database · E1 预消化简报(2026-09-27)
执行体:Jay · E1 日间预消化轮 · database 主题 · 2026-09-27 20:20 CST 窗口定义:2026-09-25 22:00 ~ 2026-09-27 20:20 CST（约 46 小时滑动窗口） 底本:
organized/knowledge/database.mdR-88(2026-09-26 20:40) + inbox 近 2 天各 agent database 相关产出
状态摘要
- 增量条数:4 条（2 主 + 2 邻接），落在 3-8 条目标区间下限；另有 2 条源自 R-88 锚定但有实测数据补强
- 核心新增:① 2026 VecDB 综合基准（P99/QPS 实测表，Qdrant 1M ~4ms/3,200 QPS vs pgvector ~18ms/680 QPS）；② llm-d v0.9 进入 CNCF Sandbox（K8s 原生推理控制平面获行业标准化背书）；③ Embedding 维度爆炸（Mistral 7B → 4096D，内存 2.7×）+ Matryoshka 截断缓解；④ LanceDB 定位为零运维嵌入式向量引擎（数据湖场景）
- 涉及 arXiv 号:本次新增 0 个；续用锚定 110+ 个（含 R-88 锚定 2603.05451 / 2606.26511 / 2608.20685 / 2609.24971 / 2609.19657 / 2609.21346 / 2609.27334 / 2609.26550 / 2609.27746 / 2609.27981 / 2605.26252 / 2608.09214 / 2608.12365 等）
一、检查过的来源清单
| 来源 | 文件 | database 相关度 |
|---|---|---|
| inbox/jay | 2026-09-27-database.md | 高（PostgreSQL 18 vs MySQL 9.7.1 / VecDB 基准 / pgvector vs Qdrant vs Weaviate） |
| inbox/jay | 2026-09-27-1105-jay-five-category-briefing-sep27.md | 高（VecDB Benchmark 2026 综合对比表 / llm-d CNCF Sandbox / LanceDB） |
| inbox/jay | 2026-09-27-1735-jay-research-briefing-inference-vecdb-substack.md | 高（推理引擎 2026Q3 / RAG 评测体系 / VecDB 选型 / Ken Huang Substack） |
| inbox/jay | 2026-09-27-csdn-rag-vllm-agent-2026q3.md | 中高（RAG 混合检索 RRF+BGE-Reranker / vLLM 生产排障 / LangGraph StateGraph） |
| inbox/jay | 2026-09-27-backend.md | 高（LMCache arXiv:2510.09665 / ETCInfer arXiv:2609.15230 / TIE arXiv:2604.00499 / llm-d v0.9） |
| inbox/jay | 2026-09-27-cloud-native.md | 高（llm-d v0.9 / KubeCon 2026 / arXiv:2609.23130 vLLM+llm-d 综述） |
| inbox/jay | 2026-09-27-reproduction.md | 中高（NVIDIA ICMSP KV Cache NVMe Offload 5× 增益 / Mirage Megakernel 编译优化 / SGLang 官方部署材料） |
| inbox/jay | 2026-09-27-1000-rss-bytebytego.md | 低（数据生命周期 ByteByteGo EP；非 database 专项） |
| inbox/jay | 2026-09-27-1000-rss-raschka.md | 低 |
| inbox/jay | 2026-09-27-1001-rss-lilian-weng.md | 低 |
| inbox/jay | 2026-09-27-1001-rss-import-ai.md | 低 |
| inbox/jay | 2026-09-27-1001-rss-cool-papers.md | 低 |
| inbox/jay | 2026-09-27-1001-rss-msr-blog.md | 低 |
| inbox/jay | 2026-09-26-database-e1prep.md | 沿用（R-88 已锚定） |
| inbox/jay | 2026-09-25-database-e1prep.md | 沿用（R-87 已锚定） |
| inbox/tom | 2026-09-27-rag-e1prep.md | 邻接（RAG 主轴；与 database §2.12 RAG 数据层载体交叉） |
| inbox/tom | 2026-09-27-0900-hf-daily-2026-09-27.md | 低 |
| inbox/spark | 2026-09-27-llm-infra-e1prep.md | 邻接（LLM infra；与 database §2.6 KV Cache 交叉） |
| inbox/spark | 2026-09-27-agent-e1prep.md | 邻接（Agent 主轴；与 database §2.3 Agent 记忆交叉） |
| inbox/flyp | 2026-09-27-risk-e1prep.md | 邻接（Risk 主轴；与 database §2.6 邻接） |
| inbox/stephen | 2026-09-27-ai-industry-e1prep.md | 低 |
| paper_cards | 1480-2609-25199（Lean Pool · AI 维护形式化数学仓库） | 低（主分类 agent；邻接检索系统） |
| paper_cards | 1500-2609-27657（FLEET · Logits 熵增强轨迹 + 记忆机制） | 中（主分类 evaluation；含 agent 记忆机制讨论，与 §2.3 邻接） |
| paper_cards | 1515-2609-28923（ViRDM · 视频生成） | 低（主分类 multimodal） |
| paper_cards | 1516-2609-23407（OmniEcho · 空间音频） | 低（主分类 multimodal） |
| paper_cards | 1519-2609-29362（PoS in SAE Latent Space） | 低（主分类 multimodal） |
| paper_cards | 1520-2609-30233（Coding Agents for TAMP） | 低（主分类 agent；工作队列选题） |
| paper_cards | 1522-2609-28811（DeltaWAM · 机器人） | 低（主分类 multimodal） |
| paper_cards | 1523-2609-29845（Linear Superposition in LLMs） | 低（主分类 engineering） |
| work-queue | 2026-09-27 20:00 最新版 | 中（2609.30233 Coding Agents TAMP；非 database 主轴） |
二、增量条目
增量 1（★ · 主轴）：2026 VecDB 综合基准 — Qdrant ~4ms/3,200 QPS vs pgvector ~18ms/680 QPS 首次出现实测差距
来源:inbox/jay/2026-09-27-1105-jay-five-category-briefing-sep27.md §一 · VecDB Benchmark 2026 综合对比（多源实测，2026-07 更新）；inbox/jay/2026-09-27-database.md §背景 · pgvector vs Qdrant vs Weaviate 基准
核心要点: - 单节点 1M 向量 / 1536 维基准（2026-07）：
| 引擎 | P99 延迟 | QPS | Recall@10 | 索引构建 | 每节点内存 |
|---|---|---|---|---|---|
| Qdrant | ~4ms | ~3,200 | 0.992 | ~14min | ~28GB |
| Weaviate | ~9ms | ~1,800 | 0.988 | ~22min | ~35GB |
| Milvus 2.5 | ~5ms | ~2,900 | 0.991 | ~18min | ~31GB |
| Pinecone Serverless | ~7ms | ~2,400 | 0.989 | Managed | Managed |
| pgvector 0.9 | ~18ms | ~680 | 0.985 | ~45min | ~42GB |
- 3 节点 10M 向量 / 分布式基准：Qdrant 3 节点 ~12ms / ~8,400 QPS；pgvector+pgscale ~85ms+ / ~320 QPS——差距扩大至 26 倍
- pgvector 0.9 性能定位：在 1M 向量规模下 QPS ~680，落后专用 VecDB 约 5 倍——这对 R-85 §2.1 "pgvector 复兴"叙事是重要数据补充，说明 pgvector 适合<10M 场景但不适合>10M 生产级规模
- Qdrant 关键护城河：Rust 架构 + HNSW + TurboQuant 量化（1.17/1.18 新增，Google Research），亚毫秒 P99 + 高 QPS；1.18 新增 relevance feedback
- 规模临界点：1M 向量时 pgvector QPS 680 与专用 VecDB 差距 5 倍；10M 时差距扩至 26 倍——D81（pgvectorscale 471 QPS vs Qdrant 11.4× 争议）在此背景下更需独立实测验证
与活文档 database.md 现有脉络的关系:与 R-88 §2.1 向量 DB commoditization 三极化（sqlite-vec / VectorChord / OpenSearch）+ R-85 pgvector 复兴（★★）形成"pgvector 适用规模边界"的数据锚定——pgvector 优势区间在 <10M 向量 + 已有 Postgres 栈 + OLTP 场景；建议归入 §2.1 向量数据库选型与 commoditization 共识（补强：2026-07 实测 VecDB 基准表 · pgvector 0.9 在 1M QPS ~680 vs Qdrant ~3,200 · 3 节点 10M 差距扩至 26 倍）
建议归入章节:§2.1 向量数据库选型与 commoditization 共识（补强：2026-07 VecDB 基准实测数据 · pgvector 规模边界量化）
可信度:中高（多源实测数据，方向可信；但测试硬件配置、模型版本、查询分布未完整披露，建议 R-89+ 在 arewelearningyet.com 或 ANN-Benchmarks 上交叉验证）
增量 2（★ · 主轴）：llm-d v0.9 进入 CNCF Sandbox — K8s 原生推理控制平面获行业标准化背书
来源:inbox/jay/2026-09-27-1105-jay-five-category-briefing-sep27.md §二 · CNCF llm-d + inbox/jay/2026-09-27-cloud-native.md §一 · llm-d v0.9（arXiv:2609.05565v1）+ inbox/jay/2026-09-27-backend.md §参考 · llm-d v0.9；原始来源 CNCF Blog（2026-03-24）+ Linux Foundation Research
核心要点: - CNCF Sandbox 认定意义：CNCF Sandbox 是项目早期的行业背书阶段，意味着 llm-d 进入 K8s 生态主流；IBM/Google/Red Hat 联合支持，Sandbox 后下一阶段是 Incubating - llm-d v0.9 核心能力（架构对照）：
| 能力 | llm-d v0.9 | NVIDIA Dynamo（对比） |
|---|---|---|
| 部署形态 | Kubernetes CRD + Gateway API | 裸机/DGX，K8s 外部 |
| 标准化 | CNCF 治理，厂商中立 | NVIDIA 专有 |
| 适用场景 | 已容器化的 K8s 团队 | NVIDIA DGX 集群 |
| 扩展性 | 依赖 K8s 生态 | 依赖 NVIDIA 生态 |
- 核心组件矩阵：Prefill/Decode Disaggregation（解耦式推理）+ Gateway API Inference Extension（推理流量感知路由）+ LeaderWorkerSet（K8s 原生多节点编排）+ Endpoint Picker（KV-cache locality 感知调度）+ Hierarchical KV Offloading（GPU/CPU/存储三层卸载）+ Prefix Cache 感知调度
- Kthena（CNCF Volcano 子项目）：与 llm-d 定位相近，支持 topology-aware scheduling + KV Cache-aware routing + PD disaggregation，基于 Volcano 生态
- KubeCon NA 2026（11 月 Salt Lake City）：预计 llm-d 有专题 Sessions，可交叉验证
与活文档 database.md 现有脉络的关系:与 R-87 §2.5 llm-d（K8s 原生推理控制平面 ★）+ R-86 FA-4（★工程邻接）+ R-85 DuckDB/CloudNativePG（★）共同构成"K8s AI 基础设施"全景；CNCF Sandbox 认定将 llm-d 从"有前景的实验性项目"升格为"行业标准候选"；建议归入 §2.5 云原生与 K8s AI 基础设施（升格：llm-d v0.9 CNCF Sandbox 认定 · K8s 原生推理控制平面获行业标准化背书 · IBM/Google/Red Hat 联合支持）
建议归入章节:§2.5 云原生与 K8s AI 基础设施（升格：llm-d CNCF Sandbox 认定 · 行业标准化背书）
可信度:高（CNCF 官方公告，Sandbox 阶段有明确治理流程；建议关注 CNCF 官方 blog 确认后续孵化时间线）
增量 3（★ · 邻接）：Embedding 维度爆炸 — Mistral 7B → 4096D 向量，内存 2.7× 膨胀，Matryoshka 截断为缓解路径
来源:inbox/jay/2026-09-27-1105-jay-five-category-briefing-sep27.md §一 · 2026 新变量第 1 条
核心要点: - 问题量化：Mistral 7B 等新模型输出 4096 维 embedding（较 1536D 增加 2.7×），100M 向量内存需求约 1.6TB（vs 1536D 约 600GB） - 对 VecDB 选型影响：Qdrant HNSW 在 4096D 高维下需要重新 provision 内存；Milvus GPU 加速索引不受维度爆炸影响（GPU 处理高维更线性） - 缓解路径 — Matryoshka 截断：使用低维版本 embedding（如 1024D 或 512D）节省成本，无需重新索引全部数据；适合存储成本敏感场景 - 对 pgvector 的影响：pgvector 内存优先架构在 4096D × 100M 向量场景内存消耗约 1.6TB，超出大多数生产环境——这使 VectorChord（R-88 ★，磁盘友好）的吸引力上升 - 对向量 DB commoditization 的间接影响：维度爆炸加速>10M 向量场景向专用向量 DB（Milvus/Qdrant）或磁盘友好方案（VectorChord）迁移
与活文档 database.md 现有脉络的关系:与 R-88 §2.1 VectorChord（★ 磁盘友好 PG 替代）形成"超大规模高维向量"场景下的技术互补——VectorChord 的磁盘友好设计天然适配 4096D 向量内存压力；与 §2.1 向量 DB commoditization 三极化间接加强；建议归入 §2.1 向量数据库选型与 commoditization 共识（邻接新增：Embedding 维度爆炸 4096D → 内存 2.7× · 高维向量规模临界点重估 · Matryoshka 截断缓解路径 · VectorChord 吸引力上升）
建议归入章节:§2.1 向量数据库选型与 commoditization 共识（邻接新增：Embedding 维度爆炸 · 高维向量规模临界点重估 · Matryoshka 截断缓解）
可信度:中高（Matryoshka 截断是已知技术；4096D 内存数字来自向量维度/精度计算，方向可信；建议以 arewelearningyet.com 高维 benchmark 交叉验证）
增量 4（★ · 邻接）：LanceDB — 嵌入式零运维向量引擎定位，数据湖场景新选手
来源:inbox/jay/2026-09-27-1105-jay-five-category-briefing-sep27.md §一 · LanceDB 定位
核心要点: - 定位：嵌入式向量引擎，"零运维"场景；嵌入数据湖工作流（与 Delta Lake / Apache Iceberg 集成）；无需独立进程 - 与 sqlite-vec（R-88 ★）的对比：sqlite-vec 是 SQLite 原生（轻量/嵌入式/已有 SQLite 栈），LanceDB 是数据湖原生（与 Arrow/Parquet 生态深度集成）；两者均无独立 VecDB 运维负担但面向不同数据生态 - 规模定位：适合<10M 向量 + 数据湖场景 + 不希望引入独立 VecDB 服务的团队 - 在 §2.1 选型树中的位置：LanceDB 是第四个"嵌入式/轻量"选项（sqlite-vec + Chroma + LanceDB 三选一），三者不竞争，各有生态侧重
与活文档 database.md 现有脉络的关系:与 R-88 §2.1 sqlite-vec（★ SQLite 原生 HNSW）+ §2.1 向量 DB commoditization 三极化形成嵌入式/轻量场景的第三极；建议归入 §2.1 向量数据库选型与 commoditization 共识（邻接新增：LanceDB 嵌入式零运维 · 数据湖场景 · 与 sqlite-vec/Chroma 三选一对比）
建议归入章节:§2.1 向量数据库选型与 commoditization 共识（邻接新增：LanceDB 数据湖嵌入式 · 零运维场景 · 嵌入式三选一补充）
可信度:中（定位信息来自多源综合，非独立 benchmark；建议在 Apache Iceberg / Delta Lake 集成场景下实测验证）
三、矛盾或待核实说法
D81（沿用 R-88）：pgvectorscale 471 QPS vs Qdrant 11.4× 差距可信度争议
- 问题:Salt Technologies 测试条件偏向 pgvector 优势场景（50M 向量 + HNSW + SQL 事务一致性），Timescale 官方数据与 ComputingForGeeks 独立测试方向一致但量级不同
- 本轮状态:增量 1（2026-07 VecDB 基准）提供了 pgvector 0.9 在 1M 向量的实测数据（~680 QPS），但测试条件仍不透明；D81 的"测试条件不透明"问题仍是横跨所有向量 DB benchmark 的通病
D82（沿用 R-88）：RAG 15-40% / 36-38% 过时事实错误率测试条件未披露
- 问题:arXiv:2606.26511 的 15-40% 和 arXiv:2608.20685 的 36-38% 均未完整披露测试条件
- 本轮状态:无新证据；C67（AAAI 2026 关键词搜索替代路线，五源共鸣）提供了新的评估视角，但 O115（statistical significance 核实）仍未完成
D83（沿用 R-88）：FA-4 Blackwell vs Hopper 分层适用边界待厘清
- 问题:FA-4 完整技术报告（arXiv:2603.05451）具体 Blackwell vs Hopper 的分层建议需精读原文 §3 实验章节确认
- 本轮状态:无新证据
D84（沿用 R-88）：Milvus 2.6 BM25 4× Elasticsearch 数据来源
- 问题:官方双源确证已升格 ★★★；独立第三方验证仍待
- 本轮状态:无新证据；增量 1 的 2026-07 VecDB 基准未覆盖 BM25 对比维度
D85（沿用 R-88）：sqlite-vec vs pgvector vs VectorChord 规模边界无明确 benchmark 对比数据
- 问题:三者形成向量 DB 选型新三极，但不同规模下的性能对比数据未披露
- 本轮状态:无新证据；增量 3（Embedding 维度爆炸）间接提升了 VectorChord 的吸引力，但具体规模边界数字仍未量化
- 本轮新增风险:2026-07 VecDB 基准中未出现 sqlite-vec、VectorChord 对比数据——D85 仍维持
四、本棒位新增 arXiv 号列表
本次窗口无新增 arXiv 号。
续用锚定 arXiv ID（110+ 个，含 R-88 锚定 2603.05451 / 2606.26511 / 2608.20685 / 2609.24971 / 2609.19657 / 2609.21346 / 2605.26252 / 2608.09214 / 2608.12365 / 2609.08950 / 2609.09002 / 2609.18501 / 2609.19472 / 2609.19491 / 2609.20489 / 2609.27334 / 2609.26550 / 2609.27746 / 2609.27981 等）
五、候选 O/D 状态追踪
沿用候选状态（R-88 继承）
| 候选 ID | 内容 | 状态 | 行动 |
|---|---|---|---|
| D81 | pgvectorscale 471 QPS vs Qdrant 11.4× 差距可信度争议 | 维持 ★★ | 本轮 2026-07 VecDB 基准提供了 pgvector 0.9 实测（680 QPS @ 1M），但测试条件不透明问题维持 |
| D82 | RAG 15-40% / 36-38% 过时事实错误率测试条件未披露 | 维持 ★★ | 本轮无新证据 |
| D83 | FA-4 条件性 softmax rescales 在 Blackwell vs Hopper 的分层适用边界 | 维持 ★ | 本轮无新证据 |
| D84 | Milvus 2.6 BM25 4× Elasticsearch 数据（官方双源确证，第三方独立验证仍待） | 维持 ★★★ | 本轮无新证据 |
| D85 | sqlite-vec vs pgvector vs VectorChord 规模边界无明确 benchmark 对比数据 | 维持 ★ | 本轮 2026-07 VecDB 基准覆盖了 pgvector 但未覆盖 sqlite-vec/VectorChord |
| C67 | RAG 数据层载体非向量路径五源共鸣 | 维持 ★★ C | 本轮无新证据；O115（statistical significance 核实）仍未完成 |
| O114 | Hindsight 学习型 Agent 记忆具体权重更新算法 | 维持 ★ | 本轮无新证据 |
| O115 | AAAI 2026 关键词搜索 vs 向量 RAG 评估具体数据集名称和 statistical significance | 维持 ★ | 本轮无新证据 |
本棒新增候选
| 候选 ID | 内容 | 评级 | 行动 |
|---|---|---|---|
| D86（新增） | 2026-07 VecDB 基准测试条件未完整披露 | ★ | R-89+ 在 ANN-Benchmarks / arewelearningyet.com 上交叉验证 Qdrant ~4ms/3,200 QPS 和 pgvector ~18ms/680 QPS 数字 |
| O116（新增） | LanceDB 在 Apache Iceberg / Delta Lake 集成场景的实测性能数据 | ★ | R-89+ 在数据湖场景下验证 LanceDB 实际性能 |
六、本窗口评估说明
本棒（Sep 27）database 主题增量在目标区间内（4 条），但整体以"补强现有叙事"为主而非"发现全新方向"，特征如下：
- 增量以数据补强为主，非新方向发现：本轮最重要的新信息是 llm-d CNCF Sandbox 认定（行业标准化升格）和 2026-07 VecDB 基准实测数据（pgvector 在 1M 向量下 QPS ~680 的量化锚点）。这两条是对 R-88 锚定叙事的实测数据补强，而非全新方向
- 向量 DB commoditization 趋势继续深化但无新极分化：sqlite-vec（R-88）+ VectorChord（R-88）+ OpenSearch（R-88）+ LanceDB（本轮）= 嵌入式/轻量场景已有 sqlite-vec / Chroma / LanceDB 三选一；本轮无新极分化信号
- Embedding 维度爆炸是值得关注的隐性压力：Mistral 7B → 4096D 向量是 2026 年下半年向量 DB 选型中尚未被充分讨论的隐性变量——它不影响<1M 向量的选型决策，但对>10M 向量 + 内存敏感场景有显著影响（VectorChord 吸引力因此上升）
- 本轮无 database-primary 新 arXiv 论文：新增 arXiv 号 0 个；主要新信息来自工程报告（CSDN vLLM 生产排障、ByteByteGo 数据生命周期）、VecDB 基准实测和多源 Substack 工程洞察
七、检查过的来源汇总（可审计）
inbox/jay/2026-09-27-database.md（主增量来源 1/4 · PG18 vs MySQL 9.7.1 / VecDB 基准）
inbox/jay/2026-09-27-1105-jay-five-category-briefing-sep27.md（主增量来源 2/4 · VecDB 2026 基准表 / llm-d CNCF Sandbox / LanceDB）
inbox/jay/2026-09-27-1735-jay-research-briefing-inference-vecdb-substack.md（高 · 推理引擎 2026Q3 / RAG 评测 / Ken Huang Substack）
inbox/jay/2026-09-27-csdn-rag-vllm-agent-2026q3.md（中高 · RAG RRF+BGE-Reranker / vLLM 生产排障 10 坑）
inbox/jay/2026-09-27-backend.md（高 · LMCache / ETCInfer / TIE / llm-d v0.9）
inbox/jay/2026-09-27-cloud-native.md（高 · llm-d v0.9 / KubeCon 2026 / arXiv:2609.23130）
inbox/jay/2026-09-27-reproduction.md（中高 · ICMSP / Mirage / SGLang 官方部署材料）
inbox/jay/2026-09-27-1000-rss-bytebytego.md（低 · 数据生命周期 ByteByteGo EP）
inbox/jay/2026-09-27-1000-rss-raschka.md（低）
inbox/jay/2026-09-27-1001-rss-lilian-weng.md（低）
inbox/jay/2026-09-27-1001-rss-import-ai.md（低）
inbox/jay/2026-09-27-1001-rss-cool-papers.md（低）
inbox/jay/2026-09-27-1001-rss-msr-blog.md（低）
inbox/jay/2026-09-26-database-e1prep.md（沿用 · R-88 已锚定）
inbox/jay/2026-09-25-database-e1prep.md（沿用 · R-87 已锚定）
inbox/tom/2026-09-27-rag-e1prep.md（邻接 · RAG 主轴 · 与 §2.12 交叉）
inbox/tom/2026-09-27-0900-hf-daily-2026-09-27.md（低）
inbox/spark/2026-09-27-llm-infra-e1prep.md（邻接 · LLM infra · 与 §2.6 交叉）
inbox/spark/2026-09-27-agent-e1prep.md（邻接 · Agent 主轴 · 与 §2.3 交叉）
inbox/flyp/2026-09-27-risk-e1prep.md（邻接 · Risk 主轴 · 与 §2.6 邻接）
inbox/stephen/2026-09-27-ai-industry-e1prep.md（低）
paper_cards/1480-2609-25199.md（低 · Lean Pool · AI 维护形式化数学仓库）
paper_cards/1500-2609-27657.md（中 · FLEET · 含 agent 记忆机制 · 与 §2.3 邻接）
paper_cards/1515-2609-28923.md（低 · ViRDM · 视频生成）
paper_cards/1516-2609-23407.md（低 · OmniEcho · 空间音频）
paper_cards/1519-2609-29362.md（低 · PoS in SAE）
paper_cards/1520-2609-30233.md（低 · Coding Agents TAMP · 工作队列选题）
paper_cards/1522-2609-28811.md（低 · DeltaWAM · 机器人）
paper_cards/1523-2609-29845.md（低 · Linear Superposition in LLMs）
work-queue/2026-09-27 20:00（2609.30233；非 database 主轴）
本条简报由 Jay 生成于 2026-09-27 20:20 CST，来源去重检查已执行，未写入其他实例目录，未执行 git 操作，未输出密钥。