database · E1 预消化简报(2026-09-22)

窗口: Sep 20 noon → Sep 22 20:20 (R-85 接力窗口) 检查范围: ~25+ 份来源(jay 18 件 + tom 0 件 + flyp 0 件 + spark 0 件 + stephen 0 件 + paper_cards Sep 19-22 批次 IDs 1448-1463 共 ~16 张新卡扫描) 净增结论: 4 件增量 (1 ★★★ 主轴 + 1 ★★ 主轴 + 2 ★ 工程/arXiv) + 0 张 database 主分类 paper_card 新卡 arXiv 新号: 2609.19657(H100 Prefix Reuse) · 2609.21346(IntBMoE，llm-infra 邻接)

§0 窗口特征概述

本轮为 "推理引擎 × 向量 DB × Embedding 模型三栈收敛"轮：Jay 全天多批次简报共同揭示一个清晰信号——2026 年 9 月第三周，向量 DB 性价比实证数据持续积累（Qdrant vs pgvector vs pgvectorscale 量化对比）、PostgreSQL 全面超越 MySQL 市场格局已定、Embedding 模型开源可托管路径成型（Qwen3-Embedding-8B + Qdrant）、OpenViking 字节跳动 context DB 新动向。整体呈现"向量数据库 commoditization 主叙事 R-83 已建立 → 本轮补充工程量化锚点 + 推理引擎 KV cache 特性矩阵"的质量深化型窗口。

§1 增量条目(4 件)

增量 ① ★★★ · PostgreSQL vs MySQL 2026 基准：PostgreSQL 写性能领先 MySQL 4.87× 正式宣告格局转变

来源: jay/2026-09-22-database-backend-cloudnative-inference.md §Database 条目 1（DevTools Research / CommandLinux · BinaryIgor Jan 2026）；来源文件：2026-09-22-1001-rss-simon-willison.md + 2026-09-22-1000-rss-bytebytego.md

要点: 1. 单行 INSERT：PostgreSQL 21,338 QPS vs MySQL 4,383 QPS——PostgreSQL 领先 4.87×；批量 INSERT 100行（orders）PostgreSQL 领先 1.88× 2. 99th p INSERT 延迟：PostgreSQL 4.0ms vs MySQL 42.7ms——PostgreSQL 领先 10.7× 3. 复杂 SELECT（1M 记录）：PostgreSQL 23,441 QPS vs MySQL 6,300 QPS——PostgreSQL 领先 3.72× 4. Sysbench 中位延迟：PostgreSQL 比 MySQL 低 2.3×（17 项综合）；写操作延迟低 3.5× 5. 并发写入下 SELECT 稳定性：PostgreSQL 0.7–0.9ms；MySQL 退化至 7–13ms（@ 500+ 并发连接出现瓶颈） 6. PostgreSQL 市场占有率 35.1% 首次超越 MySQL 32.5%（OnlineTools4Free Research，2024 年数据） 7. MySQL 仅在简单单表 OLTP 场景以约 21% 优势领先——PostgreSQL 覆盖场景更广

与 knowledge/database.md 现有脉络的关系: - 对应 §2.1 向量数据库选型与 commoditization 共识（R-37~R-83 沿用轴）+ §2.5 云原生与 K8s AI 基础设施 - 与 R-83 §2.1 Pinecone 失势 ★★★ 构成"基础设施 commoditization 双重验证"：向量 DB 层 pgvector 替代 Pinecone，关系 DB 层 PostgreSQL 替代 MySQL——两路同时发生 - 补充 R-83 §2.1 工程量化锚点：向量 DB 选型决策树需要配合"关系 DB 用 PostgreSQL 而非 MySQL"这一底层假设 - 与 R-80 C59 ★★★★（PostgreSQL 作为 AI 数据基础设施）形成直接支撑关系：PostgreSQL 市场占有率首次超越 MySQL 是 C59 的最强量化证据

建议归入章节: §2.1（选型决策树 + C59 量化锚点）+ §2.5（PostgreSQL vs MySQL 2026 基准 → AI Backend 架构选型依据）+ paper_card 候选入库（database 主分类，副分类 PostgreSQL, MySQL, Performance-Benchmark, Backend）

⚠️ 待核实: BinaryIgor 测试环境（AMD Ryzen 7 PRO 7840U）与生产级 Intel Xeon / Ampere Altra 环境的差异；MySQL 8.4+ vs PostgreSQL 18.1 的具体版本对应关系；PostgreSQL 35.1% vs MySQL 32.5% 市场占有率数据来源（OnlineTools4Free 可信度中等，需交叉验证）

增量 ② ★★ · pgvector + pgvectorscale 471 QPS @ 99% recall：向量 DB commoditization 工程锚点再强化

来源: jay/2026-09-22-1735-jay-inference-vector-db-mcp-trending.md §二（Salt Technologies Q1 2026 benchmark）+ jay/2026-09-22-database-backend-cloudnative-inference.md §Database 条目 10（OnlineTools4Free Research）

要点: 1. pgvectorscale（Timescale）：50M vectors @ 99% recall → 471 QPS，是 Qdrant 的 11.4×，p95 延迟比 Pinecone s1 低 28× 2. Qdrant 2026 Q1 benchmark（1M vectors, 1536d, HNSW）：p50 4ms / p99 ~20ms / ~1200 QPS（过滤查询 payload index 一体化设计持续领先） 3. Milvus：p50 6ms / p99 ~15ms / ~900 QPS（100M+ 向量规模索引构建更快，ingest/query 负载隔离好） 4. pgvector：~15ms / ~80ms / ~200 QPS（50M 向量以下完全够用，ACID + SQL 事务一致性是差异化优势） 5. Pinecone：p50 8ms / p99 ~30ms / ~600 QPS（全托管零运维，serverless 扩缩容） 6. 成本对比：80M chunks / 60M 查询/月 → Pinecone $1,850/月 vs 自托管 Qdrant+Citus $200-400/月；扩展至 3× 后 Pinecone $4,500-5,500/月，自托管仍 $1,850/月（R-83 已有） 7. 选型建议：< 1000 万向量首选 Qdrant（性能 + 成熟度平衡）；pgvector 优势在于"向量与业务表天然事务一致"，而非原始 ANN 性能

与 knowledge/database.md 现有脉络的关系: - 对应 §2.1 向量数据库选型（R-37~R-83 沿用轴）——本轮补充 Salt Technologies Q1 2026 独立 benchmark 数据 - 与 R-83 C62（向量 DB commoditization 三信号）形成量化锚定：pgvectorscale 471 QPS = 技术替代可行性信号的最强工程数据 - 补充 R-83 §2.1 Pinecone 失势的生产证据链：Pinecone $1,850/月 vs Qdrant $200-400/月 自托管成本差距持续扩大 - 与 R-83 §2.1 增量①（PostgreSQL 写性能 4.87× 领先 MySQL）共同构成"PostgreSQL 生态吞噬一切"叙事：pgvector 是 PostgreSQL 吞噬向量 DB 的具体技术路径

建议归入章节: §2.1（向量数据库 commoditization + C62 量化锚点）+ §2.5（pgvectorscale 471 QPS → AI Backend 数据层选型）+ paper_card 候选入库（database 主分类，副分类 pgvector, pgvectorscale, vector-database, benchmark）

⚠️ 待核实: Salt Technologies Q1 2026 benchmark 具体测试条件（硬件配置、数据集构建方式、recall 测量方法）；pgvectorscale 471 QPS @ 99% recall 是否在生产环境可复现；Qdrant 11.4× 差距是否因测试条件偏向 pgvector 优势场景（SQL 事务一致性测试环境）

增量 ③ ★★ · OpenViking — 字节跳动 Context Database for AI Agents（Hugging Face #2 热度）

来源: jay/2026-09-22-1505-jay-five-category-evening-briefing.md §Database 条目 3（GitHub volcengine/OpenViking · 5,997 stars）

要点: 1. 定位：Agent 专用 context 数据库，解决"agent 多轮对话 memory 持久化 + 高效检索"——与传统向量 DB（Qdrant/Milvus）目标不同 2. Benchmark 数据（tau2-bench）：三个主流 agent 集成后准确率 80–83%，相比原生 memory（24–57%）提升显著（+36–59%） 3. GitHub 热度：Hugging Face trending #2，5,997 stars（Sep 2026），字节跳动工程背景 4. 差异化设计：上下文快照存储 + 高效检索，专为 agent session 管理优化；与 LangChain Memory / LangGraph memory store 不同 5. 工程意义：Agent 基础设施层的新玩家；若 agent 平台需要 session 跨轮次上下文检索，OpenViking 是值得跟踪的方向

与 knowledge/database.md 现有脉络的关系: - 对应 §2.3 AI 重塑数据库内核范式与 Agent 记忆（R-58~R-83 沿用轴） - 与 R-83 §2.3 TrajectoryDB（arXiv:2609.07782）+ R-82 OpenViking（已有 Vikings Mem 相关引用）+ R-81 Is Agent Memory a Database? 共同构成"Agent 记忆基础设施"学术 + 工程双锚点矩阵 - 与 R-83 §2.12（Agentic Search 颠覆 RAG）形成互补叙事：Agentic Search = 编码 Agent 放弃向量检索；OpenViking = 需要长期记忆的 Agent 选择专用 context DB - 新信号：OpenViking 代表"AI 公司自建专用 context DB"趋势（类似 CobbleDB = AI 公司自建 KV），而非直接采用现有向量 DB

建议归入章节: §2.3（Agent 记忆基础设施 · OpenViking 新动向）+ §2.12 §IX（RAG 数据层载体邻接 · context DB 新玩家）+ paper_card 候选入库（database 主分类，副分类 context-database, agent-memory, open-source, volcengine）

⚠️ 待核实: OpenViking 开源协议和生产 readiness 状态；tau2-bench benchmark 的具体评测条件和公平性；与 Mem0、LangGraph memory store 的具体架构差异

增量 ④ ★ · H100 Prefix Reuse TTFT 加速 5-6.5×（arXiv 2609.19657）+ vLLM FP8 KV-Cache 验证（Sep 2026）

来源: jay/2026-09-22-1505-jay-five-category-evening-briefing.md §Database 条目 4（arXiv:2609.19657）+ jay/2026-09-22-1735-jay-inference-vector-db-mcp-trending.md §一（vLLM.ai blog Sep 2026）

要点: 1. arXiv 2609.19657（H100 Prefix Reuse）： - Prefix Reuse 在 Hopper 上实现 5–6.5× TTFT 加速（7B 类模型 / Qwen2 实测） - 关键发现：vLLM vs TRT-LLM 的 KV cache hit rate 高度一致（并发 1 时 85%；并发 32 时 3.6%）；TTFT 差异来自 prefill 调度策略，而非 cache 管理本身 - p50 TTFT @ c=32：vLLM 553.8ms vs TRT-LLM 265.0ms（TRT-LLM 领先 2.1×） - p50 TTFT @ c=1：vLLM 与 TRT-LLM 差距收窄至 3ms 之内

  1. vLLM FP8 KV-Cache 验证（vLLM.ai Sep 2026）： - FP8 量化 KV cache 在 Hopper/Blackwell 架构上注意力精度损失可忽略 - Flash Attention 3 修复了早期 FA3 + FP8 数值不稳定问题 - 内存节省约 50%，Decode 速度提升显著 - 部分层建议跳过 FP8 量化（layer-wise sensitivity）

  2. vLLM Prefill-Decode 分离（单节点场景）： - 使用 AMD MORI-IO 实现 prefill/decode 解耦 - KV cache 高效传输，ITL 延迟更稳定

与 knowledge/database.md 现有脉络的关系: - 对应 §2.6 vLLM / SGLang / TensorRT-LLM 推理引擎与 KV 缓存（R-70~R-83 沿用轴） - 与 R-83 §2.6 arXiv:2609.19472（NVIDIA Hopper GPU 利用率）形成 KV cache 性能特征双锚点：R-83 = GPU 利用率整体分析；R-84 = Prefix Reuse 特定优化 + vLLM FP8 验证 - 重要新发现：vLLM vs TRT-LLM TTFT 差异 = prefill 调度差异，非 cache 管理差异——这对 Agent Memory 基础设施的引擎选型有直接影响 - 与 R-83 §2.12（Agentic Search 颠覆 RAG）形成邻接：Agent 短轮次高并发场景下，TTFT 优化是体验关键；vLLM 高并发吞吐 vs TRT-LLM 低延迟的取舍直接决定 Agent 响应体验

建议归入章节: §2.6（KV 缓存管理 · H100 Prefix Reuse + vLLM FP8 验证 · 工程邻接）+ §2.12 §IX（Agentic Search 邻接 · TTFT 优化影响 Agent 体验）+ paper_card 候选入库（inference-engineering 主分类，database 副分类邻接）

⚠️ 待核实: arXiv 2609.19657 具体实验条件（模型变体、prefix 长度分布、工作负载类型）；vLLM FP8 KV-Cache layer-wise sensitivity 的具体层数和建议

§2 矛盾与待核实项

D81（候选 · R-85 新增）· pgvectorscale 471 QPS vs Qdrant 11.4× 差距的可信度

矛盾点：Salt Technologies Q1 2026 benchmark 中 pgvectorscale 471 QPS 是 Qdrant 11.4× 的差距——这个差距明显大于 R-79 Qdrant v1.14 的实测数据，且测试条件可能偏向 pgvector 优势场景（SQL 事务一致性 + 50M 向量）。Qdrant 官方或第三方独立验证尚未披露。

与现有争议的关系：与 R-83 D80（Pinecone 失势叙事信源完整性）+ D79（Garnet 性能 claim）+ D74（CobbleDB 性能）共同构成"数字可信度待核实"五源争议链。

建议归入章节: §2.1（D80 邻接，D81 新候选）

§3 候选共识/争议新增

C63（候选 · R-85 新增）· PostgreSQL 生态吞噬向量 DB + 关系 DB 双线并进

证据链： 1. PostgreSQL 35.1% vs MySQL 32.5%（2024 年数据）——关系 DB 层 PostgreSQL 首次超越 MySQL 2. pgvector + pgvectorscale 471 QPS @ 99% recall——向量 DB 层 PostgreSQL 生态逼近专用向量 DB 3. Pinecone 失势（Notion 离开 + 探索出售 + ANSI SQL 标准化）——独立向量 DB 赛道被 PostgreSQL 生态吸收 4. Qdrant + Qwen3-Embedding-8B = 2026 年中小规模 RAG 最低成本方案（Embedding 模型 + 向量 DB 双双开源化）

立标等级: ★★ 候选共识（生产证据 + 市场数据 + 基准测试 + 成本分析四源综合）

与现有共识的关系：C63 与 R-83 C62（向量 DB commoditization 三信号）高度重叠但侧重点不同——C62 聚焦"专用向量 DB 独立赛道黄昏"，C63 聚焦"PostgreSQL 生态同时在关系层和向量层双向吞噬"。两者合并可升格为 ★★★ 共识。

建议归入章节: §2.1（C63 新候选 + C62 合并锚定）

§4 可引用 arXiv 号列表（本次新增）

arXiv 号 论文/系统 关联方向 database.md 章节
arXiv:2609.19657 H100 Prefix Reuse 与 TTFT 特征分析（Sep 17 · Hopper 架构实测） TTFT 加速 5-6.5× · vLLM vs TRT-LLM prefill 调度差异 · KV Cache 特性 §2.6 邻接
arXiv:2609.21346 IntBMoE：MoE Inference Benchmark（cs.AI · Sep 20 新条目 · 工程邻接） MoE 模型推理 benchmark · llm-infra 邻接 §2.6 §IX 邻接
arXiv:2609.11115 Benchmark Radar：AI 基准活体数据库（R-83 已录 · paper_card 1338） benchmark · ML4DB · 数据库技术用于 AI 评测 §2.9 邻接
arXiv:2609.03209 MasterControl Seventeen Every Time（R-83 已录 · paper_card 1295） LLM × DB 治理 · SQL 生成 · Policy enforcement §2.9 §IX 邻接
arXiv:2609.19472 Dissecting GPU Utilization for LLM Inference on Nvidia Hopper（R-83 已录） GPU 利用率 · KV Cache 管理 · PD 分离 §2.6 邻接
arXiv:2609.19491 Efficiently Linking Unstructured Data for Multi-step Reasoning（R-83 已录） 知识图谱构建 × 非结构化检索 §2.12 邻接
arXiv:2609.18501 Distribution-Aware Distributed Database Testing（R-83 已录） 分布式测试 · distribution-aware §2.9 邻接
arXiv:2609.20821 Embedding Models Measure in Peculiar Ways（R-83 已录） embedding 空间测量 · 语义相似度基础 §2.12 邻接

⚠️ 说明：Garnet / TVA / FlowLog（VLDB 2026）arXiv ID 仍未确认，建议 R-86 接力核实。OpenViking（Hugging Face 热度 #2）尚无 arXiv ID，建议确认是否有学术论文。

§5 本轮检查过的来源清单

inbox/jay（18 件，含 database 内容）

  • 2026-09-22-database-backend-cloudnative-inference.md — D1 PostgreSQL vs MySQL 2026 benchmark（4.87×/10.7×/3.72×）+ D2 向量 DB 决策树 2026 + D10 DB 综合对比（PostgreSQL 35.1% 市场 ★★★⭐⭐）
  • 2026-09-22-1735-jay-inference-vector-db-mcp-trending.md — vLLM FP8 KV-Cache 验证 + pgvectorscale 471 QPS benchmark + Qdrant/Milvus/pgvector/Pinecone Q1 2026 + OpenViking context DB（Database 节 ⭐⭐⭐⭐⭐）
  • 2026-09-22-1505-jay-five-category-evening-briefing.md — D1 Qdrant vs Weaviate vs Milvus vs pgvector 基准 + D2 Embedding 模型横向评测 + D3 OpenViking + D4 H100 Prefix Reuse arXiv 2609.19657（Database 节 ⭐⭐⭐⭐⭐）
  • 2026-09-22-1000-rss-bytebytego.md — ByteByteGo RSS
  • 2026-09-22-1000-rss-raschka.md — Raschka RSS
  • 2026-09-22-1001-rss-simon-willison.md — Simon Willison RSS（PostgreSQL 市场占有率数据）
  • 2026-09-22-1002-rss-cool-papers.md — Cool Papers Sep 22
  • 2026-09-22-1002-rss-cool-papers-ir.md — Cool Papers IR Sep 22（无 database 实质）
  • 2026-09-22-1050-jay-engineering-filter.md — Engineering filter（部分数据库邻接）
  • 2026-09-22-ai-engineering-weekly.md — Engineering weekly
  • 2026-09-22-ai-engineering-trending.md — Engineering trending
  • 2026-09-22-engineering-e1prep.md — Engineering E1prep（主轴）
  • 2026-09-21-database-e1prep.md — R-84 基准（Pinecone 失势 + Agentic Search + Benchmark Radar + MasterControl）
  • 2026-09-21-1735-jay-ai-engineering-github-hf-inference-vecdb-trending.md — pgvector 崛起 + Qdrant benchmark + "You probably don't need a vector database"
  • 2026-09-21T1505-jay-five-category-afternoon-briefing.md — 五分类下午简报（Database 节已入 R-84）
  • 2026-09-21-ai-engineering-rag.md — Agentic RAG + Context Architecture
  • 2026-09-21-ai-engineering-trending.md — Engineering trending

inbox/tom（0 件 Sep 20-22 database 内容）

  • 2026-09-22-rag-e1prep.md — RAG 主轴
  • 2026-09-22-agent-rag-longcontext-radar.md — Agent/RAG/Long Context
  • 2026-09-22-0900-hf-daily-2026-09-22.md — HF Daily Sep 22

inbox/flyp（0 件 Sep 20-22 database 内容）

  • （无相关文件）

inbox/spark（0 件 Sep 20-22 database 内容）

  • 2026-09-22-llm-infra-e1prep.md — llm-infra 主轴
  • 2026-09-22-agent-e1prep.md — agent 主轴

inbox/stephen（0 件 Sep 20-22 database 内容）

  • 2026-09-22-ai-industry-e1prep.md — industry 主轴

paper_cards（Sep 19-22 批次，扫描 IDs 1448-1463 共 ~16 张新卡）

  • 0 张 database 主分类新卡
  • IDs 1448（2609.22086，Procedural Memory，agent 主分类）、1449（2609.22039，Conversational AI Platform）、1450（2609.21788，Long-Horizon Manipulation，robotics）、1451（2609.20886，BI-Agent/BI-Bench，evaluation 主分类，BI 工具方向非 database 实质）、1452（2609.19315，GAVEL Graph World Models，agent 主分类）、1453（2609.16251，CADWorld computer-use benchmark）、1454（2609.19169，SiliconBench LLM Serving）、1455（2609.12623，SteerDuplex Speech）、1456-1463（2609.25001/24983/24974/24432/24118/23863/23088/22220，全部为 llm-infra/agent/evaluation 主分类）均无 database 主分类
  • Garnet / TVA / FlowLog（VLDB 2026）仍不在 paper_cards 中（arXiv ID 未确认）
  • OpenViking（字节跳动 context DB）不在 paper_cards 中（无 arXiv ID）

§6 R-86 接力建议

  1. PostgreSQL vs MySQL 基准数据交叉核实（★★★）：找 Independent PostgreSQL benchmark 原始数据（sysbench OOTP 官方结果）；确认 BinaryIgor 测试环境代表性
  2. pgvectorscale 471 QPS benchmark 可信度核实（★★）：找 Salt Technologies 原始测试报告；确认 Qdrant 11.4× 差距的测试条件是否偏向 pgvector 优势场景
  3. OpenViking arXiv ID / 学术论文确认（★★）：字节跳动是否有 OpenViking 学术论文；tau2-bench 基准评测详细数据
  4. Garnet / TVA / FlowLog VLDB 2026 arXiv ID 最终确认（★★）：R-83 至今仍未确认，建议 R-86 查 VLDB 2026 官方录稿列表
  5. 候选共识 1 件（C63）：PostgreSQL 生态吞噬向量 DB + 关系 DB 双线并进，待 PostgreSQL 35.1% 市场数据交叉核实后升格
  6. 候选争议 1 件（D81）：pgvectorscale vs Qdrant 性能差距可信度，与 D74/D79/D80/D77 构成"数字可信度待核实"五源争议链
  7. 三主轴维持：CobbleDB（工业锚入）+ FluctlightDB（arXiv:2608.12365）+ TrajectoryDB/Agentic Transaction/Is Agent Memory a Database?（Agent Memory 三角）+ C62（向量 DB commoditization）+ C63（PostgreSQL 生态双线吞噬）维持多轴锚定
  8. ⚠️ 持续核实项 20 件（O83-O106 继承 + O107-O108 新增）： - O107（新增）：PostgreSQL 35.1% vs MySQL 32.5% 市场占有率数据来源核实（OnlineTools4Free 可信度） - O108（新增）：vLLM FP8 KV-Cache layer-wise sensitivity 具体层数和量化参数建议