知识库草稿：Jay 午间五类简报 · 2026-09-10 11:05
主题
午间补充简报：聚焦上午未覆盖的数据库选型、后端架构趋势、Cloud-Native eBPF、arXiv 新论文及 Substack 高价值条目
一、Database · 向量数据库 2026 格局与选型
🔴 重点收录
来源： 多源综合（iternal.ai / cake.ai / digitalapplied / instaclustr / braintrust，2026 年 4–8 月）
2026 向量数据库四层格局：
| 层级 | 代表 | 核心定位 | 适用场景 |
|---|---|---|---|
| 托管领袖 | Pinecone、Vertex Vector（GCP） | 全托管、零运维 | 企业级亿级向量，sub-100ms SLA |
| 开源主力 | Qdrant、Weaviate、Milvus | 自托管 + 管理版 | 生产级有状态 AI 应用 |
| 嵌入式/集成 | Chroma、pgvector | 轻量原型 + Postgres 集成 | 快速验证、Postgres 原生团队 |
| 大规模混合 | Vespa | 混合检索 + 结构化过滤 | 电商/金融搜索 |
关键工程判断：
- Qdrant（Rust）：性能最优，量化压缩降低推理成本，适合 cost-sensitive 生产负载；payload filtering 在 agent 记忆场景表现突出
- Weaviate：唯一同时具备原生 hybrid search（vector + BM25）且支持 GraphQL/REST 多 SDK；多租户隔离能力强，适合 SaaS 产品
- Milvus：开源顶流（42k GitHub stars），K8s 原生， billion-scale 索引，工业级生产首选
- Chroma：本地原型验证首选，但 2026 年明显向嵌入式/轻量方向收缩
- pgvector：Postgres 已有团队零成本接入，适合已有 PG 基础设施的团队；缺点是无 sharding/HA
RAG 选型建议（2026）： - 通用生产 → Milvus 或 Qdrant - 混合搜索（关键词 + 语义） → Weaviate - 长上下文直接读取（无检索）场景上升，部分 RAG pipeline 被吸收
可信度： 中高，多源交叉验证一致 建议： 可作为向量数据库选型主题页参考文献
链接： - https://iternal.ai/insights/best-vector-databases-2026 - https://www.digitalapplied.com/blog/vector-databases-for-ai-agents-pinecone-qdrant-2026
补充：分布式系统 × AI 新趋势
来源： Axoniq / CACM / Colin Breck Blog，2026 年
核心观点：AI Agent 暴露传统 DDD 的结构性缺陷
- 传统 DDD 聚合边界（Aggregate）基于业务不变式设计，但 AI Agent 的数据访问模式是「跨维度关联」，不受预定义聚合边界约束
- 2026 年 AI Agent 日益关键 → 组织发现根本性不兼容：Agent 需要灵活的跨维度数据关联 vs 传统刚性 schema
- 分布式系统 2026 预测三要点： 1. 对象存储正在成为数据库（对象存储 = 数据库的新定义） 2. TP 和 AP 工具正在合流（HTAP 趋势加速） 3. 新编程模型（e.g. 事件溯源 / CRDT）正在重绘抽象边界
可信度： 中，博客观点型，需结合学术文献交叉验证 建议： 作为分布式 AI 系统架构主题页的灵感来源
链接： - https://www.axoniq.io/blog/three-bold-predictions-for-distributed-systems-in-2026 - https://cacm.acm.org/blogcacm/rethinking-distributed-computing-for-the-ai-era
二、Backend · 后端工程师 2026 技能图谱与架构趋势
✅ 收录
来源： design.gurus（DeepueAI 旗下）Substack，2026-09 版
后端工程师 2026 新现实： - 传统 API + DB + Cache 模式仍然存在，但 AI 服务引入了不可预测的负载和可变延迟 - LLM 应用生成式负载与传统后端负载模式完全不同：突发性 token 密集、streaming、streaming + tool call 并发
2026 后端技能树新增层： 1. LLM 应用负载理解：token 预算、streaming 响应处理、批量推理、模型路由 2. 分布式一致性新维度：AI Agent 记忆一致性 vs 传统分布式事务 3. 可观测性升级：从「metrics + logs + traces」到「AI 可观测性」——prompt 版本追踪、token 消耗、SLA 定义变化
工程面试趋势（PracHub，2026-09-02）： - 强候选人证明：invariants + edge cases + 确定性行为 - 数据判断：schema、constraints、isolation、access patterns、transaction boundaries - 性能：latency、throughput、memory、hot spots、cache policy、batching、profiling
可信度： 高，综合性技能总结，来源可验证 建议： 可作为后端工程师技能树主题页参考
链接： - https://designgurus.substack.com/p/the-complete-backend-developer-roadmap - https://prachub.com/resources/backend-engineer-interview-guide-2026-apis-databases-caching-distributed-systems-and-debugging
三、Cloud-Native · eBPF：2026 云原生隐形支柱
🔴 重点收录
来源： DEV Community / Cloud Native Now / The New Stack / groundcover，2026 年 8 月
eBPF 在 2026 年的三大落地场景已成熟：
1. Service Mesh：无 sidecar 流量拦截
- 传统 Istio：每个 Pod 注入 Envoy sidecar，每个 Pod 增加约 100MB 资源消耗
- Istio Ambient Mesh（2026 主流方向）：用 eBPF 在节点层拦截流量，无需 sidecar 注入，mTLS 和流量策略仍然有效，大幅降低资源开销
- Cilium（Isovalent，2026 年 3 月满 10 年，25k stars）：eBPF 原生网络/可观测性/安全，Hubble（Tetragon）实现零 instrumentation 可观测性
- Tetragon 1.7（2026-05）：精度过滤、丰富上下文、性能提升
2. 可观测性：零 instrumentation 遥测
- Pixie：30 秒部署，无需代码插桩，自动采集所有 HTTP 请求、DB 查询、DNS 解析
- Coroot：eBPF 驱动，metrics + logs + traces + profiles + service map + SLO + cost visibility + AI root cause，开源社区版免费
- Metoro：K8s 原生 AI SRE 软件，2026 年新兴
3. 运行时安全
- Tetragon / Falco：在内核层 hook，实时阻断攻击行为（传统 HIDS 读取用户空间日志，攻击者可在检测前完成操作）
- 2026 年最值得关注的安全方向：eBPF 策略在 K8s 层的实时执行
eBPF 趋势总结（Cloud Native Now）： - Service mesh 将持续用 eBPF 替代 sidecar - 可观测性平台将全面拥抱零插桩遥测 - 安全工具将深度利用内核层 hook - 平台工程团队将 eBPF 工具作为隐形基础设施嵌入 golden paths
可信度： 高，多源技术博客交叉验证 建议： 精读，eBPF + K8s 是云原生工程师必掌握领域
链接： - https://dev.to/linou518/ebpf-in-2026-the-kernel-revolution-powering-cloud-native-security-and-observability-22jd - https://cloudnativenow.com/features/ebpf-the-silent-power-behind-cloud-natives-next-phase - https://cilium.io（10周年更新）
四、cs.CL / arXiv 新论文（2609 系列）
🔴 重点：多跳检索推理设计框架
来源： arXiv:2601.00536（Retrieval–Reasoning Processes for Multi-hop QA）
核心贡献：四轴设计框架 将检索-推理流程按四个维度分类： 1. 检索粒度（R/I/P）：粗粒度 / 细粒度 / 混合 2. 推理结构（F/G/H/L）：Flat / Graph / Hierarchical / Loop 3. 融合方式（R/P/V）：Retrieve-then-Reason / Parallel / Verify 4. 批处理（B/C/L/H）：Batch / Continuous / Loop / Hybrid
代表性系统对照表（部分）：
| 系统 | 检索 | 推理 | 融合 | 批处理 | 适用 Benchmark |
|---|---|---|---|---|---|
| IR-CoT | I | H | V | B | HotpotQA |
| GraphRAG | I | G | R/P | B | 常识推理 |
| RAPTOR | R/I | H | R | B | Long-doc QA |
| SIM-RAG | I | F | P/V | C/L | Multi-round RAG |
| KG-o1 | P/I | G | P/V | B | KGQA |
工程价值： 系统化梳理了 2022–2026 年多跳 RAG 的设计空间，可作为 RAG 架构选型的理论框架 可信度： 高，arXiv 可验证 建议： 精读，作为 RAG 架构主题页核心理论文献
链接： https://arxiv.org/html/2601.00536v1
✅ 其他 2609 系列高价值条目
1. Uncertainty Quantification for LLM Agents（arXiv:2609.07395） - 分类学：认知不确定性（epistemic）vs 知识冲突（knowledge conflict） - 新发现：多模态 RAG 中文本可能与视觉证据矛盾（BinZ et al. 2026） - 落地场景：Agent 执行前的 gating 机制——风险估计如何门控能力执行 - 可信度： 高 - 建议： 可作为 Agent 安全/对齐主题页引用
2. Agentic Context Cracking（arXiv:2608.31082） - 定位：面向数据的 Agent 推理（data reasoning tasks） - 发现：传统 RAG 在数据推理任务上准确率低；Agentic 系统通过规划步骤序列 + 自适应工具调用实现更高质量 - 代价：计算成本极高（"prohibitive cost"） - 可信度： 高 - 建议： 与上午 CSDN 的 RAG 范式演进文章交叉验证
3. EM2Mem: Event-Centric Multimodal Memory（arXiv:2609.00551） - 视频理解新范式：从 caption/summary 检索 → 事件中心记忆系统 - 支持细粒度事件定位 + 灵活时间抽象 + 长期语义推理 - 对比了 LightRAG、HippoRAG、Video-RAG 的局限 - 可信度： 中高 - 建议： 多模态 Agent 记忆系统方向跟进
4. ICM-Bench: Identity Reasoning in Multimodal Agents（arXiv:2609.04438） - 评测框架：人物级别身份推理 + 长期记忆（Li Ming's Life Album，1年合成数据集） - 关键数据： - HippoRAG2（Gemini 3.5 Flash）：63.4 / 72.5 / 70.4 / 40.7（4项指标） - M3-Agent（Gemini 3.5 Flash）：58.7 / 67.0 / 60.6 / 45.1 - 长期记忆身份推理仍是明显短板 - 可信度： 高 - 建议： 多模态 Agent + 记忆系统方向精读
五、Substack · AI 行业Newsletter 精选
✅ Andrew Ng · The Batch（Issue 369，2026-09-04）
本期重点： - Coding Agent 关键技能：Ng 指出 AI 工程的核心技能之一是使用 coding agent——让 agent 持续工作直到满足产品规格（loop until condition） - Token maxing 已死：Ng 表示很高兴看到「token maxing」（尽可能多用 token 提升生产力）的观念终于在消亡 - AI Engineering Skills Map（2026-08-14）：DeepueAI 发布 AI 工程师技能图谱，Ng 是业内影响力最大的教育者，其观点塑造了更广泛的行业认知 - 近期关注：Ox Alpha、Custom Models Beyond Fine-Tuning
可信度： 高，Ng 是 AI 教育领域最有影响力的声音 建议： 关注其 AI Engineering Skills Map，这是业界少有的具体 AI 工程师技能声明
链接： - https://www.deeplearning.ai/the-batch（Sep 04, 2026） - https://tomrochette.com/agents/deeplearning-ai-andrew-ng（信源聚合）
✅ Import AI（Jack Clark）· 近期精选
Import AI 472： - DeepMind 作弊数学 Agent - 民粹主义 AI 政策 - Forethought「守夜人」理论
Import AI 469： - 科学 AI 新前沿：开发有能力的自主研究员（autonomous researcher） - RSI（Recursive Self-Improvement）模拟器
Import AI 468： - 23 个 RSI 构想 - PostTrainBench+ - 信任与透明如何影响 AI 竞赛
可信度： 高，Jack Clark 是 AI 政策与系统观察领域最有深度的作者之一 建议： Import AI 469–472 可作为 AI 安全/对齐 + 科学 AI 主题页线索
链接： https://importai.substack.com
分类标签汇总
database: 向量数据库选型、分布式系统 × AI、DDD 局限
backend: 后端工程师技能树、LLM 负载处理、AI 可观测性
cloud-native: eBPF、Istio Ambient Mesh、Cilium、Tetragon、Pixie、Coroot
cs.CL: 多跳 RAG 设计框架、不确定性量化、Agentic Context Cracking、
EM2Mem、ICM-Bench、NeoHorse-1（上午已收录）
csdn: （上午已覆盖 2026 RAG 范式、SGLang、Qwen3、awesome-llm-apps 等）
reproduction: RAG 设计框架论文复现、ICM-Bench 基准评测对比
建议写入路径
本次草稿文件：
/shared/research-kb/inbox/jay/2026-09-10T1105-jay-afternoon-five-category-briefing.md
建议主题页更新：
- database/vector-database-selection-2026.md（新建）
- backend/ai-engineering-skills-2026.md（新建）
- cloud-native/ebpf-service-mesh-2026.md（新建）
- cs.CL/rag-design-framework-taxonomy.md（新建）
- ai-agents/agent-memory-systems-2026.md（更新）
本次精读优先级
- 🔴 eBPF + Istio Ambient Mesh / Cilium（云原生工程师必读，工程落地成熟度高）
- 🔴 多跳 RAG 四轴设计框架（arXiv:2601.00536）（RAG 架构选型理论基础）
- 🟡 NeoHorse-1 + ICM-Bench（Agent 递归改进 + 长期记忆，2026 核心研究方向）
- 🟡 Uncertainty Quantification for LLM Agents（Agent 安全执行 gating 机制）
- 🟢 Andrew Ng AI Engineering Skills Map（行业认知锚点，了解业界标准定义）
Jay · 2026-09-10 11:05 · 本实例草稿，请勿直接合并至 review/