📚 Jay 研究简报 · 2026-08-09

本简报覆盖 2026-08-03 ～ 2026-08-09 期间数据库、后端、云原生领域高价值学术论文与工程文献，按类别整理。

🗄️ Database

⭐ 高价值条目

1. Token-Native Storage: Read and Write in your Agent's Language

• arXiv: 2608.02376 · cs.DB / cs.CL / cs.IR
• 作者: Kumar Shivendu（署名）
• 发布时间: 2026-08-03（v2 2026-08-06）
• 核心观点:
• 当前数据库和搜索引擎仍以 UTF-8 存储文本，但 Embedder、Reranker、LLM Agent 均以 Token ID 工作，每次读取都需字符→Token 转换。
• 论文提出 Token-Native Storage：直接以 BPE Token ID 存储文本，跳过字符编码。
• 英文压缩率：plain uint16 打包比 UTF-8 节省 2.25×；加熵编码器达 3.30×。
• 关键发现：按频率重排序 BPE 编号后，plain integer codec（StreamVByte）解码速度比熵编码快 ~7×，且压缩率几乎相当。
• 核心主张：Tokenizer 标准化（类比 ASCII/UTF-8），不同模型族共享词表。
• 可信度: ⭐⭐⭐⭐⭐（跨领域实验充分，6种Tokenizer + 3种语料，覆盖英语/代码/印地语）
• 后续行动: 精读；评估对现有向量数据库存储层的改造价值；关注标准化进展
• 标签: storage tokenization BPE vector-DB compression LLM-native

2. Filtered Vector Search in a Disaggregated Lakehouse: Composing Table-Format Pruning with Per-File ANN

• arXiv: 2608.05441 · cs.DB
• 发布时间: 2026-08-07
• 核心观点:
• 近似最近邻（ANN）搜索常需结合过滤条件，但通常"向量索引"和"过滤"是分开处理的。
• 论文提出在 Apache Iceberg + Parquet 湖仓架构下，将 IVF 索引嵌入 Parquet 文件 footer，通过 Iceberg 元数据层面先做文件裁剪（partition/zone-map/bitmap），再做 per-file ANN。
• 关键性能：11.5M × 768 数据集，Recall@10≥0.90，predicate 裁剪 355/444 文件后 IVF 比 brute-force 快 ~32×；JOIN 场景下加速 ~94×（14.7s → 157ms）。
• 索引构建：分布式、非破坏性（metadata-only Iceberg replace），所有引擎均可读取。
• 可信度: ⭐⭐⭐⭐（大规模真实数据集 IBM Granite embeddings，量化数据充分）
• 后续行动: 关注与现有 Lakehouse（Delta/Iceberg）生态集成可行性
• 标签: vector-search lakehouse Iceberg ANN filtered-search cloud-native-DB

3. RaG-Tree: Combining R-Tree and HNSW for Multi-Attribute Range Filtered Approximate Nearest Neighbor Search

• arXiv: 2608.01255 · cs.DB
• 发布时间: 2026-08-04
• 核心观点:
• 多属性范围过滤 ANN（MR-ANNS）：在高维向量上同时施加多个属性范围约束，是现代 AI 应用基础操作。
• 现有方案要么依赖单一属性做剪枝，要么沿单个属性递归划分，难以利用属性间相关性。
• RaG-Tree：将 R-tree 分区层次与感知划分的 HNSW 图耦合——R-tree 做范围剪枝，HNSW 图适配局部向量分布做 ANN。
• 支持动态增量更新（incrementally update affected HNSW partitions）；自适应搜索算法最小化图遍历。
• 可信度: ⭐⭐⭐⭐（多真实数据集实验，与 SOTA 基线对比充分）
• 后续行动: 关注与多租户向量数据库场景的结合
• 标签: vector-index HNSW R-tree MR-ANNS multi-attribute indexing

4. Two-sided RDMA Striking Back for Disaggregated Memory Databases（Lotus）

• arXiv: 2607.26227 · cs.DB
• 作者: Hokeun Cha, Aditya Akella, Xiangyao Yu（UW-Madison）
• 发布时间: 2026-07（月度列表）
• 核心观点:
• 内存解聚合（Disaggregated Memory）数据库中，RDMA one-sided 因 API 限制无法表达复杂系统功能（饥饿预防、优先级调度、抢占）；且索引需多次网络往返，造成网络放大。
• Lotus：重新挖掘 two-sided RDMA，通过 (1) 轻量级缓存 + (2) 高效批处理 解决内存服务器 CPU 瓶颈。
• 实测：YCSB 基准下吞吐量比 SOTA one-sided RDMA 方案高 8.2×，p999 尾延迟低 42.9×。
• 可信度: ⭐⭐⭐⭐⭐（系统方向顶级团队，量化数据完整）
• 后续行动: 精读；云数据库解聚合架构设计参考
• 标签: RDMA disaggregated-memory cloud-native distributed-DB performance

5. Hiding the Cost of Querying Parquet Files in the Datapath（Oasis）

• arXiv: 2608.02268 · cs.DB / cs.AR
• 作者: Jonas Dann et al.
• 发布时间: 2026-08-03
• 核心观点:
• 云原生数据库解聚合存储与计算后，扫描操作（含存储往返）约占查询运行时长 50%；Parquet 解码是 CPU 热点（存储/网络带宽增速 > CPU 性价比增速）。
• Oasis：将 Parquet 解码卸载到 SmartNIC 网络数据通路，与 DuckDB 端到端集成。
• 效果：在最优情况下 DuckDB 查询吞吐几乎翻倍（≈2×）。
• 可信度: ⭐⭐⭐⭐（硬件加速+数据库交叉领域，工程数据充分）
• 后续行动: 关注 SmartNIC 生态和云厂商定制硬件趋势
• 标签: SmartNIC Parquet duckdb hardware-acceleration cloud-native-DB

6. ACME: Automated Clause Mapping Engine for Testing Emerging Database Systems

• arXiv（待确认） · FSE 2026 Industry Track
• 场景: 数据库系统自动化测试，SQL clause 映射
• 可信度: ⭐⭐⭐（会议论文，工程导向）
• 标签: testing DB-testing automation

7. TYTAN: Interactive Neurosymbolic Construction of Analytic Semantic Schemas

• arXiv: 2608.06331 · cs.DB / cs.AI
• 核心观点: 自动化从关系数据库构建分析语义 Schema（实体/属性/度量识别），结合符号分析与 LLM 推理；覆盖 8 个真实+基准数据库，语义角色准确率 92-100%。
• 可信度: ⭐⭐⭐⭐
• 标签: semantic-schema neurosymbolic NL-to-SQL auto-schema

🔧 Backend

候选条目

8. A General Sufficient Condition for Rewriting Horn-ALCHI Atomic Queries into GQL

• arXiv: 2608.04945 · cs.DB / cs.AI
• 会议: ISWC 2026（技术报告）
• 核心观点: ISO 标准 GQL（Graph Query Language）扩展一阶逻辑含受控递归，论文引入 DL automata 形式化方法，识别出一大类可 Rewrite 为 GQL 的 Horn-ALCHI OMQs。
• 可信度: ⭐⭐⭐⭐（形式化工作，会议录用）
• 标签: GQL graph-DB ontology-queries knowledge-graph

9. LazyAttention: Efficient RAG with Deferred Positional Encoding

• 来源: Yongjoo Park 组 · ICML 2026
• 核心观点: RAG 检索阶段延迟位置编码以提升效率，结合语义查询优化
• 可信度: ⭐⭐⭐⭐
• 标签: RAG attention positional-encoding LLM

☁️ Cloud-Native / MLOps

候选条目

10. Cloud-native and Distributed Systems for Efficient and Scalable LLMs: A Research Agenda

• arXiv: 2604.17227 · Survey/Agenda
• 核心观点: 综述云原生架构、分布式系统如何支撑 LLM scaling；覆盖计算/系统/运营挑战，微服务、容器化、编排等架构模式。
• 可信度: ⭐⭐⭐⭐（综述类，引用丰富）
• 后续行动: 适合作为背景文献参考；关注其中 resource management 章节
• 标签: LLM-scaling distributed-systems cloud-native microservices

11. Clinical MLOps: A Framework for Responsible Deployment and Observability of AI Systems in Cloud-Native Healthcare

• DOI: 10.61927/igmin336 · IgMin Research · 2026-03
• 核心观点: 医疗 AI 系统的 MLOps 全流程框架，聚焦负责任部署、可观测性与合规性
• 可信度: ⭐⭐⭐（行业应用向，非顶会）
• 标签: MLOps healthcare observability responsible-AI

12. MLOps in the Cloud-Native Era — Scaling AI/ML Workloads with Kubernetes and Serverless

• 来源: Cloud Native Now · 2026-08-06
• 核心观点: Kubernetes 规模化训练 + Serverless 推理的 MLOps 实践；Kubeflow 在弹性 K8s 上的端到端 ML 生命周期管理
• 可信度: ⭐⭐⭐（行业媒体，概览性质）
• 标签: Kubernetes Kubeflow serverless MLOps inference

13. Engineering RAG Systems for Real-World Applications: Design, Development, and Evaluation

• arXiv: 2506.20869 · SEAA 2026（LNCS 16082）
• 核心观点: 工业级 RAG 系统全生命周期工程方法论（设计/开发/评估），面向软件工程视角
• 可信度: ⭐⭐⭐⭐（会议论文，软件工程顶会子会）
• 标签: RAG software-engineering system-design production

🔍 Reproduction / 代码复现类

候选条目

📋 分类标签汇总

storage tokenization BPE vector-DB compression LLM-native · vector-search lakehouse Iceberg ANN filtered-search cloud-native-DB · vector-index HNSW R-tree MR-ANNS multi-attribute indexing · RDMA disaggregated-memory cloud-native distributed-DB performance · SmartNIC Parquet duckdb hardware-acceleration · semantic-schema neurosymbolic NL-to-SQL · GQL graph-DB ontology-queries knowledge-graph · RAG attention positional-encoding · LLM-scaling microservices · MLOps Kubernetes Kubeflow serverless · responsible-AI observability

📁 建议写入路径

• 本次草稿路径: /shared/research-kb/inbox/jay/2026-08-09-research-digest.md
• 后续行动建议:
• ⭐ 精读（Priority 1）: Token-Native Storage（2608.02376）、Lotus（2607.26227）
• ⭐ 精读（Priority 2）: Filtered Vector Search（2608.05441）、RaG-Tree（2608.01255）
• 📖 泛读存档: Cloud-native+LLM Survey、TYTAN、Oasis
• 🔬 复现评估: Token-Native Storage → 概念验证；RaG-Tree → 现有 HNSW 扩展

Jay · 2026-08-09 · 研究知识库每日简报