Jay · 研究知识库草稿 · 2026-07-19 下午简报

主题：LLM Agent 评测存储代价 × RAG 去向 × 云原生数据库 × 事务处理五十年 检索范围：arXiv cs.DB/cs.AI/cs.DC July 2026、AAAI 2026、VLDB 2026、SIGMOD Companion 2026、ICLR 2026、CNCF Blog、Substack（AI with Aish）、Sebastian Raschka LLM Research 2026 List

📂 database

⭐ Aurora DSQL: Scalable, Multi-Region OLTP — 极高价值

• 来源：arXiv:2607.13276（Amazon/Aurora 团队，Marc Brooker 等，2026-07-14 v1，2026-07-16 v2）
• 可信度：⭐⭐⭐⭐⭐（Aurora 工程团队直接发布，含 SIGMOD/ICDE 后续）
• 核心摘要：DSQL 是 AWS Aurora 新一代 serverless SQL 数据库，采用解聚架构（计算/存储/事务协调完全分离）。Query processors 运行在 Firecracker MicroVM 中，执行 PostgreSQL 兼容 SQL，无本地状态。关键创新：
• MVCC + precision timestamps：实现无协调读取（coordination-free reads）
• OCC for writes：将协调推迟到 commit 时，通过分布式 adjudicators + Journal replication system 完成
• 仅在 commit 时跨区域协调，单语句不产生跨区域延迟
• 支持从零弹性扩展到每秒百万级 TPS，同时提供强一致性、ACID 事务和 AZ/区域级故障连续可用性
• 评价：这篇是 2026 年分布式 OLTP 领域最重要的工业级论文之一，disaggregated architecture 的工程实践细节值得精读。对比 Google Spanner 和 CockroachDB，DSQL 的 commit-time coordination 策略是核心差异点。
• 后续行动：建议精读 PDF，关注 Journal replication 的具体实现细节；对比阅读 CockroachDB 和 TiDB 论文。
• 链接：https://arxiv.org/abs/2607.13276

⭐ TVA: A Version-aware Temporal Graph Storage System — 高价值

• 来源：arXiv:2607.00406（VLDB 2026，2026-07-01）
• 可信度：⭐⭐⭐⭐⭐（VLDB 2026 录用）
• 核心摘要：针对时序图查询的专用存储系统。三个核心贡献： 1. 多版本存储架构：将版本元数据与实际属性值分离，支持快速版本定位和直接解引用 2. 专用数据结构：temporal table + enhanced hopscotch hashing，紧凑组织邻接顶点/边的版本元数据，减少 neighborhood scan 中的随机 I/O 3. Version-kipping 策略：重用先前 scan 的时序信息，避免跨 scan 的冗余元数据查找
• 性能： temporal query latency 降低 9.9 倍，存储开销降低 2.2 倍
• 评价：面向动态图分析场景（如金融反欺诈、社交网络时序分析），是图数据库 + 时序数据的交叉创新，工程实用性较强。
• 后续行动：关注其 hopscotch hashing 与标准 B-tree 的对比；适合作为知识库「时序图数据库」主题页补充。
• 链接：https://arxiv.org/abs/2607.00406

⭐ Fifty Years of Transaction Processing Research（扩展版）— 高价值

• 来源：arXiv:2605.20466（Philip A. Bernstein，SIGMOD Companion 2025/2026，2026-05 扩展）
• 可信度：⭐⭐⭐⭐⭐（事务处理领域教父级人物）
• 核心摘要：Philip Bernstein（微软研究院，数据库领域奠基人之一）回顾事务处理研究五十年历程，解释为什么「看似已解决」的问题仍在持续研究，并展望未来方向。
• 老系统（System R、IBM System R）→ 现代分布式数据库
• 关键未解决问题：geo-distributed transactions、serverless scaling、multi-tenancy
• 未来方向：AI 辅助事务处理、自动化的事务拆分与协调
• 评价：不可多得的系统性回顾，适合作为「事务处理发展史」主题页的权威引用来源。Philip Bernstein 的视角能帮助理解 Aurora DSQL 等现代系统背后的历史脉络。
• 后续行动：建议审稿后纳入知识库「分布式事务」主题页；可精读 PDF 全文。
• 链接：https://arxiv.org/abs/2605.20466

Epoch-based OCC in Geo-replicated Databases — 中高价值

• 来源：arXiv:2602.21566（SIGMOD 2026，June 2026）
• 可信度：⭐⭐⭐⭐（SIGMOD 2026 正式论文）
• 核心摘要：针对跨地域复制数据库的 epoch-based optimistic concurrency control。与 Calvin 系/CalvinDB 路线对比：在 50ms-200ms 跨区域网络延迟下，系统吞吐量和延迟表现的系统性评估。
• 评价：工程导向，面向金融级多活场景。与 Aurora DSQL 的 commit-time OCC 不同，本文聚焦 epoch-based 调度策略。适合作为 Aurora DSQL 的补充对比阅读。
• 后续行动：列入「geo-distributed OLTP」主题阅读清单。
• 链接：https://arxiv.org/pdf/2602.21566

📂 backend

⭐ Cloud-native and Distributed Systems for LLMs: A Research Agenda — 高价值

• 来源：arXiv:2604.17227（2026年4月，45页，20+ 作者，Rajkumar Buyya 等）
• 可信度：⭐⭐⭐⭐⭐（Buyya 是云计算领域高引大佬，RMIT/CLOUDS Lab 团队）
• 核心摘要：45 页全面研究议程，涵盖 LLM 部署中云原生和分布式系统的角色：
• 数据管理：训练数据管道、向量检索、checkpoint 管理
• 资源优化：GPU 调度、异构计算、Autoscaling
• Microservices：LLM serving 的模块化拆分（prefill/decode/embedding separate services）
• Hybrid cloud-edge：端侧推理与云侧协同
• 新兴方向：Serverless inference、量子计算辅助、联邦学习 for LLM
• 未来路线图：标准化、跨部门协作持续创新
• 评价：本文是 2026 年最完整的 LLM 系统层研究地图。适合作为知识库「LLM Cloud-Native Infrastructure」主题页的骨干文献。
• 后续行动：建议精读 autoscaling 和 microservices 章节；其余可快速浏览。
• 链接：https://arxiv.org/abs/2604.17227

ByteHouse: ByteDance's Cloud-Native Data Warehouse — 中高价值

• 来源：arXiv:2602.08226（SIGMOD Companion 2026，ByteDance）
• 可信度：⭐⭐⭐⭐（工业级系统，已在字节内部大规模使用）
• 核心摘要：ByteDance 面向分析型工作负载的云原生数据仓库核心技术分享。F3 开源数据文件格式（与 PingCAP 合作，Huanchen Zhang 团队）是其中亮点。F3 作为开放文件格式旨在取代 Parquet/ORC，推动列存格式标准化。
• 评价：F3 值得关注——来自 PingCAP/TiDB 团队，目标是成为下一代分析型数据格式。与 Delta Lake、Iceberg 形成三足鼎立格局。
• 后续行动：跟踪 F3 开源社区进展；与 Iceberg/Delta Lake 对比。
• 链接：https://arxiv.org/pdf/2602.08226

Memory-Resident to Heterogeneous Storage Vector Search（SIGMOD Tutorial）— 中高价值

• 来源：arXiv:2601.01937（SIGMOD 2026 Tutorial，作者：Yitong Song、Shawn Zhong 等）
• 可信度：⭐⭐⭐⭐（顶会 tutorial，学术工业联合）
• 核心摘要：向量检索从内存到 SSD 异构存储的全景教程。区分 in-memory HNSW/IVF 与 memory-SSD tiered 架构的设计取舍。
• 评价：实用价值高，适合作为知识库「向量数据库底层原理」主题页的推荐阅读。
• 后续行动：列入向量数据库主题页参考文献。
• 链接：https://arxiv.org/pdf/2601.01937

📂 cloud-native

On-prem DBaaS in 2026: Platforms, standards, and gaps — 高价值

• 来源：CNCF Blog，Oliver Wolf（anynines），2026-07-15
• 可信度：⭐⭐⭐⭐（CNCF 官方博客，工业视角）
• 核心摘要：企业内部数据库即服务（DBaaS）的现状与标准化缺口：
• 现状：K8s operator 路线（Patroni 等）和 Crossplane 抽象路线并存
• 痛点：跨多集群/多环境的一致 DBaaS 体验仍未标准化
• 两个典型路径：① 开发团队自主运营 K8s operator；② 平台团队用 Crossplane 提供自助接口，底层对接 RDS 等云服务
• 缺口：缺少跨环境 DBaaS 标准接口规范（类似 K8s Ingress for databases）
• CNCF 已有的基础：K8s operators、Platform Engineering、Crossplane
• 评价：CNCF 视角下的 DBaaS 痛点分析，与 Aurora DSQL 的云原生路线形成呼应（Aurora = 云厂商方案，本文 = On-prem/多云方案）。值得纳入「云原生数据基础设施」主题页。
• 后续行动：建议纳入主题页；跟踪 CNCF DBaaS 相关工作组进展。
• 链接：https://www.cncf.io/blog/2026/07/15/on-prem-dbaas-in-2026-platforms-standards-and-gaps

📂 csdn（筛选：无高质量 CSDN 条目，本次无录入）

注：本次检索中 CSDN 内容多为二手搬运或基础教程，无版本分析、源码解读、排障经验或复现过程，不满足本知识库收录标准。

📂 reproduction（可复现性 / 评测框架）

⭐ AgentFootprint: Agent 存储成为一等公民指标 — 极高价值

• 来源：arXiv:2607.11149（2026-07-13 v1，2026-07-16 v2，Chenglin Yu 等）
• 可信度：⭐⭐⭐⭐⭐（新 benchmark，填补空白）
• 核心摘要：LLM Agent 评测的传统维度是任务完成率、可靠性和推理成本，但从未度量 Agent 运行后磁盘上留下的持久化数据（日志、context snapshots、checkpoints、debug traces）。本文提出 AgentFootprint：
• 序列化感知的指标套件：total retention、channel composition、duplication、growth、compressibility、conversation-history reconstructability
• 揭示测量陷阱：naive byte-level 测量低估重复内容达 10 倍（数据库 paging 和 JSON escaping 掩盖了重复）
• 固定-trace 控制实验：同一轨迹穿越 7 个 persistence framework，Spread = 6.7 倍
• 精度影响：相同模型/工具/任务，100% 准确率配置之间 retained bytes 相差 15.7 倍
• 内容寻址存储（CAS）可将 retention 降低 4.8x-32.7x，同时保留全部 reconstructability 分数
• 无相关性发现：SWE-bench Verified 108 个实例，resolve rate 与存储量之间无统计相关
• 评价：这是 LLM Agent 评测领域的「storage is the new compute」时刻。生产环境中 agent 存储管理常被忽视，本文提供了第一个系统性度量框架，对 MLOps 和 Agent 平台工程有直接指导价值。
• 后续行动：建议纳入 Agent 评测主题页；内容寻址存储方案值得在知识库中单独开一个「Agent 持久化」条目。
• 链接：https://arxiv.org/abs/2607.11149

⭐ Keyword Search Is All You Need（AAAI 2026 Workshop）— 高价值

• 来源：arXiv:2602.23368（Shreyas Subramanian 等，Amazon Science，AAAI 2026 Workshop on Agents for IR）
• 可信度：⭐⭐⭐⭐⭐（Amazon Science 工业研究，对比实验严格）
• 核心摘要：用 ReAct agent + 简单关键词搜索工具（pdfmetadata、rga、pdfgrep），对比 Amazon Bedrock Knowledge Base + Titan Embedding V2 的传统 RAG 管道：
• 在 6 个数据集上，Agent 方案达到 RAG 性能的 91%-99%
• 对特定场景（知识库频繁更新、小规模语料），关键词 agent 路由甚至更优
• 提出：向量数据库对高质量检索并非必须，简单关键词+LLM agent 即可替代
• 评价：这是 AAAI 2026 Agents for IR workshop 最具冲击力的论文。颠覆了「RAG = 向量数据库」的行业假设，对知识检索架构选型有直接决策影响。
• 后续行动：建议纳入 RAG 主题页作为「反驳性文献」；可精读对比实验设计。
• 链接：https://arxiv.org/abs/2602.23368
• 延伸阅读：Medium 深度解读（Abdullah Grewal）：https://buzzgrewal.medium.com/ai-agents-dont-need-vector-search-anymore-inside-the-agentic-search-stack-replacing-rag-in-2026-58efcabe4f6f

Substack · AI with Aish · All You Need to Know About RAG (in 2026) — 高价值

• 来源：Aishwarya Srinivasan，Substack，2026 年
• 可信度：⭐⭐⭐⭐（AI KOL，技术内容较为系统）
• 核心摘要：
• Naive RAG 已死：GPT-5.4/Gemini 3.1 Pro/Claude 4.6 时代，生成不再是瓶颈，检索才是
• Advanced Chunking：Context-Aware Partitioning，基于句子间 cosine distance 的语义断点检测
• Hybrid Search + RRF：BM25 + vector search，Reciprocal Rank Fusion 融合
• Re-Ranking：Cross-Encoder（慢但精准）vs Bi-Encoder（快但粗），2026 生产管道：Top100 混合检索 → Cross-Encoder 重排
• Query Transformation：在进入向量数据库前修正用户查询
• 运营经济性：长上下文窗口（Gemini 3.1 的 2M+ token）vs RAG 的成本对比
• 评价：2026 RAG 工程实践的全面地图，适合作为「现代 RAG 系统设计」主题页的核心参考资料。与 AAAI 论文「Keyword Search Is All You Need」形成张力——两者都指向「Naive RAG 已死」，但解决路径不同（本文：高级检索；AAAI 论文：去掉向量 DB）。
• 后续行动：纳入 RAG 主题页；关注 Chunking 和 Re-Ranking 章节的工程细节。
• 链接：https://aishwaryasrinivasan.substack.com/p/all-you-need-to-know-about-rag-in

ICLR 2026 · Lambda · 12 Papers on AI Systems — 中高价值

• 来源：Lambda Blog，ICLR 2026 参会笔记
• 可信度：⭐⭐⭐⭐（Lambda AI 工程团队，12 篇 ICLR 论文的深度解读）
• 核心内容摘要（12 篇分四大类）： 1. Agents：长期规划 + 稀疏奖励下的 agentic 规划、安全约束对齐、结构化世界建模 2. LLMs：7B 模型超越 GPT-4o、无损权重压缩推理加速 177%、对抗训练 arena 103,000 轮 3. Physical AI：机器人控制、数据高效的分子动力学 EGInterpolator 4. Multimodal Efficiency：视频稀疏性、音频架构效率、无损权重压缩
• 关键数字：无损权重压缩 177% 推理加速；7B agent 模型超越 GPT-4o
• 评价：Lambda 的 ICLR 2026 参会总结，适合快速了解 AI Systems 方向的最新工业研究进展。可作为 ICLR 2026 系统类论文的索引入口。
• 后续行动：根据 Lambda 提到的具体论文 arXiv ID 逐一精读。
• 链接：https://lambda.ai/blog/iclr-2026-12-papers

Sebastian Raschka · LLM Research Papers 2026 List（Jan-May）— 中高价值

• 来源：Sebastian Raschka，Substack/个人 Blog，2026
• 可信度：⭐⭐⭐⭐⭐（AI 知名技术教育者，文献梳理严谨）
• 核心内容（按月梳理）：
• 3月：Tiny Aya（多语言小模型）、Mamba-3（SSM 架构改进）
• 4月：Nemotron 3 Super（MoE + Mamba-Transformer 混合）、Arcee Trinity
• 5月：MiniMax-M2 Series（Gated DeltaNet，轻量激活）
• 2026 架构趋势：混合架构（SSM+Transformer）成为主流，不只是把 Transformer 做大
• 推理效率：KV Cache 管理、稀疏注意力、长上下文优化
• Agent 系统：工具使用、长期规划
• 评价：Raschka 的月度文献列表是 AI 从业者最实用的追踪工具，2026版覆盖了架构、训练、推理、Agent、RAG、Coding Agents、Diffusion LM、评估等完整链条。
• 后续行动：根据个人兴趣按月拆解精读；适合纳入知识库「LLM 论文追踪」页面。
• 链接：https://magazine.sebastianraschka.com/p/llm-research-papers-2026-part1

🏷️ 分类标签

• LLM-Agent RAG Vector-DB Cloud-Native Distributed-OLTP Temporal-Graph Benchmarking Storage CNCF Aurora-DSQL AAAI-2026 VLDB-2026 SIGMOD-2026 ICLR-2026

💡 高价值条目优先级

📝 建议写入路径

本次草稿：/shared/research-kb/inbox/jay/2026-07-19-evening-briefing.md

⚠️ 注意：本实例仅写入自己的草稿目录。草稿待合并审稿后进入 /shared/research-kb/review/，最终发布由同步任务处理。暂不执行 GitHub commit / push / PR。