Jay · 每日知识库简报 · 第三场

整理时间：2026-09-14 11:05 (UTC+8) 实例：Jay 检索范围：arXiv Sep 2026 · vLLM/SGLang 推理引擎 · Kubernetes v1.37 · LLM 推理综述 · Substack AI Agent Stack · PostgreSQL vs MySQL 2026

一、DATABASE（数据库系统）

🔴 高价值条目

1. FlintKV — 快速持存储引擎（arXiv 2607.02401）

  • 链接：https://arxiv.org/abs/2607.02401
  • 发布时间：2026年9月（v2，Sep 2026）
  • 主题：面向现代数据库的快速持久化 KV 存储引擎
  • 核心贡献：
  • 整合无锁 skiplist（原子批量更新 + 快照语义）与崩溃一致性
  • 与 RocksDB 对齐 API（Put/Get/Delete/Snapshot Iterator）
  • 适合 NVMe 直连场景，对高并发写入友好
  • 可信度：高（arXiv 学术论文，有版本历史）
  • 精读建议：建议精读 — 存储引擎层面 crash consistency 设计细节，RocksDB 替代候选
  • 后续行动：待核验是否有开源代码仓；对比 LMDB-FILE 与 Rust 版 RocksDB fork

2. SPI — Streaming RAG 查询深度自适应索引（arXiv 2511.16681）

  • 链接：https://arxiv.org/abs/2511.16681
  • 发布时间：2026年6月（last revised 2026-09 持续活跃）
  • 主题：向量数据库中面向 Streaming RAG 的查询深度自适应索引
  • 核心贡献：根据查询深度（短窗口/长上下文）动态调整索引结构，适配流式 RAG 场景
  • 可信度：高（arXiv 学术论文）
  • 精读建议：建议精读 — RAG 系统+向量数据库交叉方向，工程落地价值高
  • 后续行动：核验论文实验规模和代码可用性

3. Living Databases — 持续 Schema 演化和版本化统一模型（ICDE 2026）

  • 链接：https://arxiv.org/abs/2605.00676
  • 发布时间：2026年5月，ICDE 2026 DEFT track
  • 主题：统一模型处理 Schema 持续演化、版本控制和转换
  • 核心贡献：
  • Prolly-tree + 列式布局的快照图抽象
  • 自治调优引擎（自动管理 chunk 策略/压缩/物化决策）
  • 兼顾事务更新和分析查询访问模式
  • 可信度：高（IEEE ICDE 2026 论文）
  • 精读建议：建议精读 — Schema 演化是生产数据库常见痛点，自动化 tuning 是 ML4DB 热点方向
  • 后续行动：对比现有 Schema migration 方案（Flyway/Liquibase + AI）

4. GenDB — 合成查询处理引擎（arXiv 2603.02081）

  • 链接：https://arxiv.org/abs/2603.02081
  • 发布时间：2026年3月
  • 主题：用 LLM 多智能体管道自动合成 C++ 查询处理管道
  • 核心观点：Jailbreak 四智能体 LLM 管道自动化合成 PostgreSQL heap/MySQL InnoDB 存储页读取器；GenDB 合成整个查询处理管线而非人工设计
  • 可信度：中（研究原型，概念验证）
  • 精读建议：可选精读 — 概念前沿，工程可行性待验证
  • 后续行动：关注 VLDB 2026 Workshop AIDB 后续

5. LEANN — 低存储向量索引（arXiv 2506.08276）

  • 链接：https://arxiv.org/abs/2506.08276
  • 发布时间：2025年6月
  • 主题：低存储占用的向量索引算法
  • 可信度：高（arXiv 学术论文，cs.DB）
  • 精读建议：可选精读 — 存储优化视角，适合嵌入式/边缘向量检索场景

6. Filtered Approx Nearest Neighbor — 结构化过滤+向量索引交叉（arXiv 2602.11443）

  • 链接：https://arxiv.org/html/2602.11443
  • 发布时间：2026年2月
  • 主题：向量数据库中带结构化过滤条件的 ANN 搜索
  • 核心观点：现有融合方法（ACORN/Filtered-DiskANN/HQANN）牺牲灵活性；通用向量 DB 路线仍有研究盲点
  • 精读建议：建议泛读 — 生产中过滤向量查询很常见，对 Milvus/PgVector 优化有参考价值

🟡 中等价值条目（线索）

条目 主题 来源 行动
Factorized and Vectorized Execution 分析+语义查询向量化执行 arXiv 2609.09002（Sep 2026） 待核验全文
OmniTable 统一宽表抽象+LLM数据策展 arXiv 2609.11148（Sep 2026） 核验是否开源
Testing Computation Pushdown in Distributed DB 分布式数据库计算下推测试 ISSTA 2026 关注测试方法论
ML4DB-paper-list ML4DB 论文列表（含 Divo/OmniTune/QUITE 等 2026 论文） GitHub 补充进 DB 主题页

📌 Database 分类标签

#database #vector-index #storage-engine #streaming-RAG #schema-evolution #ML4DB #inference-index

二、BACKEND（推理引擎与后端系统）

🔴 高价值条目

1. Awesome-LLM-Inference-Engine — ACM TIST 2026 综述

  • 链接：https://github.com/sihyeong/Awesome-LLM-Inference-Engine
  • 论文：ACM Trans. Intell. Syst. Technol. 2026，"A Survey on Inference Engines for Large Language Models: Perspectives on Optimization and Efficiency"
  • 核心贡献：
  • 系统梳理当前主流推理引擎优化技术全景图
  • 采样优化：Eagle（多 token 推测解码）、Medusa（树状多头解码）、ReDrafter、MineDraft（vLLM 插件）
  • 吞吐量优化：Continuous Batching。并行化、缓存复用
  • 延迟优化：Stall-free Scheduling、Chunked Prefill、Priority-aware Execution
  • 可信度：高（ACM 期刊论文，学术+工程综述）
  • 精读建议：建议精读 — 推理引擎完整技术栈地图，工程选型参考框架
  • 后续行动：补充进 inference-engine 主题页参考源

2. vLLM vs SGLang vs TensorRT-LLM 2026 决策框架（Spheron）

  • 链接：https://www.spheron.network/blog/llm-inference-optimization-2026
  • 发布时间：2026年8月
  • 核心观点：
  • vLLM = 最高吞吐量 + OpenAI 兼容 API，PagedAttention
  • SGLang = 前缀共享场景最优，RadixAttention
  • TensorRT-LLM = 最低延迟，NVIDIA 深度优化
  • 关键变量：模型切换频率、前缀共享比例、并发量
  • SGLang Breakable CUDA Graph：2026 默认降低 GPU 成本
  • 可信度：高（工程对比，有 benchmark 数据）
  • 精读建议：建议精读 — 生产推理引擎选型实用指南

3. LLM Inference Optimization: vLLM vs TensorRT-LLM vs SGLang Decision Framework（DeployBase）

  • 链接：https://deploybase.ai/articles/best-llm-inference-engine
  • 发布时间：2026年3月（持续更新）
  • 核心内容：
  • 各引擎优化参数具体配置（gpu_memory_utilization、enable_prefix_caching 等）
  • SGLang 状态图 API 示例：sgl.gen(name="reasoning", max_tokens=500)
  • TGI bfloat16 + TensorRT-LLM 构建命令
  • Prefix caching 配置：llm = LLM(model="...", enable_prefix_caching=True)
  • 可信度：高（工程配置手册，含真实命令）
  • 精读建议：建议精读 — 推理引擎生产调优参数速查

4. vLLM Blog — V1 架构重构（2026年）

  • 链接：https://vllm.ai/blog
  • 核心内容：
  • vLLM V1：重新架构引擎，简化的调度器，near-zero 开销 prefix caching，更干净的 tensor parallelism，多进程 API server，默认高吞吐优化
  • vLLM Korea Meetup 2026：社区增长、V1 更新、生产栈采纳、 accelerator 集成
  • Prefill-Decode Disaggregation：AMD MORI-IO 单节点 prefill/decode 分离
  • Blackwell Inference：FP4 kernels，Pareto 前沿 benchmark
  • 可信度：高（官方博客）
  • 精读建议：建议精读 — vLLM V1 架构变化是 2026 推理工程重要里程碑

5. The Community Stories of vLLM and SGLang（Medium/@ant-oss）

  • 链接：https://medium.com/@ant-oss/the-community-stories-of-vllm-and-sgl-d4675e77da6a
  • 发布时间：2026年
  • 核心观点：
  • vLLM 和 SGLang 均源于 Berkeley（Ion Stoica 实验室）
  • vLLM：2023年6月起步；SGLang：约6个月后
  • 2025年9-12月 vLLM 增长放缓，V1 后恢复；SGLang 自 v0.2 稳步攀升
  • DeepSeek V3/R1 推动两者进入新一轮快速增长
  • 两大引擎功能趋同：Continuous Batching、PagedAttention、RadixAttention、Chunked Prefill、Speculative Decoding、Disaggregated Serving
  • 可信度：中（技术评论，视角性内容）
  • 精读建议：建议泛读 — 理解社区动态和技术演进路线

6. The Rise of Modern LLM Inference Engines in 2026（LinkedIn/Umesh Khandelwal）

  • 链接：https://www.linkedin.com/pulse/rise-modern-llm-inference-engines-2026-umesh-khandelwal-p5cde
  • 可信度：中（行业评论）
  • 精读建议：可选泛读 — 行业趋势观察

📌 Backend 分类标签

#inference-engine #vLLM #SGLang #TensorRT-LLM #speculative-decoding #PagedAttention #RadixAttention #prefix-caching #continuous-batching

三、CLOUD-NATIVE（云原生与 Kubernetes）

🔴 高价值条目

1. Kubernetes 2.0 — 2026十年最大版本（tech-insider.org）

  • 链接：https://tech-insider.org/kubernetes-2-0-everything-developers-need-to-know-about-the-biggest-release-in-a-decade
  • 发布时间：2025年12月 GA，2026年持续演进
  • 核心变化：
  • eBPF 原生网络栈：替代 kube-proxy，2026年3月 Cilium 份额达 60%，消除 iptables 瓶颈，支持高级流量管理
  • 原生 Sidecar 容器：v1.33 GA stable，Pod 生命周期原语，代理/可观测 sidecar 更安全可靠
  • 简化 CRD 创作
  • 内置多集群联邦
  • v1.36：原生 gang scheduling（AI workload），GPU 利用率提升 25%（2026年6月数据）
  • 可信度：高（引用 Kubernetes 官方 changelog）
  • 精读建议：建议精读 — Kubernetes 2.0 是生产 K8s 升级的重要参考节点

2. Kubernetes v1.37 — 67项增强（The New Stack）

  • 链接：https://thenewstack.io/kubecon-kubernetes-updates-security
  • 发布时间：2026年9月11日（KubeCon 期间）
  • 核心内容：
  • Azure AKS：autoscaling for VM node pools GA，v1.37 preview 推出
  • 67项增强，重点在 AI infrastructure 和 operator 可用性
  • 仍有 access-control gap 需要关注
  • 可信度：高（The New Stack 技术媒体，现场报道）
  • 精读建议：建议精读 — v1.37 是最新稳定版，KubeCon NA 2026 重点版本

3. Kubernetes Security 2025 Stable Features & 2026 Preview（CN CF 官方）

  • 链接：https://www.cncf.io/blog/2025/12/15/kubernetes-security-2025-stable-features-and-2026-preview
  • 核心内容：
  • Sidecar containers（v1.33 GA）：更安全的 sidecar 生命周期管理
  • Recursive read-only mounts（v1.33 GA）：关闭可写路径滥用攻击面
  • Bound ServiceAccount token improvements（v1.33）：唯一 token ID + node binding，防止 token 复用和节点冒用
  • Robust image pull authorization（Beta，v1.35）：kubelet 可重新验证镜像凭证，关闭缓存镜像冒用场景
  • 可信度：高（CN CF 官方博客）
  • 精读建议：建议精读 — K8s 安全加固实用指南

4. State of Cloud-Native Security 2026（Red Hat）

  • 链接：https://www.redhat.com/en/resources/state-of-cloud-native-security-ebook
  • 发布时间：2026年
  • 核心观点：
  • AI 带来新的风险维度，治理速度必须追上创新速度
  • 运行时保护扩展
  • 多云/混合环境安全治理
  • 可信度：高（Red Hat 年度安全报告）
  • 精读建议：建议泛读 — 2026 云原生安全全局视图

📌 Cloud-Native 分类标签

#kubernetes #k8s-2.0 #eBPF #Cilium #sidecar-containers #kubecon-2026 #v1.37 #cloud-native-security

四、CSDN（中文技术社区高价值条目）

🔴 高价值条目

1. PostgreSQL vs MySQL 2026 全面对比（多源综合）

  • 来源：tech-insider.org / kunalganglani.com / dharmops.com / builder.ai2sql.io
  • 核心数据：
  • DB-Engines 2026年7月：PostgreSQL 687.80（↑6.92 YoY），MySQL 846.46（↓94.27 YoY）
  • PostgreSQL 唯一上升的 Top 4 数据库；Oracle 和 SQL Server 均大幅下滑
  • PostgreSQL 优势：复杂分析查询、JSON/向量扩展（pgvector）、MVCC 强一致性、AI-ready 架构
  • MySQL 优势：简单 OLTP 读、高并发连接、Thread-per-connection 低开销
  • PostgreSQL 18：异步 I/O 子系统重大改进，VACUUM 内存消耗降低 20 倍（v17 已降 20x）
  • 写密集 benchmark：MySQL 高约 30%（单节点配置）
  • 连接池：MySQL 500 idle connections 可消耗 2-3x Postgres 内存
  • 可信度：高（多源 benchmark 汇总）
  • 精读建议：建议精读 — 2026 数据库选型必读
  • 后续行动：补充 PostgreSQL 18 async I/O 详细配置参数

2. AI Agent 架构 2026：RAG vs Fine-Tuning vs Multi-Agent（LaderaLabs）

  • 链接：https://laderalabs.io/blog/ai-agent-architecture-patterns-rag-vs-fine-tuning-2026
  • 发布时间：2026年
  • 核心观点：
  • Q2 2026 架构决策决定 Q3 2027 能构建什么
  • 选商品 wrapper 本季度省事，下季度重建
  • 自定义 RAG + fine-tuning 管线 + 多智能体系统本季度构建将形成能力复利
  • 工具调用是 2026 Agent 标准能力，非附加功能
  • 可信度：中（技术博客，工程经验为主）
  • 精读建议：建议泛读 — 架构决策方法论

📌 CSDN 分类标签

#PostgreSQL #MySQL #database-comparison #pgvector #2026-trends

五、REPRODUCTION（可复现研究条目）

🔴 高价值条目

1. ACM TIST 2026 推理引擎综述 — Awesome-LLM-Inference-Engine

  • 论文：https://github.com/sihyeong/Awesome-LLM-Inference-Engine（Survey Paper，ACM TIST 2026）
  • 可复现性：高（GitHub 维护，持续更新，含引用文献）
  • 复现建议：构建推理引擎特性对比表，覆盖各引擎支持的技术

2. vLLM V1 架构重构 — 官方博客系列

  • 链接：https://vllm.ai/blog
  • 可复现性：高（含源码和 benchmark）
  • 复现建议：在多 GPU 节点实测 PagedAttention vs RadixAttention prefix caching 对比

3. Kubernetes 2.0 eBPF 网络栈 — Cilium 对比测试

  • 可复现性：中（需多节点集群）
  • 复现建议：测试 Cilium eBPF vs kube-proxy 在大并发下的吞吐量差异

4. LLM Inference Engines 对比基准（Spheron + DeployBase）

  • 链接：https://www.spheron.network/blog/llm-inference-optimization-2026 | https://deploybase.ai/articles/best-llm-inference-engine
  • 可复现性：高（有具体配置参数）
  • 复现建议：在相同硬件上实测 vLLM/SGLang/TensorRT-LLM 的 prefix-heavy vs unique workload 对比

📌 Reproduction 分类标签

#reproduction #inference-benchmark #vllm #sglang #k8s-2.0 #ebpf

六、SUBSTACK 精选（AI Agent Stack 2026）

🔴 高价值条目

1. The AI Agents Stack（2026 Edition）— The AI Engineer

  • 链接：https://theaiengineer.substack.com/p/the-ai-agents-stack-2026-edition
  • 发布时间：2026年
  • 核心洞察：
  • Agent guardrails 独立于 LLM guardrails：2026 年 guardrails 需覆盖工具调用授权、速率限制、行为验证
  • "Evaluation as infrastructure" 三层收敛：PR 级快速检查 / 夜间回归（LLM judge）/ 生产持续监控
  • 新 Benchmark：Context-Bench（记忆）、Recovery-Bench（错误恢复）、Terminal-Bench（编码 Agent）
  • 可信度：高（AI Engineer 专业 newsletter）
  • 精读建议：建议精读 — Agent 工程实践路线图

2. Multi-Agent System Memory and RAG — llmengg.com

  • 链接：https://llmengg.com/multi-agent-system-memory-rag
  • 发布时间：2026年4月 Workshop
  • 核心内容：
  • 集中式 RAG 服务暴露为 MCP server，多智能体通过 typed MCP tool call 访问
  • 连接池 + 共享检索缓存避免冗余 embedding 搜索
  • 长运行 Agent 记忆管理：TTL 驱逐 + 重要性压缩 + 记忆相关性衰减 + 会话摘要
  • MCP（Model Context Protocol）：Anthropic 提出的 Agent 间结构化编排标准
  • 可信度：高（Workshop 深度内容）
  • 精读建议：建议精读 — Agent 记忆架构和生产 RAG 设计

3. My LLM Coding Workflow into 2026 — Addy Osmani（Addy Osmani @ Substack）

  • 链接：https://addyo.substack.com/p/my-llm-coding-workflow-going-into
  • 核心观点：
  • 监督式 AI 辅助：让 AI 生成和运行代码，但人保持监控
  • 并行 Agent 工具：3-4 个 Agent 同时处理不同任务
  • 坚实软件工程基础 + AI = 能力倍增；基础薄弱 + AI = 混乱放大
  • LLMs "reward existing best practices"
  • 可信度：高（Addy Osmani，Google 工程师）
  • 精读建议：建议泛读 — AI 工程实践方法论

📌 Substack 分类标签

#substack #AI-agent-stack #MCP #agent-guardrails #agent-evaluation #memory-management #multi-agent-RAG

七、本次简报汇总

高价值精读候选（优先级排序）

  1. Awesome-LLM-Inference-Engine（ACM TIST 2026） — 推理引擎全景综述，工程选型必备
  2. vLLM V1 架构重构（官方博客）— 2026 推理工程核心变化
  3. Kubernetes 2.0 eBPF + v1.37（tech-insider + The New Stack）— 云原生重大升级
  4. The AI Agents Stack 2026 Edition（The AI Engineer）— Agent 工程路线图
  5. Multi-Agent System Memory and RAG（llmengg.com）— 生产 Agent 记忆架构
  6. SPI: Streaming RAG Query-Depth-Adaptive Indexing（arXiv）— RAG+向量索引交叉前沿
  7. Living Databases（ICDE 2026）— Schema 自动化演进
  8. FlintKV（arXiv）— 新一代持久化 KV 引擎候选

建议写入路径

/shared/research-kb/inbox/jay/2026-09-14-1105-jay-five-category-briefing.md ✅

分类标签汇总

#database #inference-engine #kubernetes #cloud-native #vLLM #SGLang #AI-agent-stack #RAG #vector-index #k8s-2.0 #pgvector #2026

本简报由 Jay 实例自动生成 · 2026-09-14 11:05 UTC+8 不执行 GitHub 写入 · 草稿存放于 /shared/research-kb/inbox/jay/