database · E1 预消化简报(2026-09-28)

执行体:Jay · E1 日间预消化轮 · database 主题 · 2026-09-28 20:20 CST 窗口定义:2026-09-26 22:00 ~ 2026-09-28 20:20 CST（约 46 小时滑动窗口） 底本:organized/knowledge/database.md R-89(2026-09-27 20:40) + inbox 近 2 天各 agent database 相关产出

状态摘要

  • 增量条数:7 条（4 主轴 + 3 邻接），落在 3-8 条目标区间；另有 1 条源自 R-89 锚定但有实测数据补强
  • 核心新增:① IETF CATS KV Cache Distribution 草案（首个 KV Cache 网络标准化尝试，China Mobile 主推）；② TokenDance 同步轮次 KV 共享（arXiv:2604.03143，prefill 提速 1.9×）；③ Edge Q4 KV Cache 持久化（arXiv:2603.04428，Apple M4 Pro TTFT 降 22-136×）；④ PolyKV 非对称压缩共享池（arXiv:2604.24971，压缩 97.7%，PPL +0.57%）；⑤ C2C KV Cache 直传（ICLR 2026，多 Agent 替代文本 handoff）；⑥ ECHO 稀疏注意力 KV offloading（OSDI 2026）；⑦ Continnum 多轮 Agent KV TTL（VLDB 2026）；⑧ HotInfra 2026 PIM-DIMM CapEx 降 20× / Cost/Mtoken 降 40×；⑨ Chronos 异构存储分支（arXiv:2609.14889）；⑩ Graph Memory DB 对比（arXiv:2609.23315，含完整数据表）
  • 涉及 arXiv 号:本次新增 9 个（2604.03143 / 2603.04428 / 2604.24971 / 2608.01526 / 2511.02230 / 2609.14889 / 2609.23315 / 2609.28761 / 2609.23032）；续用锚定 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 / 2609.05565 / 2609.23130 等

一、检查过的来源清单

来源 文件 database 相关度
inbox/jay 2026-09-28T1505-jay-five-category-briefing.md 高（IETF CATS 草案 / TokenDance / Edge Q4 KV / PolyKV / HotInfra PIM-DIMM）
inbox/jay 2026-09-28T0935-jay-ai-engineering-inference-vecdb-mcp-trending.md 高（PostgreSQL vs MySQL / VecDB 2026 格局 / 自托管栈角色）
inbox/jay 2026-09-28-llm-inference-db-cloudnative.md 高（Graph Memory DB 对比 arXiv:2609.23315 / Chronos arXiv:2609.14889 / KathDB-FAO arXiv:2609.28761 / PLB / OceanBase HTAP / Burgei 六层分类学）
inbox/jay 2026-09-28-1700-jay-arxiv-hf-agentic-rag-evening-briefing.md 高（C2C / ECHO / Continnum / Burgei LLM Systems 分类学）
inbox/jay 2026-09-27-database-e1prep.md 沿用（R-89 已锚定）
inbox/jay 2026-09-27-database.md 高（PG18 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 基准 / 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 2026-09-27-1335-jay-security-inference-rag-stack-sep27.md 邻接（llm-d / Mooncake / KV Cache 综述 · 与 database §2.5/§2.6 交叉）
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）
inbox/tom 2026-09-28-rag-e1prep.md 邻接（RAG 主轴；与 database §2.12 RAG 数据层载体交叉）
inbox/tom 2026-09-28-agent-rag-longcontext-radar.md 邻接
inbox/spark 2026-09-28-llm-infra-e1prep.md 邻接（LLM infra；与 database §2.6 KV Cache 交叉）
inbox/spark 2026-09-28-agent-e1prep.md 邻接
inbox/flyp 2026-09-28-coding-agents-e1prep.md 低
inbox/stephen 2026-09-28-ai-industry-e1prep.md 低
paper_cards 1528-2609-31093（Block Sparse Attention · 顶会候选） 低（非 database 主轴）
paper_cards 1529-2609-31590（AgentWorld · 多 Agent 协作） 低（主分类 agent）
paper_cards 1177-2609-01343 / 1180-2609-01481 等 W39 批次 低-中（主分类 agent/multimodal；database 标签存在但非主轴）
work-queue 2026-09-28 20:00 最新版 低（2609.31590 AgentWorld · 非 database 主轴）

二、增量条目

增量 1（★ · 主轴）：IETF CATS KV Cache Distribution 草案 — 首个 KV Cache 网络标准化尝试

来源:inbox/jay/2026-09-28T1505-jay-five-category-briefing.md §一 · IETF Datatracker draft-li-cats-kv-cache-distribution-00 · 2026-07-04；原始来源 IETF Datatracker

核心要点: - 问题:分布式 LLM 推理中，传统 CATS（Computing-Aware Traffic Steering）只考虑计算负载和网络指标，无法感知 KV Cache 可用性——请求调度到哪个实例影响是否命中已缓存的 prefill 状态，从而影响 TTFT - 草案方案:在 CATS 框架中增加 Cache-State Metric（实例级 KV Cache 可用性）+ Cache Distance Metric（请求与缓存实例间的"距离"，含网络跳数、缓存一致性）+ Multi-tier Cache Sync（GPU HBM / CPU Memory / SSD 多层缓存同步策略） - 工程价值:首个将 KV Cache 分布纳入网络流量调度标准化的尝试；预示未来分布式推理编排层（llm-d、vLLM disaggregated）可能需要暴露 KV Cache 拓扑 API；与 Mooncake（disaggregated prefill/decode）、LMCache 路线图直接相关 - 局限:Informational 阶段草案，2026-2027 是否进入 RFC 流程不确定；草案细节（Cache Distance 量化指标设计）需精读原文

与活文档 database.md 现有脉络的关系:与 R-89 §2.6 向量 DB / KV Cache 优化（R-89 无新增但 R-88 已有 KVSET + Risk-Controlled Eviction）+ R-89 §2.5 llm-d CNCF Sandbox 升格形成"KV Cache 基础设施标准化"方向；IETF CATS 草案将 KV Cache 分布提升至网络层标准视野；建议归入 §2.5 云原生与 K8s AI 基础设施（新增：IETF CATS KV Cache Distribution 草案 · 首个 KV Cache 网络标准化尝试 · China Mobile 主推 · Cache-State/Distance Metric + Multi-tier Cache Sync）

建议归入章节:§2.5 云原生与 K8s AI 基础设施（新增：IETF CATS KV Cache Distribution 草案 · KV Cache 网络标准化起点）

可信度:高（IETF 正式草案，China Mobile / Centec / Inesa / SAIA 联合署名；具体数值待精读原文核验）

增量 2（★ · 主轴）：TokenDance 同步轮次 KV Cache 共享（arXiv:2604.03143）

来源:inbox/jay/2026-09-28T1505-jay-five-category-briefing.md §一 · arXiv:2604.03143；原始来源 arXiv HTML

核心要点: - 问题:OpenClaw、MoltBook 等多 Agent 平台采用"同步轮次"架构（synchronized rounds）——每个 Agent 产生输出，中央调度器收集后再统一分发，形成"All-Gather"模式：每个 Agent 下一轮 prompt 包含"私有历史 + 所有 Agent 的共享输出块"，导致 N× 内存浪费 - 方案:将"一轮"视为集体对象（collective object），存储主缓存 + 每个 Agent 的稀疏差分（而非 N 份完整副本）；Round-level Reuse > Request-level Reuse - 关键数据:相比 per-request PIC（位置无关缓存）：prefill 提速最高 1.9×；相比 Prefix Caching（相同 SLO 下）：并发 Agent 数提升最高 2.7×；sibling cache similarity 热力图：成对 block 相似度 90% 时，diff-aware 存储远优于 N 份副本 - 适用场景:OpenClaw、MoltBook 等同步轮次多 Agent 框架；社交模拟、协作编码 Agent - 局限:token 对齐不完美或异步 straggler 主导时收益下降

与活文档 database.md 现有脉络的关系:与 R-89 §2.6 KV Cache 优化（R-88 KVSET + Risk-Controlled Eviction）和 R-89 §2.3 Agent 记忆（Hindsight / JIT Memory）形成互补——TokenDance 是"同步多 Agent 场景"下的 KV 复用，与 R-88 §2.3 §IX Hindsight（动态权重更新）和 R-87 JIT Memory（查询时策展）构成 Agent 记忆与 KV 优化的交叉；建议归入 §2.3 AI 重塑数据库内核与 Agent 记忆（邻接新增：TokenDance 同步轮次 KV 共享 · arXiv:2604.03143 · prefill 1.9× / 并发 Agent 数 2.7× · OpenClaw 生产实践直接相关）

建议归入章节:§2.3 AI 重塑数据库内核与 Agent 记忆（邻接新增：TokenDance 同步轮次 KV 共享 · 与 §2.6 KV Cache 优化交叉）

可信度:高（arXiv 论文，有交互可视化页面；prefill 1.9× / Agent 2.7× 数据来自 paper 原生实验）

增量 3（★ · 主轴）：Edge Q4 KV Cache 持久化（arXiv:2603.04428）

来源:inbox/jay/2026-09-28T1505-jay-five-category-briefing.md §一 · arXiv:2603.04428v1；原始来源 arXiv HTML

核心要点: - 问题:Apple M4 Pro（10.2 GB 缓存预算）8K context 仅能容纳 3 个 Agent；10-Agent 工作流必须不断驱逐/重载 KV——每次驱逐后重新 prefill 需 15.7 秒（4K context） - 方案:将每个 Agent 的 KV Cache 以 Q4（int4）格式持久化到磁盘，直接恢复到 attention 层；Block Pool（per-agent 隔离 Q4 KV）+ BatchQuantizedKVCache（并发推理多 Agent 量化缓存）+ Cross-phase Context Injection（跨对话阶段 attention 状态累积） - 关键数据（Apple M4 Pro）： - TTFT 降低：Gemma 3 12B：22~136×（4K~32K）；DeepSeek-Coder-V2-Lite 16B：11~76×；Llama 3.1 8B：24~111× - Q4 量化精度损失：Gemma -0.7% PPL；Llama +2.8%；DeepSeek +3.0%（均为可接受范围） - 内存效率：Q4 比 FP16 多容纳 4× Agent 上下文

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"磁盘/持久化缓解 KV 内存压力"的技术互补——VectorChord 是"大规模高维向量"场景，Edge Q4 KV 是"端侧多 Agent"场景；建议归入 §2.3 AI 重塑数据库内核与 Agent 记忆（邻接新增：Edge Q4 KV Cache 持久化 · arXiv:2603.04428 · Apple M4 Pro TTFT 降 22-136× · 端侧多 Agent 内存约束缓解）

建议归入章节:§2.3 AI 重塑数据库内核与 Agent 记忆（邻接新增：Edge Q4 KV Cache 持久化 · 端侧多 Agent 场景）

可信度:中高（有量化数据；但 Apple M 芯片统一内存架构与标准 GPU 服务器场景差异较大，Android Edge 复现可行性待核实）

增量 4（★ · 主轴）：PolyKV 非对称压缩 KV Cache 共享池（arXiv:2604.24971）

来源:inbox/jay/2026-09-28T1505-jay-five-category-briefing.md §二 · arXiv:2604.24971；原始来源 arXiv HTML

核心要点: - 问题:多并发 Agent 各自分配独立 KV Cache，内存浪费严重 - 方案:多个并发 Agent 共享单一非对称压缩 KV Cache 池：Keys = int8（q8_0）量化（保持 softmax 稳定性）+ Values = FWHT 旋转 + 3-bit Lloyd-Max 量化（TurboQuant MSE）；通过 HuggingFace DynamicCache 对象注入 N 个独立 Agent 上下文 - 关键数据（Llama-3-8B-Instruct，15 个并发 Agent，4K context）： - KV 内存：19.8 GB → 0.45 GB（压缩 97.7%） - PPL 损失：+0.57%（不随 Agent 数增长） - BERTScore F1：0.928 - 1,851 coherent tokens 时 PPL 改善：-0.26%

与活文档 database.md 现有脉络的关系:与 R-89 §2.6 KV Cache 优化（R-88 KVSET + Risk-Controlled Eviction）+ R-88 §2.1 VectorChord + R-89 Embedding 维度爆炸形成"KV Cache 压缩/持久化"技术矩阵；PolyKV 97.7% 压缩率与 TokenDance 1.9×/2.7× 性能提升可并列参考；建议归入 §2.6 vLLM/SGLang 推理引擎与 KV 缓存（邻接新增：PolyKV 非对称压缩共享池 · arXiv:2604.24971 · 压缩 97.7% / PPL +0.57% · 多并发 Agent 内存优化）

建议归入章节:§2.6 vLLM/SGLang 推理引擎与 KV 缓存（邻接新增：PolyKV 非对称压缩共享池 · 多并发 Agent 内存优化）

可信度:高（有 GitHub 开源代码；TurboQuant 技术路线与 Qdrant v1.18 TurboQuant 量化同源，技术基础可信；97.7% 压缩率 claim 需对照开源代码确认具体测试条件）

增量 5（★ · 主轴）：KV Cache 系统工程五条新增 — C2C / ECHO / Continnum / "Internet for KV" / Burgei 分类学

来源:inbox/jay/2026-09-28T1505-jay-five-category-briefing.md + inbox/jay/2026-09-28-1700-jay-arxiv-hf-agentic-rag-evening-briefing.md

核心要点（合并为一条主轴，涵盖 5 个子项）:

5a · C2C Cache-to-Cache（ICLR 2026）:多 Agent 间 KV Cache 直传替代文本 Token——C2C 让源模型 KV Cache 通过 neural cache fuser 映射并合并到目标模型空间，解决信息损失、推理时间浪费、token 成本三个问题；研究团队计划 2026-09 发布 agent-managed KV-Cache 实现及 serving system；归入 §2.6

5b · ECHO（OSDI 2026）:上海交大+华为，原生稀疏注意力 LLMs 的 KV Cache 无损预取卸载；NSA 等稀疏注意力机制在长上下文场景 KV Cache 仍呈线性增长；ECHO 设计 token 级动态 offloading + 无损预取策略；归入 §2.6

5c · Continnum（VLDB 2026，arXiv:2511.02230）:多轮 Agent 调度 + KV Cache TTL——现有推理引擎采用 end-of-turn eviction，请求结束后立即释放 KV Cache；但多轮 Agent 工作流中 tool-call pause 时长差异大（毫秒~分钟），短 pause 提前驱逐导致 re-prefill 成本极高；Continnum 引入 KV Cache TTL 机制，保留一段时间再释放；归入 §2.3 Agent 记忆（邻接：与 OpenClaw 生产实践直接相关）

5d · "An Internet for the KV Cache"（arXiv:2608.01526）:概念愿景论文，提出 KV Cache 应成为第一等公民：Storage Primitive + Communication Primitive（C2C）+ Scheduling Primitive（如 CATS 草案）；归入 §2.6

5e · LLM Systems 基础设施六层分类学（Michael Burgei，Preprints.org 2026-09-23）:将 LLM 系统基础设施整理为六层平面：Resource Plane / Execution Plane / Lifecycle Control / Registry & Serving / Execution Plane（重复，原文如此）/ Online serving 目标；适合作为团队内部 LLM 系统知识体系的结构化大纲；归入 §2.6 §2.5 综合邻接

与活文档 database.md 现有脉络的关系:C2C、ECHO、Continnum 共同构成"2026-09 KV Cache 系统工程"密集产出；与 R-89 §2.6（R-88 KVSET + Risk-Controlled Eviction）形成 KV Cache 优化十五维扩展；Continnum 与 R-88 §2.3 Hindsight 学习型 Agent 记忆形成"多轮 Agent 记忆与 KV 调度"交叉；建议归入 §2.6 vLLM/SGLang 推理引擎与 KV 缓存（主轴扩展：2026-09 VLDB/OSDI/ICLR 多会 KV Cache 系统工程新增：C2C / ECHO / Continnum TTL / KV Internet 愿景 / Burgei 六层分类）

建议归入章节:§2.6 vLLM/SGLang 推理引擎与 KV 缓存（主轴扩展：2026-09 VLDB/OSDI/ICLR KV Cache 系统工程新增）

可信度:C2C（高，ICLR 2026 + VentureBeat 报道）/ ECHO（高，OSDI 2026 顶会）/ Continnum（高，VLDB 2026）/ KV Internet（低-中，概念性愿景）/ Burgei（中高，Preprints.org 非正式同行评审）

增量 6（★ · 主轴）：HotInfra 2026 PIM-DIMM KV Cache Server 经济性分析 — Cost/Mtoken 降 40×

来源:inbox/jay/2026-09-28T1505-jay-five-category-briefing.md §三 · HotInfra '26（June 28, 2026）· Khyati Kiyawat & Kevin Skadron；原始来源 hotinfra.org

核心要点（DeepSeek-R1-671B，32K tokens 生成）：

指标 H100 SXM5 Cluster PIM-DIMM KV Cache Server 对比
设备 19× H100 + 2× CXL switches 23× 64GB PIM-DIMMs —
总内存 1,520 GB 1,472 GB 相近
聚合带宽 63.7 TB/s 150.7 TB/s（2.4×↑） PIM 优势
吞吐量 679 tok/s 1,607 tok/s（2.4×↑） PIM 优势
CapEx $570,000 $27,664（20.6×↓） PIM 压倒性
OpEx $59.23/hr $3.53/hr（16.8×↓） PIM 优势
Tokens/Watt 0.051 1.507（29.5×↑） PIM 压倒性
Cost/Mtokens $24.24 $0.61（39.7×↓） PIM 压倒性
  • 工程解读:PIM（Processing-in-Memory）DIMM 在 KV Cache 密集型推理中展现 CapEx 降 20×、Cost/Mtoken 降 40× 的惊人能效优势；这是 Mooncake 之后 disaggregated KV serving 方向的重大进展
  • 技术路线:KV Cache 从 GPU HBM offload 到 PIM-DIMM（近存储计算），利用 PIM-DIMM 内带宽优势（2.4× HBM）降低 KV 访问延迟和成本

与活文档 database.md 现有脉络的关系:与 R-89 §2.6 KV Cache 优化（R-88 KVSET + Risk-Controlled Eviction）+ R-89 §2.5 llm-d v0.9（Hierarchical KV Offloading）形成"多层次 KV offloading"技术矩阵；PIM-DIMM 经济性数据与 R-89 2026-07 VecDB 基准实测量化方法类似，均是实测数据锚定；建议归入 §2.6 vLLM/SGLang 推理引擎与 KV 缓存（主轴新增：PIM-DIMM CapEx 降 20× / Cost/Mtoken 降 40× · HotInfra 2026 实测数据 · disaggregated KV serving 经济性重大突破）

建议归入章节:§2.6 vLLM/SGLang 推理引擎与 KV 缓存（主轴新增：PIM-DIMM 经济性 · Cost/Mtoken 降 40×）

可信度:中高（有完整数字和计算依据；但 CapEx/OpEx 数字基于特定配置推算，实际部署需考虑云厂商定价模型和集群规模效应）

增量 7（★ · 邻接）：Chronos 异构存储分支 + Graph Memory DB 成本对比 + GQL vs SQL 语义分歧 + KathDB-FAO

来源:inbox/jay/2026-09-28-llm-inference-db-cloudnative.md §Database 精读候选

核心要点:

7a · Chronos（arXiv:2609.14889）:在异构数据存储（KV、文档、关系型）上提供统一的数据分叉（branching）能力，无需改造底层存储引擎；归入 §2.4 HTAP 融合架构（邻接）

7b · Graph Memory for LLM Agents（arXiv:2609.23315）:对比 Neo4j/Memgraph/DuckPGQ 等主流图数据库引擎在 LLM Agent 记忆场景下的查询、写入、更新性能差异；发现 ingest throughput 各引擎差距达 3 个数量级；含 Appendix A 完整对比数据表；归入 §2.3 Agent 记忆（主轴新增：图数据库引擎 × LLM Agent 记忆场景性能对比 · 3 数量级差距）

7c · GQL vs SQL/PGQ 语义分歧（arXiv:2609.23032）:首次跨引擎测量 GQL（图查询语言）与 SQL/PGQ 在路径查询上的语义分歧，发现逻辑等价的查询在不同引擎产生不同答案，且引擎间性能与语义一致性无相关性；归入 §2.4 HTAP（邻接：图查询语言标准化争议）

7d · KathDB-FAO（arXiv:2609.28761）:研究语义算子（LLM 调用）的查询计划优化难题：当选择性取决于模型行为而非数据统计时，传统成本模型失效；引入多模态查询计划框架；归入 §2.7 LLM × DB 优化（邻接：LLM 查询计划优化）

与活文档 database.md 现有脉络的关系:Graph Memory DB（arXiv:2609.23315）与 R-88 §2.3 Hindsight（学习型 Agent 记忆）+ R-87 JIT Memory（查询时策展）+ R-81 Mem0（写入时策展）构成 Agent 记忆引擎对比矩阵；Chronos 与 R-70 PuppyGraph / R-70 AkasicDB 的数据分叉/融合架构形成呼应；建议归入 §2.3 AI 重塑数据库内核与 Agent 记忆（邻接新增：Graph Memory DB 对比 arXiv:2609.23315 · 3 数量级吞吐差距 · Agent 记忆图数据库选型参考）

建议归入章节:§2.3 AI 重塑数据库内核与 Agent 记忆（邻接新增：Graph Memory DB 三数量级差距 · Agent 记忆图数据库选型）

可信度:高（均为 arXiv 论文，有量化数据；Graph Memory DB 的 3 数量级 claim 来自 Appendix A 完整数据表，可信度较高）

三、矛盾或待核实说法

D81（沿用 R-88/R-89）：pgvectorscale 471 QPS vs Qdrant 11.4× 差距可信度争议

  • 状态:维持；本轮 HotInfra 2026 PIM-DIMM 数据提供了一种"完全不同的成本维度"对比，但与 pgvectorscale/Qdrant 对比是正交方向
  • 本轮状态:无新证据

D86（沿用 R-89）：2026-07 VecDB 基准测试条件未完整披露

  • 状态:维持；IETF CATS 草案（增量 1）本身也存在类似"测试硬件未披露"问题（draft 版本细节待精读核验）

D87（新候选）：PolyKV 97.7% 压缩率测试条件

  • 新增风险:PolyKV 97.7% claim 来自论文实验（15 个并发 Agent，4K context），未披露硬件配置和模型具体版本；实际生产部署中 Agent 数和 context 长度变化可能导致压缩率下降

D88（新候选）：HotInfra 2026 PIM-DIMM CapEx/OpEx 经济性数字来源

  • 新增风险:HotInfra 2026 论文数字基于理论计算（23× 64GB PIM-DIMM + 特定集群配置），实际云厂商定价模型和采购规模效应可能导致实际成本差异显著；建议在 actual cloud quote 场景下交叉验证

D89（沿用 R-88）：RAG 15-40% / 36-38% 过时事实错误率测试条件未披露

  • 状态:维持；本轮 Continnum（VLDB 2026）提供了多轮 Agent KV Cache 调度的实证数据，但与 RAG 事实错误率问题正交

D90（沿用 R-88）：FA-4 Blackwell vs Hopper 分层适用边界待厘清

  • 状态:维持；本轮无新证据

D91（沿用 R-88）：Milvus 2.6 BM25 4× Elasticsearch 数据来源

  • 状态:维持；本轮无新证据

四、本棒位新增 arXiv 号列表

本次窗口新增（9 个）:

arXiv ID 论文 来源 建议归入章节
2604.03143 TokenDance：同步轮次 KV Cache 共享 Five-Category Briefing 1505 §2.3 邻接
2603.04428 Edge Q4 KV Cache 持久化 Five-Category Briefing 1505 §2.3 邻接
2604.24971 PolyKV：非对称压缩 KV Cache 共享池 Five-Category Briefing 1505 §2.6 邻接
2608.01526 An Internet for the KV Cache Five-Category Briefing 1505 §2.6 邻接
2511.02230 Continnum：多轮 Agent KV TTL Evening Briefing 1700 §2.3 邻接
2609.14889 Chronos：异构数据存储分支 llm-inference-db-cloudnative §2.4 邻接
2609.23315 Graph Memory for LLM Agents llm-inference-db-cloudnative §2.3 主轴新增
2609.23032 GQL vs SQL/PGQ 语义分歧 llm-inference-db-cloudnative §2.4 邻接
2609.28761 KathDB-FAO：多模态查询计划 llm-inference-db-cloudnative §2.7 邻接

续用锚定 arXiv ID（110+ 个，含 R-89 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 / 2609.05565 / 2609.23130 等）

五、候选 O/D 状态追踪

沿用候选状态（R-89 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 HotInfra PIM-DIMM 提供正交成本维度；pgvectorscale 争议维持
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 基准未覆盖 sqlite-vec/VectorChord
D86 2026-07 VecDB 基准测试条件未完整披露 维持 ★ IETF CATS 草案也有类似问题；待 R-90 精读核验
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
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
O116 LanceDB 在 Apache Iceberg / Delta Lake 集成场景的实测性能数据 维持 ★ 本轮无新证据

本棒新增候选

候选 ID 内容 评级 行动
D87（新增） PolyKV 97.7% 压缩率测试条件（15 Agent / 4K context，硬件配置未披露） ★ R-90 在 GitHub 开源代码上复现验证
D88（新增） HotInfri 2026 PIM-DIMM CapEx/OpEx 基于理论配置，实际云厂商定价可能有显著差异 ★ R-90 在 actual cloud quote 场景下交叉验证 Cost/Mtoken 数字
O117（新增） Continnum（arXiv:2511.02230）VLDB 2026 TTL 机制与 SGLang/vLLM 官方 issue list 对照——TTL 机制是否已落地 ★ R-90 对照 SGLang/vLLM 官方路线图确认
O118（新增） Graph Memory DB（arXiv:2609.23315）Appendix A 完整数据表——3 数量级差距的具体场景和查询类型 ★ R-90 精读论文获取完整吞吐对比数字
O119（新增） C2C ICLR 2026 agent-managed KV-Cache 实际 release 时间（计划 2026-09，但今日已是 09-28） ★ R-90 核验 C2C 实际发布状态

六、本窗口评估说明

本棒（Sep 28）database 主题增量在目标区间内（7 条），整体以"KV Cache 系统工程密集产出 + Graph DB × LLM Agent 性能对比"为主轴，特征如下：

  1. KV Cache 成为 2026-09 数据库侧最活跃子方向：本轮 VLDB（Continnum）+ OSDI（ECHO）+ ICLR（C2C）+ IETF（CATS 草案）密集产出，构成"分布式推理 KV Cache 标准化/系统化"主题；这与 R-88/89 的向量 DB commoditization 叙事形成并列的新热点

  2. Agent 记忆与数据库引擎的交叉深化：Graph Memory for LLM Agents（arXiv:2609.23315）首次系统对比 Neo4j/Memgraph/DuckPGQ 在 Agent 记忆场景的性能，3 数量级差距是重要锚点；TokenDance（同步轮次 KV 共享）和 Edge Q4 KV（端侧持久化）进一步扩展了"记忆/存储"的技术选项

  3. PIM-DIMM 经济性数据提供了 disaggregated KV serving 的成本新维度：Cost/Mtoken 降 40× 的数字来自 HotInfra 2026 学术论文，与 R-89 §2.6 叙事方向一致但提供了全新的成本参照

  4. PostgreSQL 18 vs MySQL 9.7.1 是本轮唯一的关系数据库新增：Stack Overflow 2026 调查 PostgreSQL 蝉联第一 + pgvector 生态持续是核心锚点；MySQL 9.7.1 VECTOR 类型"仍在追赶"判断与 R-89 一致

  5. 本轮无新增 paper_cards database 主轴条目：W39（Sep 22 批次）paper_cards 多数归档时间戳为 2026-09-26~28，但主分类均为 agent/multimodal；database 标签存在但非主轴

七、检查过的来源汇总（可审计）

inbox/jay/2026-09-28T1505-jay-five-category-briefing.md（主增量来源 1/5 · IETF CATS / TokenDance / Edge Q4 / PolyKV / PIM-DIMM）
inbox/jay/2026-09-28-llm-inference-db-cloudnative.md（主增量来源 2/5 · Graph Memory DB / Chronos / KathDB-FAO / PLB / OceanBase / Burgei 六层分类）
inbox/jay/2026-09-28T0935-jay-ai-engineering-inference-vecdb-mcp-trending.md（高 · PostgreSQL vs MySQL / VecDB 2026 格局 / 自托管栈角色）
inbox/jay/2026-09-28-1700-jay-arxiv-hf-agentic-rag-evening-briefing.md（高 · C2C / ECHO / Continnum / Burgei LLM Systems 分类学）
inbox/jay/2026-09-28-llm-inference-db-cloudnative.md（高 · llm-d v0.9 / vLLM + llm-d Fleet Control Plane）
inbox/jay/2026-09-27-database-e1prep.md（沿用 · R-89 已锚定）
inbox/jay/2026-09-27-database.md（高 · PG18 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 基准 / 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）
inbox/jay/2026-09-27-1335-jay-security-inference-rag-stack-sep27.md（邻接 · llm-d / Mooncake / KV Cache 综述）
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）
inbox/tom/2026-09-28-rag-e1prep.md（邻接 · RAG 主轴 · 与 §2.12 交叉）
inbox/tom/2026-09-28-agent-rag-longcontext-radar.md（邻接）
inbox/spark/2026-09-28-llm-infra-e1prep.md（邻接 · LLM infra · 与 §2.6 交叉）
inbox/spark/2026-09-28-agent-e1prep.md（邻接）
inbox/flyp/2026-09-28-coding-agents-e1prep.md（低）
inbox/stephen/2026-09-28-ai-industry-e1prep.md（低）
paper_cards/1528-2609-31093.md（低 · Block Sparse Attention · 非 database 主轴）
paper_cards/1529-2609-31590.md（低 · AgentWorld · 多 Agent 协作）
paper_cards/1177-2609-01343~1533-2609-25716.md（W39 批次 · 主分类 agent/multimodal）
work-queue/2026-09-28 20:00（2609.31590；非 database 主轴）

本条简报由 Jay 生成于 2026-09-28 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。