📚 Jay 研究简报 · 2026-07-18

检索时间：2026-07-18 21:05 (Asia/Shanghai) 覆盖范围：database · backend · cloud-native · csdn · reproduction 本次搜索源：Tavily (arXiv / Substack / GitHub / 技术博客)

🗄️ Database

⭐ 高价值

1. PostgreSQL-V：解耦式高速向量搜索 [CIDR 2026]

• 来源：cs.purdue.edu PDF · 普渡大学
• 核心观点：pgvector 继承 PostgreSQL 页面结构导致性能瓶颈；PostgreSQL-V 提出架构解耦设计，将向量索引与 PostgreSQL 核心引擎分离，兼顾崩溃一致性与高吞吐。关键机制：利用 LSM-based 框架 + 轻量级索引一致性保证。
• 评价：⭐⭐⭐⭐ 有 CIDR 2026 学术背书的工程系统论文，方向是 2026 向量数据库领域值得关注的技术路线之一。
• 标签：database vector-search postgresql CIDR2026 research
• 建议写入路径：/shared/research-kb/inbox/jay/2026-07-18-postgresql-vector.md

2. pgvector vs Pinecone vs 专用向量库 2026 全面对比

• 来源：BuildSpace Blog / BirJob
• 核心观点（综合）：
• 2026 年 pgvector 基准神话破除：在 1M 向量 / 1536 dim 下，pgvector p50 ≈ 18ms，但 RAG 管道中向量搜索几乎从不是瓶颈（embedding 调用 + LLM 生成主导延迟）。
• pgvector 最大优势：SQL 联合查询 + 元数据过滤可在一个语句内表达，竞品需应用层 JOIN。
• Snowflake $250M 收购 Crunchy Data、Databricks $1B 收购 Neon，印证"向量是数据类型而非数据库类别"论断。
• 50M 向量以下 pgvector 是默认选择；超大规模选 Qdrant / Milvus。
• 评价：⭐⭐⭐⭐⭐ 生产决策级对比，附量化数据和实际迁移案例，适合入库作为 RAG 向量选型参考。
• 标签：database vector-search pgvector benchmark production

3. Vector DB Benchmark 2026（10 库 19 字段）

• 来源：Salt Technologies AI · Q1 2026 CC BY 4.0
• 关键数据（1M 向量 / 1536 dim）： | DB | p50 | p99 | |---|---|---| | Qdrant | 4ms | 25ms | | Redis | 5ms | 20ms | | Milvus | 6ms | 35ms | | Pinecone | 8ms | 45ms | | pgvector | 18ms | 90ms |
• 评价：⭐⭐⭐⭐ 可下载 CSV/JSON，基准方法论透明，适合引用。
• 标签：database benchmark vector-search

⚙️ Backend

⭐ 高价值

1. LLM Inference Engine 2026 完整对比（vLLM / SGLang / TGI / TensorRT-LLM / llama.cpp）

• 来源：Zylos Research · DeployBase · Sesamedisk
• 核心框架对比：

• 关键洞察：
• SGLang 的 RadixAttention 在多轮对话和 Agent 工作流中复用 KV cache，实现 2-3x 吞吐提升。
• vLLM PagedAttention + continuous batching 仍是行业标准，相比静态 batching 提升最高 23x。
• H100 定价已正常化（$3-4/hr），成为默认训练/推理 GPU。
• 评价：⭐⭐⭐⭐⭐ 框架选型必读，代码示例 + benchmark 数据均有。
• 标签：backend LLM-inference vLLM SGLang performance

2. SGLang 深度解析：RadixAttention 原理

• 来源：Inference.net · 2026-01-26
• 核心观点：SGLang = 前端（结构化生成 DSL）+ 后端（RadixAttention）。RadixAttention 自动在 KV cache 中识别并复用重复 prompt 片段，对多轮对话和 RAG 管道提升显著。
• 评价：⭐⭐⭐⭐ 原理讲解清晰，有代码示例，适合作为 SGLang 入门材料。
• 标签：backend SGLang KV-cache LLM-inference

3. LLM 推理优化栈（2026）

• 来源：Medium · 系统设计手册
• 核心总结：vLLM 优化内存布局（where），SGLang 优化时序调度（when），两者结合可实现数量级的成本削减。
• 评价：⭐⭐⭐ 总结性文章，适合快速了解优化全貌。
• 标签：backend LLM-inference optimization

☁️ Cloud-Native

⭐ 高价值

1. CNCF 云原生开发状态报告 Q1 2026

• 来源：CNCF PDF
• 核心数据：Kubernetes 社区达 2000 万开发者，云原生生态成为 AI 工作负载底座。
• AI 开发者云原生成熟路径：实验/训练阶段 → 数据管道（事件驱动、流式）→ 可观测性工具。
• 洞察：observability 与 chaos engineering 呈负相关（0.50），说明 AI 团队尚未引入生产级混沌工程。
• 评价：⭐⭐⭐⭐⭐ CNCF 官方数据，年度必读。
• 标签：cloud-native kubernetes CNCF AI-ML report

2. 2026 Kubernetes 安全特性总结 & 2026 预览

• 来源：CNCF Blog
• v1.35 重点安全特性：
• KEP-4872：kubelet 服务证书 CN 验证，防节点伪装 MITM 攻击（Alpha → 待升 Beta）
• KEP-5284：约束模拟攻击，防止 over-privileged 代理工作流
• KEP-4317：PodCertificateRequest API → Pod 级 mTLS 支持（Beta）
• KEP-2535：镜像拉取授权重新验证，防止缓存镜像被未授权 Pod 使用（Beta）
• 评价：⭐⭐⭐⭐⭐ 安全工程师必读，直接影响生产加固方案。
• 标签：cloud-native kubernetes security mTLS

3. 2026 Kubernetes Playbook：AI 工作负载 & 自愈集群

• 来源：Fairwinds
• 核心观点：
• Kubernetes = AI 基础设施控制平面：训练 Job + 推理 Service 同集群调度。
• 2026 不是 K8s 大改年，而是组织"更 deliberate 使用"之年。
• 平台工程 + AI 可观测性 + 安全默认模板 = 云原生成熟度新定义。
• 评价：⭐⭐⭐⭐ 来自运营视角的 K8s 年度指南，有具体行动建议。
• 标签：cloud-native kubernetes AI platform-engineering

4. Cloud Native 优化 2026 趋势

• 来源：Akamas
• 核心问题：大多数组织仍困在"手动调优"阶段，人工直觉无法应对动态云原生环境。
• 结论：需从"best-guess manual"转向 deterministic model（自动化性能优化）。
• 评价：⭐⭐⭐ 补充性背景，适合引导后续调优相关检索。
• 标签：cloud-native optimization observability

📝 Substack 高价值发现

⭐ 高价值

1. The AI Agents Stack (2026 Edition) — The AI Engineer

• 来源：The AI Engineer Substack
• 核心洞察：
• MCP（Model Context Protocol） 标准化工具连接（2025-2026 核心变化，整个 tools 层全新）。
• 推理模型改变了 agent 自主能力（单 call agent 替代部分 multi-step chain）。
• Memory 成为一等公民，不再是挂在 vector DB 上的 afterthought。
• 2026 agent guardrails 新含义：不是 input/output 过滤，而是授权工具调用、执行 rate limit、验证 agent 实际行为。
• OWASP 发布 MCP Top 10（beta）— 首个工具连接 agent 安全清单。
• 评价：⭐⭐⭐⭐⭐ AI Agent 基础设施全景图，必读。
• 标签：substack AI-agent MCP architecture

2. AI Agent Reality Gap — Cobus Greyling

• 来源：Cobus Greyling Substack · 2026-04-30
• 核心观点：真正落地的 agent = constrained、prompted、custom-built、human-supervised、manual-evaluated。与大会演示的完全自主 agent 截然相反。
• 评价：⭐⭐⭐⭐⭐ 反直觉但真实，适合作为 AI Agent 落地认知矫正材料。
• 标签：substack AI-agent production reality-check

3. Top LLM / RAG / Agent Updates — AIxFunda (Week of 2026-03)

• 来源：AIxFunda Substack
• 本周亮点：
• Ai2 MolmoWeb：4B/8B 参数视觉 web agent，基于截图完成浏览器操作。
• Cohere Transcribe：开源 ASR 模型，14 语言，525 分钟音频 1 分钟处理完。
• GLM-5.1（Z.ai）：编程 benchmark 45.3 分，仅差 Claude Opus 2.6 分。
• 论文：MemDLM（记忆增强）、SkillRouter（Agent 技能路由）、SecureBreak（安全数据集）。
• 评价：⭐⭐⭐ 行业双周报结构，可参考作为简报固定栏目设计。
• 标签：substack LLM RAG agent weekly-update

4. The 2026 Path to Learning AI Agents — aiagentssimplified

• 来源：aiagentssimplified Substack
• 核心技能图谱：系统设计 / 工具合约设计 / RAG / 可信赖工程 / 安全 / 评估可观测性 / 产品思维
• 演进时间线：2020-2022（stateless wrapper）→ 2023（tool + memory）→ 2024（LangGraph/CrewAI）→ 2025（MCP + structured memory）→ 2026（协调式多角色集群）
• 评价：⭐⭐⭐ 学习路径规划参考。
• 标签：substack AI-agent learning roadmap

🔬 Reproduction / 可复现资源

⭐ 高价值

1. Speculative Decoding 系列 2026 论文

• 来源：arXiv:2603.03251 · Stanford
• 论文名：Speculative Speculative Decoding（SSD）
• 核心：draft 和 verify 完全并行（不同 GPU），draft 预计算多种验证结果的猜测 token，实现 2-3x 端到端加速（Llama-3.1-70B / TP=4 H100）。
• 对比：SSD > 普通 SD > 自回归基线
• 评价：⭐⭐⭐⭐ 有代码，方法论清晰，适合复现。
• 标签：reproduction speculative-decoding LLM-inference arXiv

2. SpecSA：Speculative Decoding + Sparse Attention

• 来源：arXiv:2605.19893
• 核心：结合稀疏注意力减少 KV-cache 访问 + speculative decoding 加速生成，双重优化。
• 评价：⭐⭐⭐ 适合研究稀疏注意力与推理加速的交叉点。
• 标签：reproduction speculative-decoding sparse-attention arXiv

3. Vector DB Benchmark CSV/JSON 下载

• 来源：Salt Technologies
• 内容：10 个数据库 / 19 字段 / Q1 2026 / CC BY 4.0
• 评价：可直接下载复现 benchmark，适合数据比较类报告。
• 标签：reproduction benchmark database

4. CoAgent: 多 Agent 系统的并发控制

• 来源：arXiv:2606.15376 · 2026
• 核心：多 Agent 系统中并发事务的冲突处理研究
• 评价：⭐⭐⭐ 新兴方向，多 Agent 系统的并发控制是工程化关键问题。
• 标签：reproduction multi-agent concurrency arXiv

🗂️ 分类标签汇总

📋 建议写入路径

🔍 后续行动建议

1. 精读：PostgreSQL-V 论文（CIDR 2026）+ SSD Speculative Decoding 论文，建议优先。
2. 审稿：AI Agents Stack 2026（substack）可考虑收入知识库作为 agent 架构参考页。
3. 主题页更新：LLM-inference 和 vector-search 两个主题页建议同步本轮 benchmark 数据。
4. CSDN：本轮未检索到符合"高价值"门槛的 CSDN 文章（版本/环境/源码分析/排障经验），保持下次检索。

Jay · 2026-07-18 21:05 CST · 研究知识库草稿