研究简报 · 五分类综合版 · 2026-08-09 21:05

实例：Jay · 本轮覆盖：Database / Backend / Cloud-Native / CSDN / Reproduction · 去重基准：已覆盖今日 T1105 / T1620 / T1735 / T1950 / T2023 各轮条目 · 不执行 GitHub 写入

一、Database

🔴 保留 1｜iFVS：VLDB 2026 · 实例级优化过滤向量搜索

• 来源： https://arxiv.org/html/2607.22922v1
• 作者： 疑似 VLDB 2026 Workshop 文章（Filtered Vector Search Workshop）
• 发布时间： 2026-07（VLDB 会议期间）
• 可信度： 高（arXiv + VLDB Workshop + 代码预期）
• 评级： ⭐⭐⭐⭐⭐

核心观点： - 问题： 过滤向量搜索（FVS）中，过滤谓词动态改变有效搜索空间，现有系统使用蛮力扫描或逐查询构建向量索引，效率低 - 方案： iFVS 提出实例级优化思路，根据具体查询负载特征自动选择最优 FVS 策略（而不是用通用规则） - 关键洞察： 高度选择性谓词（highly-selective predicates）返回少量向量候选，此时用蛮力扫描反而比构建 per-query 索引更快——这个反直觉结论有工程指导价值 - FVS 通式： filter(col1 = x AND col2 = y) ∧ ANN(vector_col, q1, k)，在 AI+DB 系统中极为常见（RAG filtering、metadata querying）

与 R-32 基线关系： 无重叠；向量索引优化新增条目

后续行动： 验证 GitHub 是否有开源代码；对比现有 FVS 系统（pgvector、Milvus、Weaviate）的过滤策略；关注后续是否扩展到 VLDB 2026 主会

🔴 保留 2｜TEngineDB-V：OLAP 原生向量搜索系统（arXiv 2608.00650）

• 来源： https://arxiv.org/pdf/2608.00650
• 发布时间： 2026-08（极新）
• 可信度： 高（arXiv + SIGMOD/VLDB 引用体系）
• 评级： ⭐⭐⭐⭐

核心观点： - 定位： OLAP 原生（而非在 OLTP 引擎上外挂向量索引），面向 Large-k 向量相似性查询场景 - 核心贡献： 在 StarRocks 等列存分析引擎内嵌向量搜索，跳过外部向量数据库引入的数据移动和格式转换开销 - 引用基线方法： 提到了 DiskResident Graph ANN Search（2026 arXiv）、TRIM（SIGMOD 2025）、VSAG 等基线，有完整的相关工作对比

工程价值： HTAP 系统 + 向量搜索融合是 2026 明显趋势（TIDB、StarRocks 都在做），此论文提供了系统设计参考

后续行动： 关注代码开源情况；对比 StarRocks 官方 vector index 方案与 TEngineDB-V 的设计差异

🔴 保留 3｜Evaluating LLMs in Database Scenarios：数据库全生命周期基准（arXiv 2608.03794）

• 来源： https://arxiv.org/html/2608.03794v1
• 发布时间： 2026-08
• 可信度： 高（arXiv）
• 评级： ⭐⭐⭐⭐

核心观点： - 问题： 现有 LLM×DB 评测只测 Text2SQL，但 LLM 实际上在数据库全生命周期（schema 设计、索引推荐、查询优化、异常检测等）都有潜力 - 方案： 提出两阶段验证策略：(1) SQLite 执行层过滤不可执行 SQL；(2) 三名数据库研究生独立重建图结构，用 Jaccard similarity 评估 - 相关工作对比： 引用了 Shi et al. (2026)、Chen et al. (2026)、Zhang et al. (2026) 等多篇同时期工作，说明 LLM-as-DB-agent 方向正在快速迭代

后续行动： 列入「LLM × Database」主题页更新候选；关注评测集是否公开

🟡 中等价值｜Six Dimensions of Benchmarking Time-Series Databases（arXiv 2608.01459）

• 来源： https://arxiv.org/html/2608.01459v1
• 发布时间： 2026-08
• 可信度： 高（arXiv）
• 评级： ⭐⭐⭐

核心观点： - 提出时序数据库评测六维度，覆盖数据摄取率、查询延迟、压缩率、资源利用等 - DataLayerTS（2026 年新 TSDB）利用时序数据规律性压缩降低存储、提升摄取率 - SciTS v2 继续完善多线程异步工作负载执行

价值： 作为 TSDB 选型的参考框架，不是具体系统推荐

二、Backend

🔴 保留 1｜Compiler-Grounded Hierarchical Diagnosis for Triton Kernel 优化（arXiv 2607.23089）

• 来源： https://arxiv.org/html/2607.23089v1
• 发布时间： 2026-07
• 可信度： 高（arXiv）
• 评级： ⭐⭐⭐⭐⭐

核心观点： - 问题： 现有 LLM-based kernel 优化依赖源码级 shallow signals（编译错误、运行时指标），无法定位 IR 层级和调度决策导致的性能问题 - 方案： 提出 Compiler-Grounded 分层诊断框架，在 IR lowering → scheduling → backend passes 链路中定位性能瓶颈根源，而非仅在源码层猜测 - 关键创新： 打通 operator 级源码与 backend 硬件行为之间的语义鸿沟——这是 Triton kernel auto-tuning 长期痛点 - 与 TVM/Ansor 区别： 传统 autotuning 在编译器可控变换空间内搜索；本文用 LLM 做诊断，结合编译器可见性做精确定位 - Triton-Ascend： 延伸到了 Ascend NPU 后端（Triton-Ascend），国内昇腾生态相关

工程价值： 直接指导 GPU kernel 性能调优方法论；国内有华为昇腾需求可重点关注 Triton-Ascend 分支

后续行动： 关注 GitHub 代码是否开源；可作为「Triton kernel 调优方法论」主题页核心引用

🔴 保留 2｜Hardware Mechanisms to Dynamically Throttle AI Performance（arXiv 2607.18069）

• 来源： https://arxiv.org/html/2607.18069v1
• 发布时间： 2026-07
• 可信度： 高（arXiv + IEEE Micro 等微架构顶会关联）
• 评级： ⭐⭐⭐⭐

核心观点： - 背景： AI 能力飞速提升（Humanity's Last Exam 一年内从 4% 升至 45%，METR task-completion horizon 翻倍），对芯片级安全机制提出新要求 - 方案： 提出三种硬件级 AI 性能节流机制： - 共享内存带宽裁剪（对 prefill 有效，提供 per-core 资源节流替代方案） - 每核资源节流（per-core resource throttling） - 时钟频率降低（更全局化的粗粒度节流） - 洞察： 共享内存带宽可作为比时钟频率更精细的性能控制旋钮——这是新发现，对推理引擎的资源隔离设计有参考价值 - 安全背景： AI 安全评估机制正从纯软件向硬件层延伸（监管/治理层面也有需求）

后续行动： 关注该方向是否进入芯片厂产品路线图；作为「AI 安全与硬件机制」主题页补充

🔴 保留 3｜Stratum：面向大规模 Agent-Centric ML 工作负载的系统架构（arXiv 2603.03589）

• 来源： https://arxiv.org/html/2603.03589v3
• 发布时间： 2026-03（持续更新）
• 可信度： 高（arXiv + 系统方向）
• 评级： ⭐⭐⭐⭐

核心观点： - 定位： 为 agent-centric ML workloads 设计的系统基础设施，填补了 Text2SQL 优化技术不适用于 ML 工作负载的空白 - 关键对比： 现有 LLM-based query synthesis 框架（RAG、prompt engineering、decomposition、execution error signals）在 SQL 场景成熟，但 ML 场景（dataframe pipeline、feature engineering、model training orchestration）需要不同优化策略 - 相关工作： mlwhatif（Grafberger et al. 2023）用 instrumentation 构建 operator DAG；Stratum 从中借鉴并扩展到 ML agent 场景

后续行动： 与 LangChain/LlamaIndex 等 agent 框架的 ML 扩展能力对比；关注与现有 MLOps 系统的集成点

三、Cloud-Native

🔴 保留 1｜Chaos Engineering in Cloud-Native Era：Kubernetes 上分布式 AI 模型弹性评测（urfpublishers.com）

• 来源： https://urfpublishers.com/journal/artificial-intelligence/article/view/chaos-engineering-in-the-cloud-native-era-evaluating-distributed-ai-model-resilience-on-kubernetes
• 发布时间： 2026（具体日期不详）
• 可信度： 中（urfpublishers 学术出版，非顶会）
• 评级： ⭐⭐⭐

核心观点： - Kubernetes 是 Cloud Native 分布式 AI 模型管理的标准平台（自动扩缩容、负载均衡、容器管理） - 混沌工程在云原生 AI 场景的核心挑战：让分布式 AI 模型在故障下保持鲁棒性 - Kubernetes 的灵活特性使 AI 模型能够快速弹性伸缩（scaling up/down）和故障恢复

工程价值： 作为"Kubernetes + AI 模型部署"工程实践的方法论参考，非具体工具推荐

🟡 中等价值｜Optimizing Cloud-Native Lakehouse for 半导体实时分析（ICCK 2026）

• 来源： https://www.icck.org/article/abs/tacs.2025.879079
• 期刊： ICCK Transactions on Advanced Computing and Systems, Vol 2, Issue 3, 2026
• 可信度： 中（会议论文，非顶会）
• 评级： ⭐⭐⭐

核心观点： - 云原生 Lakehouse 架构（类似 Delta Lake / Apache Iceberg）在半导体实时分析场景的性能-成本-能耗三维度平衡研究 - 特定行业应用，非通用框架，但反映了云原生数据架构在高端制造业的渗透趋势

四、CSDN

本轮搜索 CSDN 无实质高价值条目（CSDN 主要内容集中于 AI/Agent/RAG 方向，今日已见于其他 jay 简报数据库/AI 标签），无新增。

CSDN 覆盖声明： 基于 2026-08-09 T1620/T1735 轮次已覆盖 csdn 条目；本轮 Tavily 搜索 CSDN 相关性低，无 net-new 高价值条目。

五、Reproduction（GitHub/Hugging Face 可复现资源）

🔴 保留 1｜Awesome-Long-Horizon-Agents：RUC-NLPIR 长程 Agent 论文列表

• 来源： https://github.com/RUC-NLPIR/Awesome-Long-Horizon-Agents
• 可信度： 高（GitHub 活跃维护，RUC-NLPIR 学术团队）
• 评级： ⭐⭐⭐⭐⭐

核心内容（2026 年新增）：

后续行动： 重点关注"Socratic-SWE"（编程 Agent 自演进）和"Formal Policy Enforcement"两条；前者和 SWE-bench 相关，后者和安全攸关

🔴 保留 2｜Awesome-Harness-Engineering：Agent Harness 工程资源列表

• 来源： https://github.com/ai-boost/awesome-harness-engineering
• 可信度： 高（GitHub 活跃，AI-boost 组织）
• 评级： ⭐⭐⭐⭐⭐

核心内容（2026 年精选）：

1. Google Agent Development Kit (ADK) 2026 更新： 扩展与 Hugging Face、GitHub、Daytona、Notion 等集成，提供 orchestrations harness 与外部服务接线的参考模式

2. Harness Engineering: How to Build Reliable AI Agents（deepset, 2026-05）： - 失败分类框架： Context failures / Constraint failures / Verification failures / Planning failures - 核心结论： harness 级别改动（不改模型）可以让 Agent 在评测榜单上提升 20+ 排名——这是重要的工程方法论信号 - 与模型的边界： 说明在很多场景优化系统（harness）比换模型更有效

3. My Agents Self-Heal in Production（2026-04）： - 闭环模式： 检测回归 → 归因到上次部署 → 自动派发 coding agent 修复 PR - 核心创新： 把 evals + 观测从"人类看的仪表盘"变成"主动修复的反馈回路"

后续行动： 作为「Agent 系统可靠性工程」主题页核心参考；"Harness Engineering"概念值得单独建主题条目

🔴 保留 3｜Awesome-Vector-Database：向量数据库全面资源列表

• 来源： https://github.com/dangkhoasdc/awesome-vector-database
• 可信度： 高（GitHub 活跃，学术来源）
• 评级： ⭐⭐⭐⭐

核心内容（2026 年新增论文）：

后续行动： 与向量数据库选型知识库交叉验证；SIGMOD 2026 这篇"Index Layout"和 TEngineDB-V 可能有重叠值得核对

六、高价值 Substack 条目追踪

来源：Towards Data Science（Medium/Substack 类）

Prompt, Context, Loop: The Three Engineering Layers Every RAG System Is Built On - 来源： https://towardsdatascience.com/prompt-context-loop-the-three-engineering-layers-every-rag-system-is-built-on - 发布时间： 2026-05（推断） - 可信度： 高（Towards Data Science，著名技术博客平台） - 评级： ⭐⭐⭐⭐⭐

核心观点（2026 RAG 工程范式）：

• 三层工程模型： Prompt Engineering / Context Engineering / Loop Engineering
• 2022 vs 2026 使用场景对比：
• 2022：单次问答
• 2026：Agent 运行 40 轮/6 小时，派生 sub-agent 并行然后综合——有循环，必须做 loop 工程
• 2026 年新增工程层： Tool Catalogue Engineering（Meta 层，决定 Agent 可调用哪些工具）、Skill Engineering（Anthropic 2025 年底 Agent Skills）、Memory Engineering（跨 session 持久化）、Goal Engineering（Anthropic /goal、OpenAI Codex CLI）
• Vanilla RAG 在 Agent 场景失败的原因： Karpathy 2026-04 指出，对个人规模知识库（~100 篇，40 万词），RAG 引入的延迟和检索噪声大于其收益——这颠覆了"RAG 是 Agent 记忆标准方案"的旧假设

后续行动： 作为「RAG 工程方法论」主题页 2026 更新核心引用；重点标注"Karpathy 2026-04 对 Vanilla RAG 的质疑"及其工程含义

来源：Parallel.ai（Agent Harness 深度解读）

What is an agent harness? - 来源： https://parallel.ai/articles/what-is-an-agent-harness - 发布时间： 2026-07-29 - 可信度： 高（深度技术解读，22 分钟阅读时长） - 评级： ⭐⭐⭐⭐⭐

核心内容： - Agent harness 定义：围绕模型的管理层，负责工具管理、记忆管理和编排——是同一模型在不同产品中表现差异的根本原因 - Harness 关键组件： 动态检索（RAG）、prompt rewrite（首轮 vs 后续轮次不同 prompt）、memory 系统（跨 session 持久化） - Harness vs Orchestration vs Framework 的区别： Harness 更底层，直接管理模型与工具/记忆的交互； orchestration 是在 harness 之上的工作流层；framework 是更抽象的抽象层 - 案例： Anthropic Claude Agent SDK 被称为"通用 agent harness"

后续行动： 与 deepset 的 awesome-harness-engineering 合并，作为「Agent Harness 工程」主题页的双重引用来源

七、分类标签汇总

Database:      #database #vector-search #FVS #HTAP #time-series-DB #LLM-DB-lifecycle
Backend:       #kernel-optimization #Triton #hardware-throttling #ML-agent-systems
Cloud-Native:  #kubernetes #chaos-engineering #lakehouse #distributed-AI
CSDN:          （本轮无高价值条目）
Reproduction:  #awesome-agents #harness-engineering #vector-DB-resources
Substack:      #RAG-layers #agent-harness #vanilla-RAG-limitations

八、写入路径与行动建议

本轮草稿写入路径： /shared/research-kb/inbox/jay/2026-08-09T2105-jay-five-category-briefing.md ✅

后续行动（建议由 review 队列处理）： 1. 精读 iFVS arXiv 原文 + 验证代码开源情况 2. 核对 TEngineDB-V 与 StarRocks 官方 vector index 的关系 3. 对比 Awesome-Long-Horizon-Agents 中的"Socratic-SWE"与 SWE-bench 现有数据 4. 将 RAG 三层工程模型加入「RAG 工程方法论」活文档

Jay · 2026-08-09 21:05 CST · 五分类综合简报 · 本轮结束