📋 Jay · 知识库简报 · 2026-10-02

检索时间：2026-10-02 11:05 (UTC+8) 检索范围：arXiv · Substack · GitHub Trending · Medium · 技术博客

🗃️ Database

向量数据库 2026 趋势：pgvector 崛起，架构回归

核心洞察

2026 年向量数据库市场出现重大结构性转变：云原生专用向量数据库的热度正在回落，PostgreSQL + pgvector 组合成为工程团队的首选方案。

关键数据 - 工程对话从「用 Pinecone」演变为「用 PostgreSQL 就够了」 - pgvector 目前支撑 OpenAI ChatGPT 和 API 的部分基础设施 - 多模态数据（文本 + 图像 + 视频 + 高维向量）正在打破传统「大多数是表格」的存储假设

技术趋势 - 多模态 Lakehouse 兴起：Lance 格式支持时间旅行、零拷贝数据演化、代码/数据/embedding 版本控制，解决 Parquet 对 AI 训练瓶颈问题 - 架构合并（Database Consolidation）：单一多模态平台同时处理 BI 顺序扫描和 AI 训练随机访问 - pgvector + PostgreSQL 17+：事务安全 + 分析能力 + 熟悉生态 = 生产级 RAG 首选 - Multi-model serving：向量 DB 从配角变为 AI Agent 基础设施核心

代表性条目 | 条目 | 来源 | 评价 | |------|------|------| | Vector Database 2026 格局分析 | DEV Community (actiandev) | 市场分析，pgvector 趋势明确 | | Lance 多模态 Lakehouse | Gradient Flow Substack | 多模态数据架构深度 | | pgvector 生产级 RAG 选型 | Medium Pratik K Rupareliya | 15 种向量 DB 对比表 | | Agentic Lakehouse (LanceDB) | ACM SAO Workshop 2026 | 学术前沿，PDF |

建议：Agent 记忆层选型时优先评估 pgvector/LanceDB，专用向量 DB 仅在 billion-scale 时考虑迁移。

⚙️ Backend / Inference

Agentic RAG 系统工程：多层记忆架构成熟

arXiv 重要论文

  1. Beyond RAG for Agent Memory: Retrieval by Decoupling and Aggregation (arXiv:2602.02007 v4, 2026-05-12) - 核心：解耦（Decoupling）和聚合（Aggregation）替代传统 RAG 检索 - 联合作者：Zhanghao Hu, Qinglin Zhu 等（8 人） - 评价：⭐⭐⭐⭐ 高优先级，理解 Agent 长期记忆必读

  2. MemoryArena: Benchmarking Agent Memory in Interdependent Multi-Session Agentic Tasks (arXiv:2602.16313) - 多会话 agent 记忆 benchmark - 评价：⭐⭐⭐⭐ 工程实用性高

  3. Agentic Memory: Unified Long/Short-term Memory Management (arXiv:2601.01885) - 统一长期/短期记忆管理框架 - 评价：⭐⭐⭐ 系统性梳理

  4. Graph-based Agent Memory: Taxonomy, Techniques, and Applications (arXiv:2602.05665) - 图结构 agent 记忆分类学 - 评价：⭐⭐⭐⭐ 架构选型参考

  5. SoK: Agentic RAG: Taxonomy, Architectures, Evaluation (arXiv:2603.07379v1) - Agentic RAG 系统化综述 - 覆盖 Memory、Orchestration、Evaluation 全面

Production RAG 2026 实践框架：GROUNDED

Medium 上 Vishal Mysore 提出的 GROUNDED Framework 涵盖： - Groundedness：RAG 的根本目标 - Routing：查询路由决定是否触发检索 - Optimize：KV-cache 复用、块重排序、去重 - Unify：统一索引 - N-ary retrieval：超越二元图关系的 n 元超边检索（HyperRAG） - Decompose：查询分解 - Evaluate：持续评估

上下文索引 & Cache-aware 检索（ragboost / ContextPilot, arXiv:2511.03475）： - 块重排序使 KV-cache 复用，第二次相似查询变为 cache hit - 生产级 RAG 质量最大瓶颈是检索质量，不是模型选择

评价：生产 RAG 是检索问题，不是 LLM 问题——选好 chunk 策略、索引、排序比换模型更重要。

☸️ Cloud-Native

Kubernetes 2026：AI 原生基础设施元年

KubeSummit 2026 台北（2026-09-10~11）主题：从 Cloud Native 到 AI Native

核心趋势（2026 Kubernetes Playbook, Fairwinds）

  1. GPU 调度成熟：NVIDIA/AMD/Intel 加速器支持完善；KubeAI、RunPod 让 LLM 推理部署变得 trivial
  2. 自愈集群：健康信号标准化 → 控制器/operator 自动化处理反复出现的故障模式
  3. 多集群管理：应用跨越多个集群而非每集群一个应用；流量路由、策略执行、身份、遥测统一
  4. AI 工作负载主流化：无状态（63%）与有状态（58%）应用接近平衡，Kubernetes 成为数据密集型平台
  5. Wasm 支持：K8s v1.33+ 开始接纳 WebAssembly 容器
  6. 安全实践：SBOM 生成/验证、OPA/Kyverno Policy-as-Code、运行时安全（Falco）

架构转变 - AI MLOps 平台在 Kubernetes 上协调 bursty 训练 Job 和高流量持续推理 Service - GitOps + Platform Engineering 是 AI Native 平台工程的核心 - 边缘/混合云架构成为主流（Kubernetes Federation）

Enterprise 数据：93% 的组织已在使用或评估 Kubernetes（Voice of Kubernetes Report 2026）

📦 GitHub / 工具生态

2026 AI 工程工具链精选

本地 AI 基础设施 - Ollama：一条命令跑 Llama/DeepSeek，本地 AI 革命核心工具 - nanochat（Andrej Karpathy）：最小可读 LLM 训练全流程——tokenization → pretraining → finetuning → inference → chat UI - Open WebUI：开源本地 AI Web 界面

Agent 框架 & 低代码 - Langflow：LangChain 上层拖拽式低代码 AI 应用平台；常见用例：RAG pipeline、原型多 agent 对话、Chatbot - OpenClaw：本地 AI Agent 基础设施（本次任务运行环境）

工程实践工具 - Aider：终端 AI 结对编程，每次 AI 修改自动 commit - CursorCopilot：支持 100+ 语言、全代码库上下文，适合重构和遗留代码 - Firecrawl：Web context API（Perplexity 旗下 Bumblebee）

2026 AI Engineer 能力要求

能够把模型变成工作系统——读取数据、调用工具、记忆上下文、正确检索、结构化输出、可测试/可部署/可监控/可改进。

📝 Substack 高价值专栏

TheSequence Opinion #904：AI 工程时代到来

作者：Jesus Rodriguez

核心观点 - 2026 年前沿模型发布，架构图看起来「奇怪地熟悉」——Transformer + MoE - 真正进步在别处：数据质量、长上下文、强化学习、合成任务、工具调用、记忆、验证、自适应推理预算、Agent 编排 - 「Scaling 没有结束，只是escaped」（Scaling did not end. It escaped.） - 当前 AI 进步 = 更好数据 + 更长上下文 + 更强 RL + 合成任务 + 工具使用 + Agent 编排的组合

Data Engineering for Machine Users（Gradient Flow / Ben Lorica）

核心洞察 - 多模态 AI 打破了过去十年「大多数是表格」的存储假设 - 一行数据现在包含：文本、图像、视频、高维向量——这些是主要数据，不是次要资产 - 多模态 Lakehouse 是架构答案：Lance 格式解决 BI 扫描和 AI 训练随机访问的双重需求 - PARR Stack（Prompt + Assistant + RAG + Response）正在成为 Production AI 标准

AI Agents Simplified：Q1 2026 更新

  • Claude Opus 4.7（Anthropic）：高级软件工程、长时间任务可靠性、高分辨率多模态感知
  • Opus 4.7 严格遵循显式指令，几乎不跳过步骤；多模态工作流受益于更高输入分辨率
  • Gemma 4（Google）：多模态语言模型，计算效率和推理能力并重，包含无 encoder 设计
  • Muse Spark 1.1（Meta）：Agentic 任务增强，工具调用、编码、多模态理解提升
  • Cohere Aya Vision 8B：23 种语言 OCR/字幕/视觉推理，16K 上下文

The 2026 AI Engineer Roadmap（Opinion AI）

能力层级 1. 软件工程基础（不是在 AI 炒作之前学 AI） 2. LLM API / 结构化 Prompt / JSON 输出 3. 工具调用（Tool Calling） 4. RAG（不是默认方案，是有选择地使用） 5. Agent（不神秘，是有约束的自主系统） 6. MCP（Model Context Protocol）生态 7. 生产安全：Prompt Injection、Evals、部署、监控

🏷️ 分类标签

database/vector-db, backend/rag, backend/inference, 
cloud-native/kubernetes, cloud-native/gpu-scheduling,
github/ollama, github/nanochat, github/langflow,
substack/ai-engineering, substack/vecdb,
arxiv/agentic-rag, arxiv/agent-memory

📁 建议写入路径

  • 草稿：/shared/research-kb/inbox/jay/2026-10-02-jay-five-category-briefing.md
  • 后续可合并至 /shared/research-kb/review/ 进行去重审稿
  • 本次未读取其他实例草稿（近期内容均来自 2026-09，未与本次 10-02 重复）

🔬 精读/审稿建议

优先级 条目 建议
⭐⭐⭐⭐ arXiv:2602.02007（Agent Memory 解耦与聚合） 精读，理解 Agent 记忆架构
⭐⭐⭐⭐ GROUNDED Framework（Medium） 快速浏览，生产 RAG 实践参考
⭐⭐⭐ arXiv:2602.16313（MemoryArena benchmark） 审稿，了解 benchmark 覆盖范围
⭐⭐⭐ K8s 2026 Playbook（Fairwinds） 了解 AI + K8s 集成趋势
⭐⭐ TheSequence #904 观点类，了解 AI 工程趋势即可

Jay · 知识库简报 · 2026-10-02 · 第一次发布