下午简报 · 2026-06-29 · Jay
RAG · Vector DB · Cloud-Native · Backend · Substack · 学术追踪
检索时间： 2026-06-29 15:05 CST 检索范围： Tavily 深度检索（LLM RAG Agent 2026 · Vector DB 2026 · Cloud-Native K8s 2026 · arXiv · Substack · Backend PostgreSQL/MySQL 2026） 本次主题： RAG 2026 工程范式 · Vector DB 横向评测 · Kubernetes 2026 新动态 · AI Engineer 角色定义
一、RAG 系统工程 · Agentic RAG 2026（⭐⭐⭐⭐ 高价值）
1.1 RAG 2026 演进全景
| 维度 | 2024–2025 | 2026 |
|---|---|---|
| 架构范式 | retrieve-then-generate 单轮 | Agentic RAG 多轮推理 + 工具调用 |
| 检索粒度 | 固定 chunk top-k | 自适应检索 + 图增强 + 多模态 |
| 上下文窗口 | 128k–1M | 混合 RAG + 长上下文 |
| 向量数据库 | 专用向量 DB | pgvector / Qdrant / Milvus / 云服务 |
| 评估方式 | Hit@K / RAGAS | LLM-as-Judge + 端到端质量 |
关键结论： RAG 在 2026 仍是 enterprise AI 基础，但已演化为「知识运行时」——管理检索、推理、验证、治理的统一编排层，类比 Kubernetes 对应用负载的定位。
来源： EITT Academy（2026 AI Agents Guide）| score: 0.81
1.2 Agentic RAG 核心工程模式（⭐⭐⭐⭐⭐ 必读）
Pattern 3 — Agentic RAG（复杂查询）： - LLM 充当 planner，将查询分解为子查询，分别检索，评估是否需要继续检索 - ReAct 模式应用于检索本身 - 适用场景：跨多文档、需对比、条件逻辑（"if X then look for Y"） - 避用场景：简单 lookup，Agentic RAG 增加 2–4× 延迟和成本
Pattern 4 — GraphRAG（高关联知识）： - 知识图谱 + 向量检索结合 - 适用：法律推理、研究综述、根因分析、技术排障
2026 新增：Adaptive RAG - LLM 判断是否需要检索、选择哪个检索器、动态停止检索 - 解决 over-retrieval、token 浪费、不必要延迟
Latency 常见陷阱：
LLM 不是瓶颈。向量搜索 + rerank + 生成 + 引文解析，全链路可达 4–6 秒。 解法：流式响应、two-stage 检索、popular query 缓存、reranker 模型小型化
来源： AgileInfoways（Production-Ready RAG 2026）| score: 0.80
1.3 LangGraph Agentic RAG 2026 实现要点
关键 LangGraph 2026 特性：
- StateGraph 共享类型状态
- add_conditional_edges 动态路由
- MemorySaver / AsyncSqliteSaver / PostgresSaver 检查点
- Interrupt gates 人类介入节点
- Subgraphs 多 Agent 模块化协作
Graph-of-Thought 推理：多路径探索、测试想法、合并结果，而非单链式。
来源： Vinod Rane（Medium，2026-03-31）| score: 0.79
1.4 20 种 Advanced RAG 分类（Turing Post 精选）
2026-05-29 发布的系统梳理，重点关注： - Agentic RAG：多步决策而非单轮 pipeline - A-RAG：Adaptive RAG，动态检索策略 - HGMem：长文档记忆增强 - Graph-O1：图推理 + O1 式推理链 - Multimodal RAG：图像、图表、表格检索进入生产 - Multilingual RAG：跨语言检索 - Security RAG：安全感知检索
来源： Turing Post | score: 0.79
1.5 学术追踪：arXiv 2026 RAG/Agent 论文
a. SoK: Agentic RAG（⭐⭐⭐⭐⭐ 系统化论文）
arXiv:2603.07379v1 - Agentic RAG = RAG + 自住 AI Agent 嵌入 pipeline - Memory 分 short-term / long-term - Planning = Reflection + Self-Critique + Query Routing - Graph-Based Agentic RAG：结构化知识图谱 + 非结构化文档结合 - GeAR（Graph-Enhanced Agent for RAG）
b. Experience-Based Multi-Agent RAG
arXiv:2603.18272v1 - 从经验中学习：多 Agent RAG + 动态编排 - ExpRAG 框架：动态经验检索
c. Verified Multi-Agent Orchestration
arXiv:2603.11445v1 - Plan-Execute-Verify-Replan 框架
d. MEMO: Memory-Augmented Model Context Optimization
arXiv:2603.09022v1 - 多轮多 Agent LLM 游戏记忆增强
e. A-RAG: Scaling Agentic RAG
arXiv:2602.03442v1 - 主要贡献：从 Workflow RAG（预定义 agent-workflow）进化到真正 Agentic RAG - 评估基于 GPT-4o-mini 和 GPT-5-mini - LinearRAG 等基线对比
f. Fine-tuning with RAG for Improving LLM Learning（⭐⭐⭐⭐ ICLR 2026 投稿）
arXiv:2510.01375 - RAG 辅助微调：让 LLM 通过 RAG 上下文学习新技能 - 方向：RAG 不是替代微调，而是协同
二、Vector DB 横向评测 2026（⭐⭐⭐⭐⭐ 高价值数据库工程）
2.1 2026 QPS / Latency 真实评测对比
| Database | p99 Latency（100M向量） | QPS@95% recall | 特色 |
|---|---|---|---|
| Redis | 10–15ms | N/A | 最小延迟但非专用 |
| pgvectorscale | 28ms | 471 @50M | ACID + SQL，生态成熟 |
| Qdrant | 30–40ms | 100+ | 图内过滤最快 2–3x |
| Milvus | 40–60ms | 90+ | 十亿级 |
| Pinecone | 50–100ms | 80+ | 全托管 |
| Weaviate | 50–70ms | 60+ | 混合搜索 |
| Chroma | 100–200ms | 低 | 原型 |
关键数据： - pgvectorscale：471 QPS @ 50M vectors（99% recall），28ms p95 latency - Qdrant：in-graph filtering 比 post-search filtering 快 2–3x - 50M vectors 成本：pgvector 自托管 ~$300/月 vs Pinecone $3000/月
来源： Karthikeyan Rathinam（Medium，2026）| score: 0.87
2.2 Vector DB 选型决策树（2026 Production Guide）
pgvector 适用：< 100M 向量、已有 PostgreSQL、需 ACID + 关系型、减少系统复杂度 Qdrant 适用： 高 QPS + 过滤混合负载、需自托管、P99 延迟敏感（实测 180ms→32ms 迁移案例） Milvus 适用： >10 亿向量、P395 延迟可接受 Pinecone 适用： 小团队、开发者速度优先、需全托管 MySQL Vector： 8.x 已支持向量，但非专用 MongoDB Atlas： 1500 万向量 sub-50ms，混合文档+向量场景
Benchmark 陷阱警示（⭐⭐⭐⭐⭐）：
"The best vector database is the one you already have." — Simon Frey 供应商基准往往针对自身架构优化。真正生产测试： 1. 72 小时连续写入+查询（而非静默索引后测试） 2. Tail latency under load（P95/P99） 3. 过滤查询性能随数据增长的变化 4. 实时数据刷新延迟
来源： Actian（Vector DB Benchmarks are Misleading）| score: 0.77
2.3 Vector DB 2026 新动态
Agent 时代的新问题： - AI Agent 2026 年查询量是人类 10 倍 - Agent 系统：并发隔离 PostgreSQL < 500ms、heavy parallelism、连续大数据摄取 - 低延迟 DB 不够，throughput 也必须scale
AWS S3 Vectors 反趋势： - embeddings 存在 S3，而非索引到 DB 内 - 20 亿向量/索引，90% TCO 降低，但延迟 > 100ms - 交易：低延迟换成本
来源： DEV Community（Actian Dev）| score: 0.85
三、Kubernetes 2026 工程动态（⭐⭐⭐⭐ 高价值 Cloud-Native）
3.1 KubeCon India 2026 要点（2026-06-18/19，Mumbai）
CNCF 统计： - Cloud-Native 采纳率：98% 的组织 - Kubernetes 生产使用：93% - AI 工作负载推动 Kubernetes 采纳
KubeCon India 2026 重点： - Kubernetes 已成为 AI 的默认底座 - 多 Agent 安全平台在 K8s 上的实践 - 平台工程与 AI 系统运维结合
来源： CNCF 官方博客（2026-03-26）| score: 0.82
3.2 Kubernetes 2026 五大趋势
Trend 1: Kubernetes as AI Backbone（⭐⭐⭐⭐⭐） - AI 工作负载最重的是 MLOps：bursty 训练 Job + 高流量推理 Service 同构 - Kubernetes 提供统一控制平面调度 AI 组件（训练和推理不再分离）
Trend 2: Ingress NGINX 落幕 + Gateway API 强制迁移（2026-03 已停更） - 2026 年 3 月 Ingress NGINX 社区版停止维护 - Gateway API 成为唯一选择（安全紧急切换）
Trend 3: KubeVirt 爆发 - VM 与容器混合运行，传统虚拟化成本压力大 - K8s 统一虚拟机和容器管理
Trend 4: WebAssembly（Wasm）成为补充运行时 - 冷启动快、安全沙箱、多语言 - Envoy 代理过滤器可写 Wasm，K8s 更多 Wasm 扩展点 - CNCF Wasm 工作组活跃
Trend 5: GitOps 全面落地 - Argo CD 和 Flux 为标准 - Git 为唯一真相来源
来源： Loginline（Kubernetes Migration 2026 Guide）| score: 0.86 | Platform Engineering Trends 2026（Medium）| score: 0.85
3.3 Kubernetes 平台工程 2026
核心转变： 2026 年不是 K8s 本身大改版，而是组织学会更「有意地」使用它。
IDP（Internal Developer Portal）+ Backstage 整合： - 统一开发者入口 - 跨平台自服务 - SLO/SLI 可观测性
Telemetry 2026 趋势： - OpenTelemetry 标准化（vendor-neutral） - 从「采集一切」转向「采集有助于业务结果的数据」 - 自适应采样、热/冷数据分层摄取
来源： USDSI + Fairwinds Playbook 2026 | score: 0.80
四、PostgreSQL vs MySQL 2026 工程对比（⭐⭐⭐⭐ Backend）
4.1 基准测试数据（2026-01 BinaryIgor，实测）
| 操作 | MySQL 9.5 QPS | PG 18.1 QPS | PG vs MySQL |
|---|---|---|---|
| 单行 INSERT | 4,383 | 21,338 | 4.87x |
| 批量 INSERT 100行 | 200 | 211 | ~1x |
| 批量 INSERT 100行（orders） | 1,883 | 3,535 | 1.88x |
PG 18（beta）新特性： - 异步 I/O（AIO）：顺序扫描、bitmap heap scan、vacuum 操作 2–3x 提升 - 并行查询性能 +35%
来源： CommandLinux 统计 | score: 0.84
4.2 PostgreSQL vs MySQL 2026 全面对比
DB-Engines 排名（2026-03）： - MySQL：858（YoY -129） - PostgreSQL：680（YoY +16.66） - 趋势：差距迅速收窄
JSON 处理： - PostgreSQL：3.7x 速度快于 MySQL - PostgreSQL：JSONB 原生支持 + GIN 索引 - MySQL：JSON 函数有限
扩展生态： - PostgreSQL：300+ 扩展（PostGIS、pgvector、TimescaleDB、pg_cron 等） - MySQL：生产级扩展极少
向量搜索： - PostgreSQL：pgvector（49M vectors 99% recall，471 QPS） - MySQL：8.x 开始有向量支持，但不成熟
选型建议（2026）： - ✅ 新项目选 PostgreSQL（默认） - ⚠️ 传统 LAMP / WordPress / 团队 MySQL 深度专家 → MySQL - ❌ 新项目选 MySQL 几乎没有理由
来源： Kunal Ganglani 博客 | score: 0.85 | Tech Insider 对比 | score: 0.80
五、Substack 高价值内容（⭐⭐⭐⭐ 研究洞察）
5.1 AI Engineer 2026 角色定义（⭐⭐⭐⭐⭐ 必读）
来源： Alexey On Data（substack，2026-02-13） URL： https://alexeyondata.substack.com/p/what-is-an-ai-engineer-in-2026-join
核心观点： - 分析 1000+ 职位描述后，AI Engineer 分三类： - AI-first（约70%）： 直接构建 LLM/GenAI 系统（RAG、Agent、评估、生产部署） - AI-support（约28.5%）： 基础设施和平台（GPU/inference 基础设施、数据管道、部署监控） - 传统 ML/DL（<2%）： 标准 ML/DL 但被标为 AI Engineer
- 核心职责：构建端到端 LLM 应用（RAG、Agent），API 生产化，评估和 guardrails
- 次要职责：检索、私有数据管道、内部 AI 平台、Agent 工作流
评价： 目前看到最系统的 AI Engineer 2026 职位分析。
5.2 Deep|LLM 2026：从模型停滞幻觉到大规模真实 Agent 部署
来源： FundaAI（substack） URL： https://fundaai.substack.com/p/deepllm-2026-from-the-illusion-of
核心观点： - 2025 不是停滞，而是范式转变 - 2026 是拐点：AI 从「能思考」到「能执行」 - 关键瓶颈迁移：从 per-inference FLOPS → 连续执行系统能力 - 并发 session 管理 - 长寿 KV cache 常驻 - 多轮推理上下文累积 - 工具调用外部状态管理 - Claude Code（基于 Claude Opus 4.5）长时任务表现亮眼 - Anthropic ARR 2026 年预计超 300 亿美元
5.3 LLM AI Engineering 书籍推荐 Top 5（2026）
来源： ReactJava Substack URL： https://reactjava.substack.com/p/i-have-read-20-books-on-ai-and-llm
- AI Engineering（Chip Huyen） — 最推荐 AI 工程入门
- Building Large Language Models from Scratch（Sebastian Raschka） — LLM 内部机制
- Designing Machine Learning Systems（Chip Huyen） — 系统设计
- Building Agentic AI Systems — Agent 架构
- Hands-On LLM Applications — 实践
六、分类标签汇总
#RAG #Agentic-RAG #GraphRAG #Adaptive-RAG #RAG-Engineering
#VectorDB #pgvector #Qdrant #Milvus #Pinecone #Benchmark
#Kubernetes #KubeCon #Gateway-API #Wasm #GitOps #Platform-Engineering
#PostgreSQL #MySQL #Backend #OLTP #Benchmark
#AI-Engineer #Role-Definition #Career
#Multi-Agent #LLM-Systems #RAG-Architecture
#Sebastian-Raschka #Ahead-of-AI #LLM-Research-2026
七、建议写入路径
草稿路径： /shared/research-kb/inbox/jay/2026-06-29-1505-afternoon-briefing-llm-vecdb-cloudnative-substack.md
八、精读/审稿/主题页更新建议
🔍 建议精读（需原文深读）
- arXiv:2603.07379 — SoK: Agentic RAG（系统化梳理，建议更新主题页）
- arXiv:2602.03442 — A-RAG（从 Workflow RAG 到 Agentic RAG 的范式转变）
- arXiv:2510.01375 — Fine-tuning with RAG（ICLR 2026 投稿，RAG+Fine-tune 协同）
- Actian Blog — Vector DB Benchmarks are Misleading（生产评估方法论）
📝 建议更新主题页
- RAG 系统工程 2026 — Agentic RAG + Adaptive RAG + GraphRAG 模式补充
- Vector DB 选型 — 2026 基准数据 + pgvector 生产竞争力数据补充
- AI Engineer 角色定义 — Substack 1000+ 职位分析补充
⚠️ 需进一步核验
- pgvectorscale 471 QPS 数据来源（需官方 benchmark 对比）
- PostgreSQL 18 beta 新特性（2026 年正式版尚未发布）
- KubeCon India 2026 具体新发布（待 KubeCon NA 2026 确认）
本简报由 Jay 实例生成 · 2026-06-29 15:05 CST · 请勿直接提交 GitHub