📚 研究知识库简报 · Jay · 2026-08-03 下午刊

检索范围：arXiv、ACL Anthology、Papers with Code、Tavily、Web Search、Substack
检索关键词：LLM inference、vector database、RAG、agentic AI、KV cache、distributed systems、PostgreSQL、cloud-native
本次高频主题：LLM 服务系统、Agent 记忆架构、向量数据库选型、数据库自治工程

🔬 database / 数据库

[高价值] FlintKV — 新一代面向现代 NVMe 的快速持久化 KV 存储引擎

  • 来源：arXiv 2607.02401，2026-07-02 提交
  • 作者：Egorov et al.（联合署名：Gregory Chockler、Brijesh Dongol、Dan O'Keeffe、Sadegh Keshavarzi）
  • 核心观点：提出 FlintKV，一个专为现代 NVMe SSD 设计的 KV 存储引擎，超越 RocksDB/Pebble 架构。论文从 OSDI/USENIX 系统会议风格推导而来，对标生产级 KV store 的性能瓶颈。架构层面重点优化了 Write-Ahead Log 路径和 Compaction 策略。
  • 可信度：⭐⭐⭐⭐ 高；arXiv 公开 PDF，有完整算法分析和实验数据
  • 后续行动：✅ 建议下载原文精读；关注 Compaction 策略的具体实现细节；可对比 Pebble（CockroachDB） 同期改进
  • 标签：storage-engine、NVMe、RocksDB、distributed-systems

[高价值] Jailbreak — LLM 辅助代码合成用于数据库存储解码（Database Bypass）

  • 来源：arXiv 2607.07696，VLDB AIDB 2026 Workshop
  • 核心观点：首个将 LLM 辅助代码合成应用于数据库存储层解码（storage decoding）的系统。使用 LLM 自动生成数据库旁路（bypass）的高性能存储读取器，目标打破传统数据库引擎对存储格式的锁定。同期工作 GenDB 聚焦端到端查询处理流水线合成（J. Lao & Trummer, 2026）。
  • 可信度：⭐⭐⭐⭐ 高；VLDB Workshop 同行评审接收，有代码预期
  • 后续行动：⚠️ 需核验 GitHub 是否有配套代码库；关注与 DuckDB/Umbra 列式引擎的集成方式
  • 标签：LLM-synthesis、database-bypass、storage、VLDB2026

[高价值] Gen-DBA — 生成式数据库智能体（Generative Database Agents）

  • 来源：arXiv 2601.16409v2，2026 年 1 月提交
  • 核心观点：提出用 LLM Agent 自动化数据库调优的 Vision 论文。覆盖 1057+ 数据库引擎（CMU Database Group 2026 统计）和多硬件平台（AWS EC2 1057 种实例、Google Cloud 400 种、Azure 1000 种）。整合 PMU 性能计数器信号和 OS 级工具（iostat）做存储行为建模，目标数据库包括 PostgreSQL 18、DuckDB 等。
  • 可信度：⭐⭐⭐⭐⭐ 高；长期研究路线图，对数据库自调优领域有方向性价值
  • 后续行动：✅ 建议列入"数据库 AI 运维"主题页；关注与现有 CMU Ottertune、DB-BERT 等工作的差异化
  • 标签：AI-DBA、autonomous-tuning、PostgreSQL、DuckDB、benchmarking

[高价值] OceanBase 发布 pyobvector / obvector4j 多模态存储 SDK（2026-07 更新）

  • 来源：GitHub OceanBase 仓库（更新至 2026-07-30）
  • 核心观点：OceanBase 多模态存储产品线持续更新。pyobvector（Python SDK）支持向量搜索、全文搜索、JSON 表操作，提供 Milvus 兼容 API 和 SQLAlchemy 集成；obvector4j（Java SDK）同样支持 OceanBase 和 OceanBase seekdb。langchain-oceanbase 集成包已上线。
  • 可信度：⭐⭐⭐⭐ 高；GitHub 活跃维护，大规模生产验证
  • 后续行动：✅ 可作为"国产向量数据库"选型参考；与 Qdrant/Pinecone 做横向对比
  • 标签：OceanBase、vector-search、multi-modal、China-infra

[高价值] seekdb — AI-Native 统一搜索数据库

  • 来源：GitHub OceanBase seekdb 仓库（更新至 2026-07-30，309 forks）
  • 核心观点：定位为"AI-Native 搜索数据库"，统一向量、文本、结构化/半结构化数据于单一引擎，支持混合搜索和 in-database AI 工作流。采用 C++ 实现。同期有 seekdb-bindings（Go）和 seekdb-develop 分支。
  • 可信度：⭐⭐⭐ 中；属于新兴项目，需进一步核验生产案例
  • 后续行动：⚠️ 建议持续关注；可下载源码分析其索引架构
  • 标签：AI-native-search、vector+text、startup

[高价值] DIRT — 数据库集成随机测试（SQLite B-tree Bug 大规模发现）

  • 来源：arXiv 2604.16373，2026 年 4 月
  • 核心观点：提出 Database-Integrated Random Testing 方法，对 SQLite 存储引擎 B-tree 进行系统性模糊测试，发现 2100+ 潜在 bug（含 2106 号等具体条目）。与 SQLancer、SQLRight、Griffin、SQLancer++ 系统性对比，显著提升 bug 发现率。
  • 可信度：⭐⭐⭐⭐ 高；系统性测试框架，有完整缺陷清单
  • 后续行动：✅ 建议审稿；可作为 SQLite 生态 QA 参考基准
  • 标签：testing、SQLite、B-tree、fuzzing、bug-hunting

[高价值] LanceDB vs ChromaDB — 多模态 AI 向量存储架构对比（2026-07）

  • 来源：LinkedIn 工程博客 + Mastra.ai 向量数据库对比报告
  • 核心观点：
  • LanceDB：serverless 嵌入式架构，基于 Apache Arrow 列式格式，支持 zero-copy 访问、多模态数据存储（文本/图像/音频/视频/点云）、内置表版本控制。适合需要 embeddings + metadata + 源数据统一管理的场景。
  • Chroma：开发者友好，从本地 AI 开发快速迁移到分布式生产检索。
  • pgvector：已有 PostgreSQL 栈的首选，HNSW/IVFFlat 索引，混合检索结合全文搜索。
  • 可信度：⭐⭐⭐⭐ 高；多个工程验证，一线实践经验
  • 后续行动：✅ 可写入"向量数据库选型指南"主题页；关注 LanceDB 的 Arrow zero-copy 性能数据
  • 标签：vector-database、LanceDB、ChromaDB、pgvector、multi-modal

[参考] MySQL 9 Vector Search — 私有文档智能 Pipeline 架构指南

  • 来源：Staksoft，2026-08-02
  • 核心观点：详细描述基于 MySQL 9 原生向量搜索构建私有文档智能 Pipeline 的端到端架构，含 TypeScript/GCP 集成实践。同站关联文章：Google Science One Framework 实现可验证 AI Agent（2026-08-02）。
  • 可信度：⭐⭐⭐ 中；工程博客，有具体技术栈但无开源代码
  • 后续行动：⚠️ 参考架构思路，不深度追踪
  • 标签：MySQL-9、vector-search、document-intelligence

⚙️ backend / 后端

[高价值] Netflix 内部 LLM Serving 平台 — Triton + vLLM 生产实践

  • 来源：InfoQ 2026-07-27，Matt Foster 报道
  • 核心观点：Netflix 公开其将 LLM 推理集成到内部Serving平台的生产经验和挑战：不同模型尺寸支持、硬件要求、快速演进的推理引擎协调问题。重点使用 NVIDIA Triton Inference Server + vLLM 构建推理管线。
  • 可信度：⭐⭐⭐⭐ 高；一线大厂生产案例，InfoQ 质量把关
  • 后续行动：✅ 建议精读；关注多模型调度策略和 GPU 利用率优化细节
  • 标签：LLM-serving、Netflix、Triton、vLLM、production

[高价值] LLM Serving 需要数学优化 — 请求路由与 DP 负载均衡

  • 来源：arXiv 2605.01280
  • 核心观点：Position Paper，提出 LLM Serving 系统的调度问题需要严格的数学优化框架而非启发式方法。Chen et al. (2026) 开发了在线优化框架，解决 barrier-synchronized、sticky-assignment 设置下的 data-parallel LLM 解码问题。提供最坏情况保障 Ω(√(B log G)) 因子，优于启发式方法。
  • 可信度：⭐⭐⭐⭐ 高；理论框架严谨，证明有 worst-case guarantee
  • 后续行动：✅ 建议列入推理系统理论参考；关注与 vLLM continuous batching 的实践差异
  • 标签：LLM-serving、scheduling、optimization、theory

[高价值] Fluid-Guided Online Scheduling — LLM 推理内存约束调度优化

  • 来源：arXiv 2504.11320，最新版本
  • 核心观点：研究 LLM 推理在 KV Cache 内存约束下的 Fluid-Guided 在线调度算法。使用 Vidur 模拟器在 A100 80GB 上测试 Llama-2-7B。当 KV Cache 超内存时对比两种策略：(i) 换出到 CPU/SSD（有 I/O 开销）；(ii) 重计算（丢弃 KV Cache）。默认 vLLM 策略为重计算。
  • 可信度：⭐⭐⭐⭐ 高；理论 + 系统联合研究，有实验数据支撑
  • 后续行动：✅ 建议精读；关注调度器与 DeepSeek-AI MLA（90% KV cache 压缩）的结合可能性
  • 标签：KV-cache、scheduling、vLLM、A100、memory-management

[高价值] KV Cache 优化策略系统性综述

  • 来源：arXiv 2603.20397
  • 核心观点：全面综述 KV Cache 五大优化方向：① cache eviction；② cache compression；③ hybrid memory solutions；④ novel attention mechanisms；⑤ combination strategies。涵盖从 O(n²) 复杂度降到线性/对数复杂度的各种注意力变种（Linear Attention、Log-Linear Attention、Hybrid Methods）。InfiniPot 提出"持续蒸溜"机制管理无限上下文。
  • 可信度：⭐⭐⭐⭐⭐ 高；系统性综述，适合作为主题页骨干
  • 后续行动：✅ 直接写入知识库；建议更新"LLM 推理优化"主题页
  • 标签：KV-cache、survey、attention-mechanism、InfiniPot

[高价值] Long-context LLM Serving — 内存/延迟/成本/精度权衡实测（IBM Research + TU Delft）

  • 来源：DigitalOcean Community Tutorial
  • 核心观点：引用 Yoshimura, van de Beek, Chiba（EuroMLSys '26）研究，聚焦长上下文分布式 LLM Serving 的路由策略。提出"Accuracy Is Speed"理念——长上下文感知路由可在精度不损失前提下提升吞吐量/降低延迟。
  • 可信度：⭐⭐⭐⭐ 高；EuroMLSys 2026 学术会议，IBM Research + TU Delft 联合
  • 后续行动：✅ 建议核验 EuroMLSys '26 论文全文；关注生产部署实测数据
  • 标签：long-context、routing、EuroMLSys2026、distributed-serving

[高价值] Workload–Router–Pool Architecture — LLM 推理的冷静漂移检测

  • 来源：arXiv 2603.21354v2
  • 核心观点：提出 LLM 推理架构的第三个维度——silent drift detection（静默质量回归检测）。通过 per-(model, domain) 统计量时间序列监控，检测提供商侧模型更新引入的质量回归。3σ 偏离触发自动流量重平衡。2026 年 3 月记录一起真实事件：某前沿模型静默退化到中等质量。同期工作：AgServe（会话感知 KV-cache）、Helium（Agent 工作流即查询计划）、Sutradhara（编排器共设计）、Continuum（KV-cache TTL pinning）、Concur（拥塞控制并发）。
  • 可信度：⭐⭐⭐⭐ 高；生产级别架构设计，有真实事故案例
  • 后续行动：✅ 建议写入"LLM 生产运维"主题页；关注与 Datadog LLM Observability 数据的关联
  • 标签：production-monitoring、drift-detection、LLM-ops、agentic

[高价值] Long-context Agentic LLM 推理：内存墙优化路径

  • 来源：arXiv 2509.09505v3
  • 核心观点：系统性综述面向长上下文 Agentic LLM 推理的内存墙优化。覆盖最新 LLM 加速器架构（计算组织、内核专化、系统集成），讨论 GPTQ 量化的精细化权重校准（外层循环 + Hessian 信息迭代校准）。提及 Microscaling（MX）数据格式（OCP 标准），MultiScopiQ 的两级 scaling 设计。
  • 可信度：⭐⭐⭐⭐ 高；综述 + 新研究整合，适合架构设计参考
  • 后续行动：✅ 建议列入主题页；关注与 InfiniPot 的互补关系
  • 标签：long-context、memory-wall、quantization、MX-format

[参考] Edge LLM Inference — 网络边缘大模型推理综述

  • 来源：arXiv 2604.22906
  • 核心观点：全面综述 LLM 边缘推理进展，涵盖：单边缘节点、垂直、水平、混合协同架构；模型优化、部署、资源管理技术。在内存/带宽/能耗严格约束下做推理。
  • 可信度：⭐⭐⭐⭐ 中；综述性质，适合概览参考
  • 后续行动：⚠️ 作为背景参考，不深度追踪
  • 标签：edge-inference、mobile-LLM、survey

[参考] Evaluating Energy/Performance/Accuracy Trade-offs — vLLM 配置实证研究

  • 来源：arXiv 2607.09172
  • 核心观点：填补 LLM 推理引擎配置选择对 Energy/Performance/Accuracy 影响的系统性研究空白。对比不同 vLLM 配置（批大小、KV Cache 策略、量化级别）的帕累托前沿。
  • 可信度：⭐⭐⭐⭐ 中；实证研究，有工程参考价值
  • 后续行动：⚠️ 建议精读实验配置部分；可用于 vLLM 生产调参参考
  • 标签：vLLM、energy-efficiency、evaluation

☁️ cloud-native / 云原生

[高价值] Kubernetes 2026 — Pod Checkpoint/Restore 进展

  • 来源：Cloud Native Now，2026-08-02
  • 核心观点：Kubernetes 官方正在推进 Pod Checkpoint/Restore 功能，允许将 Pod 状态持久化并在任意节点恢复。这是容器级容错和 live migration 的基础能力，对有状态 AI 推理服务意义重大。
  • 可信度：⭐⭐⭐⭐ 高；CNCF 官方方向，Kubernetes 核心开发
  • 后续行动：✅ 建议写入"Kubernetes AI 推理"跟踪条目；关注 KEP（Kubernetes Enhancement Proposal）进度
  • 标签：Kubernetes、checkpoint-restore、stateful-workloads、CNCF

[高价值] Cilium — eBPF 原生 Kubernetes 网络与安全

  • 来源：CloudZero Cloud-Native Tools 2026 指南
  • 核心观点：Cilium 作为 Linkerd 竞争者，基于 eBPF 实现 Kubernetes 原生网络和安全，无需 sidecar 代理即可提供服务网格能力。相比 Istio 资源开销更低，已进入 CNCF 毕业阶段。Isovalent 提供企业支持。
  • 可信度：⭐⭐⭐⭐ 高；CNCF 毕业项目，生产验证
  • 后续行动：✅ 可作为"K8s 网络方案选型"参考；关注与 Cilium Cluster Mesh 的多集群能力
  • 标签：Cilium、eBPF、service-mesh、Kubernetes

[高价值] Cloud Native Storage Market — 2026 市场数据与预测

  • 来源：Fact.MR Report，2026-07-30
  • 核心观点：云原生存储市场 2025 年达 264 亿美元，2026 年预计 318 亿美元，2036 年目标 2053 亿美元（CAGR 20.5%）。美国市场 CAGR 26.67%，聚焦超大规模云用例、大规模 Kubernetes 集群和企业数据库现代化。
  • 可信度：⭐⭐⭐ 中；商业报告数据，作为市场背景参考
  • 后续行动：⚠️ 作为背景数据，不深度追踪
  • 标签：cloud-native-storage、market-data、Kubernetes、enterprise

[参考] Linux Foundation — 2026 Cloud Native 年度调查

  • 来源：Linux Foundation Facebook，2026-08
  • 核心观点：CNCF 年度调查正式启动（2026 版），聚焦容器、Kubernetes、云原生采用现状、工具链和挑战。这是了解行业全貌的权威来源。
  • 可信度：⭐⭐⭐⭐ 高；CNCF 官方调查，年度权威报告
  • 后续行动：✅ 建议在报告发布后追踪；可作为年度云原生状态参考
  • 标签：CNCF-survey、Kubernetes、cloud-native-adoption

🤖 AI Agent / Agentic

[高价值] Datadog AI Engineering 现状报告 — 2026 年框架采用倍增

  • 来源：Datadog State of AI Engineering，2026-08
  • 核心观点：
  • 框架采用率从 2025 年初 9%+ 到 2026 年初接近 18%，一年翻倍（LangChain、Pydantic AI、LangGraph、Vercal AI SDK）
  • Agent 框架使用服务数同期翻倍以上
  • 2026 年 2 月：5% LLM call span 报错，其中 60% 是 rate limit；2026 年 3 月：2% 报错，rate limit 占近 1/3（约 840 万次）
  • 核心结论：模型提供商容量上限正在损害 Agent 可靠性；需要预算 + 背压 + prompt 优化三管齐下
  • 缓存读取（cached-read）token 占比分析
  • 可信度：⭐⭐⭐⭐⭐ 高；一线可观测性平台真实生产数据，极高参考价值
  • 后续行动：✅ 直接写入知识库；建议作为 Agent 可靠性主题页数据锚点
  • 标签：agentic-AI、framework-adoption、LLM-ops、Datadog、rate-limit

[高价值] ArcLight — 面向 Many-Core CPU 的轻量级 LLM 推理架构

  • 来源：ACL 2026 System Demonstrations，papers.cool #18
  • 作者：Yuzhuang Xu, Xu Han, Yuxuan Li, Wanxiang Che
  • 核心观点：在 CPU（而非 GPU）上运行 LLM 推理的轻量化架构，针对 Many-Core CPU 优化。这是 ACL 2026 System Demo 条目之一，适合作为 CPU 推理方向参考。
  • 可信度：⭐⭐⭐⭐ 高；ACL Anthology 同行评审接收
  • 后续行动：✅ 建议下载论文；关注与llama.cpp/Ollama CPU 推理的差异化
  • 标签：CPU-inference、LLM-architecture、ACL2026

[高价值] Albilich — CAS 集成的大模型数学研究证明状态编排

  • 来源：arXiv 2607.27705
  • 核心观点：将 LLM 用于数学研究的形式化证明编排系统。集成 Model Context Protocol server 连接四个 CAS 后端（SageMath、GAP、Macaulay2、Singular）。角色异步：启动计算→继续推理→轮询结果。每个会话有并发上限、超时和输出大小限制，artifact 记录数学问题、精确代码、输出和后端版本。
  • 可信度：⭐⭐⭐⭐ 高；arXiv 新工作，与 Archon、Rethlas、Danus、QED 等同代工作对比
  • 后续行动：✅ 建议列入"LLM+数学证明"方向跟踪；关注与 Lean 4 集成的缺失（下一版规划）
  • 标签：LLM-math、formal-verification、CAS-integration、MCP

[高价值] DialogGuard — 多 Agent 心理安全评估界面

  • 来源：ACL 2026 System Demonstrations，papers.cool #19
  • 核心观点：开源系统，让临床医生审计 AI Agent 的心理社会安全风险（操纵、歧视、心理困扰）。通过 4 个 LLM-as-judge pipelines（单 Agent 评分、双 Agent 纠正等）评分 5 个心理安全维度。研究发现商业治疗聊天机器人在临床场景中仅约 50% 情况响应适当。
  • 可信度：⭐⭐⭐⭐ 高；ACL 2026 Demo，开源，有量化数据
  • 后续行动：✅ 建议写入"Agent 安全评估"主题页；关注生产部署可行性
  • 标签：agent-safety、psychosocial-safety、LLM-as-judge、ACL2026

[高价值] Rankify — 检索/重排/RAG 全流程 Python 工具包

  • 来源：ACL 2026 System Demonstrations，papers.cool #21
  • 核心观点：Python 工具包，覆盖检索（Retrieval）、重排（Re-ranking）、RAG 全流程。与 RankGPT 等业界工具链对齐。
  • 可信度：⭐⭐⭐⭐ 高；ACL 2026 Demo，有工具属性
  • 后续行动：✅ 建议核实 GitHub 代码库；可作为 RAG 工程工具链参考
  • 标签：RAG、re-ranking、toolkit、ACL2026

[高价值] PROTEA — 多 Agent LLM 工作流离线评测与迭代改进

  • 来源：ACL 2026 System Demonstrations，papers.cool #3
  • 作者：Kazuki Kawamura, Satoshi Waki, Kei Tateno
  • 核心观点：解决多 Agent LLM 工作流调试困难的问题。PROTEA 执行工作流、用可配置评估器对中间 artifact 评分，在工作流图上叠加每节点状态和理由定位瓶颈。提出 Backward Node Evaluation（从终端监督推导每个节点的理想输出），自动生成 prompt patch diff 并重新运行对比。
  • 可信度：⭐⭐⭐⭐ 高；ACL 2026 Demo，工程价值明确
  • 后续行动：✅ 建议精读；可作为 Agent 开发工具链重要补充
  • 标签：multi-agent、evaluation、debugging、workflow、ACL2026

[高价值] GovScape — 7000 万政府 PDF 多模态搜索系统

  • 来源：ACL 2026 System Demonstrations，papers.cool #23
  • 核心观点：面向 7000 万页政府 PDF 的多模态检索系统。大规模生产级 PDF OCR + 检索 + 语义搜索 pipeline。
  • 可信度：⭐⭐⭐⭐ 高；ACL 2026 Demo，工程规模显著
  • 后续行动：⚠️ 关注系统架构设计，可作为大规模 RAG 参考
  • 标签：large-scale-RAG、PDF-search、government-data、ACL2026

[参考] The ML Engineer #398 — Kimi K3 架构、Raschka 分析、Netflix LLM-Native 推荐系统

  • 来源：The Machine Learning Engineer Substack，Issue #398
  • 核心观点：本周重点条目 — ① Kimi K3 架构分析（Sebastian Raschka）；② Netflix LLM-Native 推荐系统；③ OpenAI 数学推理 10 项进步；④ 前沿模型"作弊行为"研究；⑤ OpenAI HF Hack 时间线分析。
  • 可信度：⭐⭐⭐⭐ 高；70,000+ ML 从业者订阅，工程洞察为主
  • 后续行动：✅ 建议列入 AI 工程周报来源；关注 Raschka 对 Kimi K3 的架构解读
  • 标签：Kimi-K3、Netflix-RecSys、LLM-math、Substack-ML-engineering

[参考] Mind and Machine Weekly — 2026-07-27 至 2026-08-02 周刊

  • 来源：Mind and Machine Weekly Substack
  • 核心观点：本周 AI 新闻周刊，含 ApexSP（机器学习 cargo 特异性信号肽设计框架）和 GyRot（低比特 LLM 推理旋转+细粒度分组量化）。提及 DeepMind 视频生成视觉提示工程研究。
  • 可信度：⭐⭐⭐ 中；一般周刊，关注度一般
  • 后续行动：⚠️ 参考关注，不深度追踪
  • 标签：weekly-newsletter、GyRot、signal-peptide

[参考] Epoch AI — OpenAI Codex 贡献者 AI 加速效率分析

  • 来源：Epoch AI Substack，2026-07-31
  • 核心观点：分析 41 名 OpenAI Codex 仓库核心贡献者，2026 年 Q2 有 8% 的贡献者工作反映超过 24 小时无辅助人力工时（较 2025 Q2 的 2% 大幅上升）。说明 AI 辅助编码的复杂度边界在提升。
  • 可信度：⭐⭐⭐⭐ 高；Epoch AI 独立研究机构，数据方法论透明
  • 后续行动：✅ 建议写入"AI 工程效率"主题页；可与 SWE-bench 等基准交叉验证
  • 标签：AI-productivity、Codex、Epoch-AI、engineering-efficiency

🔧 csdn / CSDN 高价值

本次检索未发现本周符合 CSDN 筛选标准的高价值文章（需有版本/环境/命令/源码分析/真实排障经验）。CSDN 近期内容以概述性为主，暂不收录。

CSDN 收录标准（严格）： 版本明确、环境可复现、命令源码分析、真实排障经验。本次无条目达标。

🔁 reproduction / 可复现

[建议复现] Fluid-Guided Online Scheduling — KV Cache 内存约束实验

  • 目标：使用 Vidur 模拟器复现 arXiv 2504.11320 中的 A100 80GB Llama-2-7B 调度实验
  • 环境依赖：Vidur（LLM 模拟器）、NVIDIA A100 或模拟配置
  • 复现难度：⭐⭐⭐ 中；模拟器路径，无需真实 GPU
  • 参考：arXiv 2504.11320

[建议复现] DIRT — SQLite B-tree 模糊测试

  • 目标：使用 DIRT 方法论对 SQLite 最新版本（2026）重新执行模糊测试，验证 bug 清单
  • 环境依赖：SQLite 源码、DIRT 测试框架（待查 GitHub）
  • 复现难度：⭐⭐⭐ 中
  • 参考：arXiv 2604.16373

📊 分类标签汇总

标签 数量
LLM-serving 6
KV-cache 4
vector-database 5
agentic-AI 4
ACL2026 5
Kubernetes 3
storage-engine 3
production-monitoring 2
RAG 3
PostgreSQL 2

📁 建议写入路径

主题 目标路径（草稿）
KV Cache 优化系统性综述 /shared/research-kb/inbox/jay/2026-08-03-kv-cache-optimization-survey.md
Datadog AI Engineering 报告摘要 /shared/research-kb/inbox/jay/2026-08-03-datadog-ai-engineering-report.md
ACL 2026 System Demo 精选（ArcLight/PROTEA/Rankify/DialogGuard/GovScape） /shared/research-kb/inbox/jay/2026-08-03-acl-2026-system-demos.md

✅ 精读 / 审稿 / 主题页更新建议

本次优先精读（Top 5）

  1. [必读] Datadog State of AI Engineering — 真实生产数据锚点
  2. [必读] KV Cache 优化策略系统性综述（arXiv 2603.20397）— 主题页骨干
  3. [建议] Netflix LLM Serving 平台生产实践（InfoQ）— 工程参考
  4. [建议] Fluid-Guided Online Scheduling（arXiv 2504.11320）— 理论+系统联合
  5. [建议] PROTEA 多 Agent 工作流评测（ACL 2026）— 工程工具链价值

建议新增/更新知识库主题页

  • LLM 推理优化：纳入 KV Cache 综述 + Fluid-Guided + Netflix 三个来源
  • Agent 工程实践：纳入 Datadog 报告 + PROTEA + DialogGuard
  • 向量数据库选型：纳入 LanceDB vs ChromaDB vs pgvector 对比 + OceanBase 更新

简报生成：Jay | 时间：2026-08-03 15:05 CST | 检索来源：arXiv、Tavily、Web Search、Substack、ACL Anthology