学术研究简报 · Jay · 2026-07-03 下午

覆盖时间：2026-07-03（TODAY）| 检索来源：arXiv (cs.DB/cs.DC/cs.LG)、Hugging Face、GitHub、Substack、技术博客

📦 Database

⭐ 高价值

① Text-to-SQL 基准可靠性危机（VLDB/CIDR 2026） - 来源：p5-jin.pdf — VLDB/CIDR 联合分析 - 核心发现：BIRD 和 Spider 2.0-Snow 两个主流 Text-to-SQL 基准错误率分别高达 52.8% 和 66.1%。重新评估 5 个主流开源方法后，排名发生 −3%~+31% 的相对变化，凸显当前基准不可靠。 - 评价：这篇工作对数据库 + LLM 交叉研究有直接意义——如果基准本身有严重标注错误，则榜单分数没有参考价值。推荐所有做 NL2SQL 的研究者精读。 - 可信度：⭐⭐⭐⭐⭐（VLDB/CIDR 2026 同行评审论文） - 建议：可入 Database 主题页，作为 benchmark reliability 案例引用

② Living Databases：统一 Schema 演进、版本控制与变换模型（arXiv 2026） - 来源：arXiv:2605.00676 - 核心观点：传统数据库研究将 schema 演进、版本控制、流式变换割裂处理。本文提出统一抽象，用可调参的 Prolly Tree（类 Merkle 树）作为底层数据结构，实现声明式依赖对象（视图、ML 模型）演进控制。 - 评价：理论性较强，适合作为 Database 进阶主题页的理论补充；实验规模有限，建议对照 ICDE/VLDB 官方版本确认完整实现。 - 可信度：⭐⭐⭐⭐（arXiv 预印本，待会议接受确认） - 建议：可入 Database > Schema Evolution 主题页

③ AI-Driven Research for Databases（ADRS）— SIGMOD 2026 扩展版 - 来源：arXiv:2604.06566 - 核心发现：提出用 LLM 自动生成数据库优化代码（Evaluator 与 Solution 共演化）。三案例：Buffer Management、Query Rewriting、Index Selection——其中确定性 Query Rewrite Policy 实现 6.8× 延迟降低。 - 评价：自动化数据库优化的重要进展，方法论上有趣但依赖 LLM 代码生成质量，需关注泛化性。 - 可信度：⭐⭐⭐⭐⭐（SIGMOD 2026 已接受） - 建议：可入 Database > AI-driven Optimization 主题页

④ CactusDB：SQL 与 AI/ML 推理的协同优化（ICDE 2026 全文） - 来源：arXiv:2602.23469 - 核心创新：三层 IR（关系算子 + 表达式算子 + ML 函数）+ MCTS 优化器，在指数级搜索空间中实现跨优化类别（O1-O4）的统一探索。 - 评价：数据库系统 + ML 推理 co-optimization 的系统性工作，值得关注。 - 可信度：⭐⭐⭐⭐⭐（ICDE 2026 全文接受） - 建议：可入 Database > ML System Co-optimization 主题页

⑤ SemCEB：语义算子基数估计基准（arXiv 2026） - 来源：arXiv:2606.23081 - 核心内容：首个针对语义过滤/连接操作符的基数估计基准，包含 102 个精选查询，涵盖多种选择性范围，填补了向量数据库查询计划优化空白。 - 评价：对 RAG + 混合搜索（向量+关键字）场景的查询优化有直接价值。 - 可信度：⭐⭐⭐⭐（arXiv 预印本） - 建议：可入 RAG > Query Optimization 或 Database > Cardinality Estimation 主题页

📋 候选条目

• ReViSQL（arXiv:2603.20004）：BIRD 上首次人类级 Text-to-SQL，RLVR + 数据校正框架，规模达 235B-A22B。方向重要但工程量大，建议关注复现难度。

⚙️ Backend / Inference

⭐ 高价值

① AI Runtime Infrastructure：Agent 执行时的新系统层（arXiv:2603.00495） - 来源：arXiv HTML - 核心论点：在 Model 层之下、Application 层之上，Agent 执行过程中需要一个主动观察/推理/干预的 "AI Runtime Infrastructure" 层，而非仅靠 post-hoc 可观测性或推理优化。该层负责任务成功率、延迟、Token 效率、可靠性和安全性的运行时管理。 - 评价：概念框架价值高，区分了 Inference Optimization、Agent Orchestration 和 Observability 三个相关但不同的领域。对理解 Agent 系统架构有帮助。 - 可信度：⭐⭐⭐⭐（arXiv 2026） - 建议：可入 AI Agent > Infrastructure 主题页

② LLM Inference Engine Bug 系统研究（arXiv:2506.09713） - 来源：arXiv HTML - 核心发现：对 25 个主流 LLM 推理引擎的 bug 进行分类，发现 6 类症状、28 种根因，并给出修复建议。bug 主要集中在跨平台兼容性、资源管理、分布式场景。 - 评价：工程实践价值高，对生产部署 vLLM/SGLang/llama.cpp 的团队有直接参考意义。 - 可信度：⭐⭐⭐⭐（arXiv 系统性实证研究） - 建议：可入 Inference Engine > Production Reliability 主题页

③ Distributed LLaMA Inference Engine from Scratch（HF Forum） - 来源：HuggingFace Forum - 核心内容：完整从零实现 LLaMA 推理引擎，覆盖 KV Cache、GQA、RoPE，配有详细代码注释。目的是教学理解，而非性能优化。 - 评价：高质量工程教学资源，适合作为 inference engine 学习路径的参考代码。 - 可信度：⭐⭐⭐⭐（HF 论坛技术帖，作者标注为 from-scratch 学习项目） - 建议：可入 Inference Engine > Learning Resources 主题页

📋 候选条目

• vLLM TPU Backend（blog.vllm.ai）：支持 PyTorch + JAX 统一后端，覆盖 NVIDIA 以外硬件路线
• Bizon Tech LLM Inference Engine 对比（bizon-tech.com）：Ollama/LM Studio/llama.cpp/vLLM/SGLang/TensorRT-LLM + Triton 各自适用场景，2026 更新版

☁️ Cloud-Native / Distributed Systems

⭐ 高价值

① Cloud-Native and Distributed Systems for Scalable LLMs：研究议程（arXiv:2604.17227） - 来源：arXiv | PDF - 核心论点：传统系统无法满足 LLM 训练/推理需求，需要云原生分布式架构。覆盖：数据管理、资源优化、微服务、自动扩缩容、混合云-边协同、Serverless Inference、量子计算、联邦学习路线图。 - 评价：综述性研究议程而非实证论文，但覆盖面广，适合作为云原生 AI 系统全景图的参考文献。 - 可信度：⭐⭐⭐⭐（arXiv cs.DC，2026年4月） - 建议：可入 Cloud-Native > LLM Systems 或 AI Infrastructure > Cloud-native 主题页

② AI Systems Are Quietly Becoming Distributed Systems（Towards AI） - 来源：pub.towardsai.net - 核心洞察：检索服务、编排框架、推理集群、记忆层、策略引擎、遥测管道、外部工具等组件交织后，最难的问题不再是模型本身，而是状态管理、放置、路由、依赖行为、可观测性、信任传播和跨服务操作控制。 - 评价：实用洞察文，适合工程师阅读，概念图清晰。 - 可信度：⭐⭐⭐（Medium/Towards AI 博客） - 建议：可入 AI Agent > Distributed Systems Paradigm 主题页

🗞️ Substack / Newsletter 洞察

⭐ 高价值

RAG in 2026 — Chunking / Re-Ranking / Hybrid Search（AI with Aish · Substack） - 来源：substack.com（Aishwarya Srinivasan） - 核心内容：2026 RAG 工程实践三要点：① Parent-Child Chunking（小块精准搜索 + 大块上下文）；② Hybrid Search + Reciprocal Rank Fusion（向量语义 × BM25 精确融合）；③ 纠错数据质量是检索质量上限。 - 评价：工程导向，具体给出 2026 年生产 RAG 的配置思路，而非泛泛而谈。 - 可信度：⭐⭐⭐⭐（Substack AI 领域 newsletter，有技术细节） - 建议：可入 RAG > Engineering Best Practices 主题页

📊 分类标签

database | backend/inference | cloud-native | csdn | reproduction

📁 建议写入路径

本次主要新增内容覆盖以下主题页/专题：

1. Database / Text-to-SQL / Benchmark Reliability：database/text-to-sql-benchmark-reliability.md — 收录 (1)①
2. Database / Schema Evolution：新增 database/schema-evolution-living-databases.md — 收录 (1)②
3. Database / AI-Driven Optimization：更新 database/ai-driven-db-optimization.md — 收录 (1)③ ④
4. RAG / Query Optimization：更新 rag/query-planning-hybrid-search.md — 收录 (1)⑤
5. AI Agent / Infrastructure：新增 ai-agent/ai-runtime-infrastructure-layer.md — 收录 (2)①
6. Inference Engine / Production Bugs：新增 inference-engine/production-bugs-taxonomy.md — 收录 (2)②
7. Inference Engine / Learning Resources：更新 inference-engine/learning-resources.md — 收录 (2)③
8. Cloud-Native / LLM Systems：新增 cloud-native/llm-systems-research-agenda-2026.md — 收录 (3)①
9. AI Agent / Distributed Paradigm：更新 ai-agent/distributed-systems-paradigm.md — 收录 (3)②
10. RAG / Engineering Practices：更新 rag/engineering-best-practices-2026.md — 收录 (4)①

🎯 行动建议

本简报由 Jay 实例生成 · 2026-07-03 下午 · 不执行任何 GitHub 写入操作