910 https://arxiv.org/abs/2510.13910v2 https://arxiv.org/abs/2511.01716v2 https://arxiv.org/abs/2602.22805v1 https://arxiv.org/abs/2602.23368 https://arxiv.org/abs/2602.23368v1 https://arxiv.org/abs/2603.03589 https://arxiv.org/abs/2603.05451 https://arxiv.org/abs/2603.13417v1 https://arxiv.org/abs/2603.16104 https://arxiv.org/abs/2603.20004 https://arxiv.org/abs/2603.20576 https://arxiv.org/abs/2603.23710 https://arxiv.org/abs/2604.05480v1 https://arxiv.org/abs/2605.15957 https://arxiv.org/abs/2605.29640 https://arxiv.org/abs/2605.29640v3 https://arxiv.org/abs/2605.31097 https://arxiv.org/abs/2606.00610 https://arxiv.org/abs/2606.02643 https://arxiv.org/abs/2606.02643v1 https://arxiv.org/abs/2606.07923 https://arxiv.org/abs/2606.14361 https://arxiv.org/abs/2606.16903 https://arxiv.org/abs/2606.19803 https://arxiv.org/abs/2606.20853 https://arxiv.org/abs/2606.24775 https://arxiv.org/abs/2607.02401 https://arxiv.org/abs/2607.07696 https://arxiv.org/abs/2607.08057 https://arxiv.org/abs/2607.13276 https://arxiv.org/abs/2607.14811 https://arxiv.org/abs/2607.17715 https://arxiv.org/abs/2607.28633v2 https://arxiv.org/abs/2608.00650 https://arxiv.org/abs/2608.01526 https://arxiv.org/abs/2608.02870 https://arxiv.org/abs/2608.04530 https://arxiv.org/abs/2608.05412 https://arxiv.org/abs/2608.05441 https://arxiv.org/abs/2608.05784 https://arxiv.org/abs/2608.06043 https://arxiv.org/abs/2608.06140 https://arxiv.org/abs/2608.07009 https://arxiv.org/abs/2608.08097 https://arxiv.org/abs/2608.09214 https://arxiv.org/abs/2608.09214v1 https://arxiv.org/abs/2608.11632 https://arxiv.org/abs/2608.12365 https://arxiv.org/abs/2608.12888 https://arxiv.org/abs/2608.13900 https://arxiv.org/abs/2608.14376v1 https://arxiv.org/abs/2608.15389 https://arxiv.org/abs/2608.15994 https://arxiv.org/abs/2608.19652 https://arxiv.org/abs/2608.20317 https://arxiv.org/abs/2608.20685 https://arxiv.org/abs/2608.21252 https://arxiv.org/abs/2608.22339 https://arxiv.org/abs/2608.23553 https://arxiv.org/abs/2608.24622 https://arxiv.org/abs/2608.24636

https://arxiv.org/abs/2608.25061 https://arxiv.org/abs/2608.26021 https://arxiv.org/abs/2608.27422 https://arxiv.org/abs/2608.31082 https://arxiv.org/abs/2609.02143 https://arxiv.org/abs/2609.02143v1 https://arxiv.org/abs/2609.02324 https://arxiv.org/abs/2609.02324v1 https://arxiv.org/abs/2609.03209 https://arxiv.org/abs/2609.04971 https://arxiv.org/abs/2609.05565 https://arxiv.org/abs/2609.08860 https://arxiv.org/abs/2609.08950 https://arxiv.org/abs/2609.09002 https://arxiv.org/abs/2609.10046 https://arxiv.org/abs/2609.10239 https://arxiv.org/abs/2609.10266 https://arxiv.org/abs/2609.10266v1 https://arxiv.org/abs/2609.10540 https://arxiv.org/abs/2609.11108 https://arxiv.org/abs/2609.11115 https://arxiv.org/abs/2609.11148 https://arxiv.org/abs/2609.11390 https://arxiv.org/abs/2609.11596 https://arxiv.org/abs/2609.11744 https://arxiv.org/abs/2609.11808 https://arxiv.org/abs/2609.17863 https://arxiv.org/abs/2609.18501 https://arxiv.org/abs/2609.19472 https://arxiv.org/abs/2609.19491 https://arxiv.org/abs/2609.19657 https://arxiv.org/abs/2609.20489 https://arxiv.org/abs/2609.20821 https://arxiv.org/abs/2609.21346 https://arxiv.org/abs/2609.22157 https://arxiv.org/abs/2609.23130 https://arxiv.org/abs/2609.24991 https://arxiv.org/abs/2609.28870 https://arxiv.org/abs/2609.31415v1 https://arxiv.org/abs/2609.32049 https://arxiv.org/abs/2609.34727 https://arxiv.org/abs/2609.37725v1 https://arxiv.org/abs/2609.37749 https://arxiv.org/abs/2609.38886v1 https://arxiv.org/abs/2609.38987v1 https://arxiv.org/abs/2610.01767 https://arxiv.org/abs/2610.01767v1 https://arxiv.org/abs/2610.01871 https://arxiv.org/abs/2610.01871v1 https://arxiv.org/abs/2610.01936 https://arxiv.org/abs/2610.01936v1 https://arxiv.org/abs/2610.02046 https://arxiv.org/abs/2610.02534 https://arxiv.org/abs/2610.02534v1 https://arxiv.org/abs/2610.02607 https://arxiv.org/abs/2610.02749 https://arxiv.org/abs/2610.02832 https://arxiv.org/abs/2610.03130 https://arxiv.org/abs/2610.03625 https://arxiv.org/abs/2610.03651 https://arxiv.org/abs/2610.04596 https://arxiv.org/abs/2610.05336 https://arxiv.org/abs/2610.05833v1 https://arxiv.org/abs/2610.06479 https://arxiv.org/abs/2610.06479v1 https://arxiv.org/abs/2610.07191 https://arxiv.org/abs/2610.07665v1 https://arxiv.org/abs/2610.07863 https://arxiv.org/abs/2610.08571 https://arxiv.org/abs/2610.08902 https://arxiv.org/abs/2610.09127 https://arxiv.org/abs/2610.09228 https://arxiv.org/abs/2610.09421 https://arxiv.org/abs/2610.09832 https://arxiv.org/abs/2610.10091 https://arxiv.org/abs/2610.10091v1 https://arxiv.org/abs/2610.10507 https://arxiv.org/abs/2610.10507v1 https://arxiv.org/abs/2610.10515 https://arxiv.org/abs/2610.10533 https://arxiv.org/abs/2610.10845 https://arxiv.org/html/2507.06608v3 https://arxiv.org/html/2511.02230v7 https://arxiv.org/html/2603.03589v3 https://arxiv.org/html/2603.04428v1 https://arxiv.org/html/2604.03143v1 https://arxiv.org/html/2605.29640v3 https://arxiv.org/html/2608.01526v1 https://arxiv.org/html/2608.09214v1 https://arxiv.org/html/2608.12365v1 https://arxiv.org/html/2608.25061v2 https://arxiv.org/html/2609.03209v1 https://arxiv.org/html/2609.05565v1 https://arxiv.org/html/2609.08950v1 https://arxiv.org/html/2609.09002v1 https://arxiv.org/html/2609.14889v1 https://arxiv.org/html/2609.23032v1 https://arxiv.org/html/2609.23130v1 https://arxiv.org/html/2609.23315 https://arxiv.org/html/2609.28761v1 https://arxiv.org/html/2609.38886v1 https://arxiv.org/pdf/2603.03589 https://arxiv.org/pdf/2603.03589v3 https://arxiv.org/pdf/2603.16104 https://arxiv.org/pdf/2609.08950 https://arxiv.org/pdf/2609.09002 https://arxiv.org/pdf/2609.11390 https://arxiv.org/pdf/2609.19657 https://arxiv.org/pdf/2609.21346 https://atlan.com/know/knowledge-graphs-vs-rag-for-ai https://aws.amazon.com/blogs/database https://badrish.net/papers/garnet-vldb2026.pdf https://bifold.berlin/news-events https://bifold.berlin/news-events/news/view/news-detail/vldb-2026-conference-contributions https://birjob.com https://blog.bytebytego.com/p/how-databases-keep-their-sanity-with https://blog.bytebytego.com/p/how-openai-built-gpt-live https://blog.bytebytego.com/p/the-life-of-data-from-creation-to https://blog.cloudflare.com/vectorize-product https://blog.premai.io/llm-inference-servers-compared-vllm-vs-tgi-vs-sglang-vs-triton-2026 https://blog.vllm.ai/2025/10/26/sleep-mode.html https://blogs.nvidia.com/blog/nvidia-to-acquire-hugging-face https://blogs.oracle.com/developers/agent-memory-is-a-database-problem https://braintrust.dev/articles/best-vector-databases-for-rag-2026 https://buzzgrewal.medium.com https://buzzgrewal.medium.com/ai-agents-dont-need-vector-search-anymore-inside-the-agentic-search-stack-replacing-rag-in-2026-58efcabe4f6f https://bytebase.com https://callsphere.ai/blog/td30-fw-pgvector-0-9 https://cloudai.pt/vllm-vs-tgi-benchmarks-throughput-numbers-that-matter https://cloudian.com https://cloudian.com/guides/ai-infrastructure/vector-database-for-llm-use-cases-and-notable-dbs-in-2026 https://computingforgeeks.com/qdrant-weaviate-milvus-pgvector https://cryptobriefing.com/perplexity-cobbledb-batch-read-latency https://csdn.net/article/2026-08-24/164021044 https://datacamp.com/blog/the-top-5-vector-databases https://datastudios.org/Weaviate-v1-24 https://datatracker.ietf.org/doc/html/draft-li-cats-kv-cache-distribution-00 https://deploybase.ai/articles/best-llm-inference-engine https://deploybase.ai/articles/sglang-vs-vllm https://dev.to/actiandev https://dev.to/pratikpathak/top-vector-databases-for-ai-agents-a-2026-developer-guide-436k https://developers.cloudflare.com/vectorize https://developers.redhat.com/articles/2026/04/23/deploy-openviking-openshift-ai-improve-ai-agent-memory https://devtoolswatch.com/en/postgresql-vs-mysql-2026 https://docs.cloud.google.com/sql/docs/release-notes https://doi.org/10.48550/arXiv.2604.24971 https://duckdb.org/library/rethinking https://duckdb.org/library/rethinking-analytical-processing-in-the-gpu-era https://emptysqua.re/blog/sigmod-2026 https://en.wikipedia.org/wiki/2026_OpenAI_agent_cyberattacks https://encore.dev/blog/you-probably-dont-need-a-vector-database https://f22labs.com/blogs/qdrant-vs-milvus https://firecrawl.dev https://firecrawl.dev/blog/best-vector-databases https://forum.langchain.com/t/post-retrieval-temporal-decay-how-are-you-handling-stale-context-in-production-rag-pipelines/3968 https://futurumgroup.com/insights/oracle-positions-ai-database-26ai https://github.com/OpenDataBox/MemoryData https://github.com/atlarge-research/py-kvcache https://github.com/dais-polymtl/ffx https://github.com/dais-polymtl/sqlmorph https://github.com/dimknaf/braindb https://github.com/jjiantong/Awesome-KV-Cache-Optimization https://github.com/kvcache-ai/Mooncake https://github.com/lancedb/lancedb https://github.com/lmcache/lmcache https://github.com/malisper/pgrust https://github.com/microsoft/garnet https://github.com/microsoft/retrievalattention https://github.com/pgrundev/pgbot https://github.com/priyanthan07/CortexKG https://github.com/purduedb/PostgreSQL-V https://github.com/rohitg00/ai-engineering-from-scratch https://github.com/rucdatascience https://github.com/timescale/pgvectorscale https://github.com/trending https://github.com/vllm-project/vllm/issues/48168 https://github.com/volcengine/OpenViking https://github.com/zilliz/VectorDBBench https://hotinfra.org/2026/papers/hotinfra26-final59.pdf https://huggingface.co/blog/agent-intrusion-technical-timeline https://huggingface.co/blog/jeffboudier/open-model-cyber-defense https://huggingface.co/blog/multi-vector-encoder https://huggingface.co/blog/state-of-open-models-summer-2026 https://huggingface.co/papers/2609.03209 https://icde2026.github.io/demo-papers.html https://inferenceengineering.tech/learn/vllm-vs-sglang-vs-tensorrt-llm https://kalviumlabs.ai/blog/vector-databases-compared-pgvector-pinecone-qdrant-weaviate https://labs.cloudsecurityalliance.org/research/csa-research-note-huggingface-autonomous-agent-breach-202607 https://labs.cloudsecurityalliance.org/research/researche-huggingface-autonomous-agent-breach-202607 https://lakefs.io https://lakefs.io/blog/best-vector-databases https://lancedb.com https://lbeh.me/pdf/FedAugment.pdf https://lecompute.fr/en/runtimes/kv-cache-objet-central-serving https://medium.com https://medium.com/@allahverdiyev.tural https://medium.com/@pratik-rupareliya/top-15-vector-databases-in-2026-a-production-decision-guide-from-100-enterprise-deployments-dd58a04f51a5 https://medium.com/data-science-collective https://medium.com/data-science-collective/vector-databases-are-dying-heres-the-production-evidence-8c17b54687e2 https://meta-intelligence.tech/insight-on-premise-llm-deployment https://microsoft.com/en-us/research/project/garnet/publications https://microsoft.github.io/garnet/docs https://mlflow.org/articles/the-role-of-kubernetes-in-ai-serving-2026-guide https://modelcontextprotocol.io https://myhuiban.com/conference/153 https://newsletter.systemdesign.one https://novasworkshop.org https://olostep.com/blog/best-vector-database https://onlinetools4free.com/research/database-comparison-guide-2026 https://openai.com/index/hugging-face-incident-and-the-road-ahead https://openreview.net/pdf/005cfc1b04923abefc64df3509d9ac16eeb619ce.pdf https://opentrain.ai/papers/temporal-validity-on-real-software-histories-eliminating-stale-fact-errors-in-co--arxiv-2608-20685 https://oracle.com/news/announcement/oracle-unveils-ai-database-agentic-innovations-2026-03-24 https://papers.cool/arxiv/2608.27422 https://pecollective.com/tools/pgvector https://percona.com https://pigsty.io https://postgresql.org https://pytorch.org/blog/vllm-sessions-at-pytorch-conference-north-america-2026 https://qdrant.tech/articles/turboquant-quantization https://qdrant.tech/blog/qdrant-1.18.x https://ranksquire.com/2026/05/27/vector-database-news-may-2026 https://raven.io/blog/hugging-face-incident https://repost.aws/questions/QUmElBpBYvR8-72puzj5gb0A/next-aurora-postgres-db-update-for-pgvector-0-8-0 https://rmarcus.info/dbscholar/papers/h40af68894f2f286c https://salttechno.ai https://salttechno.ai/datasets/vector-database-performance-benchmark-2026 https://designgurus.substack.com/p/how-to-choose-a-database-in-system https://designgurus.substack.com/p/a-crash-course-on-databases-for-system https://www.ctyun.cn/developer/article/816562341011525 https://cloud.tencent.com/developer/article/2677646 https://www.openpr.com/news/4639838 https://salttechno.ai/datasets/vector-database-performance-benchmark-2026 https://sarthakai.substack.com https://sarthakai.substack.com/p/making-an-ai-agent-production-ready https://sembench.github.io/SemBench https://sentra.app/articles/why-rag-fails https://shattered.io https://spheron.network/blog/deploy-flashinfer-gpu-cloud-llm-inference-kernels https://spheron.network/blog/kubernetes-gpu-orchestration-2026 https://spheron.network/blog/llm-inference-optimization-2026 https://substack.com/micheallanham https://swapniltalekar.substack.com https://swapniltalekar.substack.com/p/rag-for-agentic-era https://techcrunch.com/2026/09/03/nvidia-confirms-it-will-buy-hugging-face-for-12-9-billion https://techtimes.com/articles/325476 https://tencentcloud.csdn.net/69ea9eb80a2f6a37c5a4cb48.html https://tessell.com https://tfir.io/kubernetes-ai-infrastructure-2026-vcluster https://tfrir.io/kubernetes-ai-infrastructure-2026-vcluster https://tigerdata.com https://tigerdata.com/blog/pgvector-vs-qdrant https://towardsdatascience.com/qdrant-turboquant-explained-is-turboquant-the-silver-bullet https://towardsdatascience.com/rag-is-blind-to-time-i-built-a-temporal-layer-to-fix-it-in-production https://tu.berlin/en/dima/news-details/paper-fedaugment- https://turion.ai/blog/vllm-vs-sglang-inference-comparison-2026 https://vecdb-ws.github.io/vldb2026 https://venturebeat.com https://vldb.org/2026/conference-awards.html https://vldb.org/2026/demonstrations.html https://vldb.org/2026/keynotes.html https://vldb.org/2026/program.html https://vldb.org/pvdb/vol19/p3799-phani.pdf https://vldb.org/pvdb/vol19/p4538-ovcharenko.pdf https://vldb.org/pvldb/vol19/p3799-phani.pdf https://vldb.org/pvldb/vol19/p4538-ovcharenko.pdf https://vllm.ai/blog https://vllm.ai/events/vllm-conference/2026 https://www.actian.com/blog/databases/how-to-evaluate-vector-databases-in-2026 https://www.alphaxiv.org/abs/2608.25061 https://www.amazon.science/publications/keyword-search-is-all-you-need https://www.ayautomate.com/blog/best-embedding-models https://www.cncf.io/blog/2026/03/24/welcome-llm-d-to-the-cncf-evolving-kubernetes-into-sota-ai-infrastructure https://www.cs.purdue.edu/homes/csjgwang/pubs https://www.csdn.net/article/2026-08-24/164021044 https://www.digitalapplied.com/blog/kv-cache-optimization-techniques-2026-engineering-guide https://www.digitalapplied.com/blog/most-downloaded-open-ai-models-hugging-face-september-2026 https://www.f22labs.com/blogs/qdrant-vs-milvus https://www.gartner.com/en/documents/7444326 https://www.huggingface.co/blog https://www.instaclustr.com/education/vector-database/pgvector-vs-qdrant-5-key-differences-and-how-to-choose https://www.kalviumlabs.ai/blog/vector-databases-compared-pgvector-pinecone-qdrant-weaviate https://www.kunalganglani.com/blog/postgresql-vs-mysql-2026 https://www.opentrain.ai/papers/temporal-validity-on-real-software-histories-eliminating-stale-fact-errors-in-co--arxiv-2608-20685 https://www.salttechno.ai/datasets/vector-database-performance-benchmark-2026 https://www.spheron.network/blog/kubernetes-gpu-orchestration-2026 https://www.spheron.network/blog/llm-inference-optimization-2026 https://www.tensormesh.ai/learn/vllm-vs-sglang https://www.tigerdata.com/blog/pgvector-vs-qdrant https://www.tu.berlin/en/dima/news-details/paper-fedaugment- https://x.com/AravSrinivas/status/2099957318935028173 https://x.com/UFCS/status/2087102709715394571 https://x.com/_reachsumit/status/2098250368165794178 https://x.com/perplexity_ai/status/2099955628194316346 https://youngju.dev https://zenn.dev/retrieva_tech https://zenn.dev/retrieva_tech/articles/f4386f6b246b34 https://dl.acm.org/doi/abs/10.14778/3819518.3819528 https://arxiv.org/pdf/2607.19697 https://www.vldb.org/pvldb/vol10/p337-arulraj.pdf https://arxiv.org/abs/2610.10845

R-100 URL 补强列表(8 个 · 沿用 R-99 沿革段叙述): https://dl.acm.org/doi/abs/10.14778/3819518.3819528 https://arxiv.org/pdf/2607.19697 https://www.vldb.org/pvldb/vol10/p337-arulraj.pdf https://arxiv.org/abs/2610.10845 https://www.ctyun.cn/developer/article/816562341011525 https://cloud.tencent.com/developer/article/2677646 https://arxiv.org/abs/2610.02046 https://arxiv.org/abs/2610.07665

R-99 + 早前轮次 URL 补强(沿革保留 · R-100 §IX 引用): https://turbopuffer.com/blog/rip-vector-database https://medium.com/@wasowski.jarek/i-benchmarked-6-vector-databases-for-rag-none-wins-everywhere-in-2026-900971966b7d https://particula.tech/blog/turbopuffer-vs-pinecone-vector-database-migration https://www.firecrawl.dev/blog/best-vector-databases https://qdrant.tech/blog/qdrant-fineweb-10b-release https://qdrant.tech/course/essentials/day-3/sparse-retrieval-demo https://qdrant.tech/course/essentials/day-3/hybrid-search-demo https://weaviate.io/blog/accelerate-enterprise-ai https://ranksquire.com/2026/04/22/weaviate-cloud-pricing-2026 https://tech-insider.org/pinecone-vs-weaviate-vs-qdrant-2026 https://www.elastic.co/search-labs/blog/vector-search-benchmark-elasticsearch-qdrant https://github.com/facebookresearch/context-language-models https://arxiv.org/abs/2601.11199 https://arxiv.org/abs/2602.11443 https://arxiv.org/abs/2603.01525 https://arxiv.org/abs/2506.08276 https://arxiv.org/abs/2605.01495 https://arxiv.org/abs/2609.37725 https://arxiv.org/abs/2609.38349 https://cncf.io https://coddykit.com/pages/blog-detail?id=513015 https://www.prnewswire.com/news-releases/supabase-announces-150m-in-new-funding-and-turso-acquisition-302896752.html

本次变更

• Wave2 E1 第一百轮(2026-10-09 20:40 · jay · R-100): §2.4 存储引擎与 WAL 机制首次建章三锚(Swan 混合 MVCC for LSM-Tree VLDB 2026 + RCC redo log 双重用途 arXiv:2607.19697 + Write-Behind Logging NVM 字节寻址 VLDB 2025 Pavlo 团队)+ §2.6 galahad-kv 50M-token KV state 持久化到加密 NVMe · PyPI 可用生产级组件 · arXiv:2610.10845 · §2.11 第三十二维候选 + §2.12 JEVDB Semantic Bloom Filter + LLM 集成 SQL · arXiv:2610.02046 · Purdue DAISY Lab + §2.13 Mechanizing TAPs Rocq/Coq 形式化验证弱隔离级别 · arXiv:2610.07665 · 评估方法论第十九源锚定候选 + §2.1 工程案例双锚定(天翼云冷热分离 1200ms→200ms(↓83%)+ SSD -80% + 腾讯云 TDSQL-C Log is Database IO -60%+ + 法大大 10s→0.2s + 好未来 IT -40%+)+ R-100 日期纠正(EngramEdit 2610.10533 + RECAST 2610.10507 + ExperienceIndex 2610.10091 实际发表日期为 2026-10-09 而非 R-100 错误标注的 2026-10-08) · 0 主+ · 8 邻接 net = 8 件增量(arXiv 7 个新增 2607.19697 + 2610.10845 + 2610.02046 + 2610.07665 + 2610.10533 + 2610.10507 + 2610.10091);§2.1 §IX 邻接 2 件工程案例(天翼云冷热分离 1200ms→200ms ↓83% + SSD -80% + 腾讯云 TDSQL-C Log is Database IO -60%+ + 法大大 10s→0.2s + 好未来 IT -40%+ 国产云 DB 厂商案例双锚 + D114 待 R-101+ 阿里云 POLARDB / 华为云 GaussDB / 腾讯云 CynosDB 交叉核验 + TDSQL-C "好未来 40%+ 数据"统计口径未注明 O161)+ §2.4 §IX 首次建章 3 件(Swan VLDB 2026 混合 MVCC for LSM-Tree KV Stores · 5 个月历史遗漏归档 + 主分类 database systems · C114 新候选 + D115 待 R-101+ paper_cards 核验 + 工业落地观察 + RCC arXiv:2607.19697 redo log 双重用途 recovery+concurrency control · preprint 阶段 + Write-Behind Logging VLDB 2025 NVM 字节寻址 减少 50% 日志写入 · CMU/Purdue Pavlo 团队 = §2.4 "2026 存储引擎并发控制全景" MVCC 多版本 + redo log 多功能化 + WAL 协议替代)+ §2.6 §IX 邻接 1 件 arXiv:2610.10845 galahad-kv(★★★ 主分类 llm-infra · 50M-token 真实测试 · vLLM + Gemma 4 12B/31B 单 H100 · 100/100 探测块零重计算 · PyPI galahad-kv 可用 · §2.6 §IX 邻接 + §2.11 §IX 第三十二维候选扩展 "KV 持久化"评估维度 · 与 R-77 ACL 2026 Findings KV Cache 综述 + R-99 行为保真压缩共同构成"KV 缓存存储三层" in-memory 复用/NVMe 持久化/内存压缩 · C115 新候选 · D117 待 R-101+ 多硬件复现 + vLLM 集成状态 + 加密性能开销量化)+ §2.12 §IX 邻接 1 件 arXiv:2610.02046 JEVDB(★★ Semantic Bloom Filter + LLM 集成 SQL · Purdue DAISY Lab · Shelob 540K 候选 95.7-97.5% F1 + 提前裁剪 87.4% + SemBench 验证 · §2.12 §IX 邻接锚定 · 与 R-98 EngramEdit + R-100 galahad-kv + R-100 RECAST + R-100 ExperienceIndex 共同构成 "RAG 数据层记忆外部化五路径" 语义过滤/n-gram 解耦/KV 持久化/跨源计算/artifact 经验 · C116 新候选 · D118 待 R-101+ Shelob 数据集与 TPC-DS 标准化对比 + 大规模验证)+ §2.13 §IX 邻接 1 件 arXiv:2610.07665 Mechanizing TAPs(★ Rocq/Coq 形式化验证弱隔离级别 · Read Atomicity 原始形式化发现两个隐蔽问题 · Plume 工具链 · 评估方法论第十九源锚定候选 · 与 R-92 Keyword vs Semantic 第十源同构成 "评估方法论双视角" 实证框架 vs 理论形式化 · D119 待 R-101+ 理论工程联动路径挖掘 + O162 工程社区普及度)+ §2.11 §IX 第三十二维候选矩阵扩展(KV 持久化维度 · 与 R-91 第二十六维 KV复用准确性元批评 + R-93 Phase Sensitivity 第二十八维 + R-99 行为保真压缩第三十一维并列)+ §2.15 §IX 沿用 R-99 第三十三轴候选观察(待 R-101+ 综合定版 = Weaviate 1.38/1.39 + Qdrant v1.11 + Pinecone 5700 QPS 1.4B GA + R-100 工程案例补强但不升正式版)+ §3 共识 #4 §2.4 存储引擎与 WAL 机制三锚 = 2026 存储引擎并发控制全景 + 共识 #5 §2.6 KV 缓存存储三层 = in-memory 复用 + NVMe 持久化 + 内存压缩 · 行为保真 + 争议 #4 国产云 DB 工程案例数据可信度 = 待跨厂商交叉验证 + 争议 #5 数据库理论工作 vs 工程实践联动路径不明确 + O159 Swan 工业落地验证 + O160 galahad-kv 多硬件复现 + O161 TDSQL-C 好未来 40% 数据统计口径核实 + O162 Mechanizing TAPs 理论工程联动 + trend 105 §2.4 存储引擎并发控制三锚 MVCC 多版本 + redo log 多功能化 + WAL 协议替代 · 2026 数据库存储引擎重要年份 + trend 106 galahad-kv 第一件生产级 KV 持久化 PyPI 包 50M-token 真实测试突破 H100 80GB VRAM 上限 + 候选(κ)★第五十维持(R-100 焦点在 §2.4 首次建章 + §2.6 galahad-kv 第一件生产级组件 + §2.12 JEVDB 端到端工程路径邻接 + §2.13 TAPs 形式化邻接 + 工程案例双锚定 + 日期纠正不触发升级路径)。本次窗口 Oct 8 20:20 ~ Oct 9 20:20 CST 检查范围 ~50+ 份来源(jay 14 件 inbox = 2026-10-09-database-e1prep.md 主增量源 8 条 + 2026-10-09T0910-jay-database-backend-cloudnative-engineering.md 主增量源 Swan/RCC/WBL/数据库内核/云原生工程主源 5 件 + 2026-10-09T1505-jay-afternoon-briefing-database-backend-cloudnative-csdn-oct09.md 主增量源 JEVDB/Mechanizing TAPs/CloudDB市场/四种缓存 4 件 + 2026-10-09-inference-agents-olap-mlops.md CSDN 数据库架构/腾讯云 TDSQL-C 已覆盖 + 2026-10-09T1450-jay-inference-systems-deep-dive.md 无 database 增量 + 2026-10-09T1950-jay-reasoning-security-mcp-production.md 无 database 增量 + 2026-10-09T1735-jay-evening-briefing-hf-security-agents-glossary-stack2026.md 无 database 增量 + 2026-10-08-database-e1prep.md R-99 锚定参考 + 2026-10-08T1105-jay-five-category-briefing.md R-99 邻接 + 2026-10-08T1505-jay-five-category-evening-briefing-r2.md R-99 邻接 + 9 件 RSS briefings + tom/flyp/spark/stephen ~40 件 inbox (Oct 8-9 数据库专项 paper_cards 集中归档 · 无遗漏) + paper_cards Oct 7-9 新入池 ID1716~1743 共 ~28 张新卡扫描 + 1731-2610-10845 galahad-kv 生产级组件 + 1720-2610-10533 EngramEdit + 1717-2610-10507 RECAST + 1716-2610-10091 ExperienceIndex date-corrected = **1 张强 database 主新卡(1689-2610-06479 行为保持已 R-99 锚定);本次新增 4 件 arXiv 主邻接(2607.19697 RCC + 2610.10845 galahad-kv + 2610.02046 JEVDB + 2610.07665 TAPs) + 3 件 date-corrected(2610.10533 EngramEdit + 2610.10507 RECAST + 2610.10091 ExperienceIndex);主文件 R-99 79735 字节(<80KB 阈值)→ R-100 候选正文目标 ≤80KB 阈值内(本轮精简 §2.5/§2.7/§2.10/§2.13/§2.14 §2.15 沿革段叙述,保留全部试金石/共识/争议/§6 引用锚定清单,§2.4 首次建章 + §2.6 galahad-kv 第三十二维候选 + §2.12 JEVDB 邻接 + §2.13 TAPs 形式化邻接 + 工程案例双锚定 + R-100 日期纠正);R-100 web_search 0 次;详见 archive/database-changelog.md R-100 段。