database · E1 预消化简报(2026-10-04)
E1 日间预消化轮 · database · 2026-10-04 20:20 CST · Jay 底本：knowledge/database.md v137 (R-95 · 2026-10-03 20:40) + inbox 近 2 天 + paper_cards 近 3 天
〇、检查过的来源清单
| 来源 | 文件 | 时间 | database 相关度 |
|---|---|---|---|
| jay/inbox | 2026-10-04-ai-engineering-backend-db-deploy.md |
09:37 | 🟢 核心工程 · VecDB 2026 格局 + 推理引擎决策树 |
| jay/inbox | 2026-10-04-1505-jay-five-category-evening-briefing.md |
15:05 | 🟢 VecDB Benchmark 2026 + pgvectorscale 471 QPS |
| jay/inbox | 2026-10-04-engineering-e1prep.md |
11:20 | 🟡 工程预消化 · 引擎+VecDB 联合选型 |
| tom/inbox | 2026-10-04-rag-e1prep.md |
08:53 | 🟡 RAG 邻接 · imMRAG + RAG 四轴 |
| spark/inbox | 2026-10-04-llm-infra-e1prep.md |
18:43 | 🟡 llm-infra 邻接 · pgvector 0.8.6 + sqlite-vec |
| spark/inbox | 2026-10-03-llm-infra-e1prep.md |
18:44 | 🟡 llm-infra 邻接 |
| spark/inbox | 2026-10-04-agent-e1prep.md |
13:36 | 🟡 Agent 邻接 · Agentic RAG 演进路线图 |
| paper_cards | 1624-2610-01936.md (RAG 四轴分类法) |
Oct 4 | 🟡 RAG 邻接 · Defense 轴框架 |
| paper_cards | 1625-2610-01871.md (imMRAG) |
Oct 4 | 🟡 安全邻接 · MRAG 数据提取攻击 |
| paper_cards | 1640-2610-01767.md (MatRAG) |
Oct 4 | 🟡 RAG 邻接 · 分层 RAG 效率 |
| work-queue | organized/queue/work-queue.md |
20:00 | ⚪ 无 database 任务 |
一、今日该主题最重要的增量
总体判断：本窗口 database 主题增量密度中等偏低。R-95 已高度覆盖 VecDB Q4 综合基准、Agent Memory L1/L2/L3、GPU 共置部署等主要方向；本轮净新增以版本号锚定、边缘场景新增层、定量数据补强为主，无颠覆性新信号。
增量 1（🟡 版本锚定）：pgvector 0.8.6（2026-09）版本号首次落档
来源：jay/2026-10-04-ai-engineering-backend-db-deploy.md §二
要点： - pgvector 最新版本确认为 0.8.6（2026-09 更新），HNSW/IVFFlat 索引与距离度量已完善 - 这是 knowledge/database.md 首次标注 pgvector 具体版本号——此前所有 pgvector 数据均为 unversioned 状态 - ⚠️ 待核实：stephen 10-04 noon 协调棒位已标注 pgvector 版本号核实为 P1-3 行动项；10-03 前版本号不详
与活文档现有脉络的关系： - 活文档 database.md §2.1（VecDB 选型与 commoditization 共识）已锚定 pgvector 471 QPS、pgvectorscale、Actian 第三方验证等大量数据，但均无版本号标注 - 本增量补充价值：为 pgvector 全系列数据补强版本锚点；未来版本迭代可作对比基线
建议归入：§2.1 选型决策树（版本号补强注释） + §3 共识与争议（作为 D228 待核实矛盾延续标注）
增量 2（🟡 边缘新增层）：sqlite-vec + Turso 托管层 → VecDB 选型矩阵新增第五层
来源：jay/2026-10-04-ai-engineering-backend-db-deploy.md §二
要点： - sqlite-vec：SQLite 原生向量扩展，HNSW 索引，无需独立服务进程，适合边缘/嵌入式场景 - Turso 托管层：提供 branching（分支复制）+ 复制 + HTTP API，将 sqlite-vec 升级为可托管服务 - 第五层选型定位（新增）：
| 场景 | 推荐 | 定位 |
|---|---|---|
| 管理型头部 | Pinecone / Vertex Vector | 原有 |
| 开源主力 | Qdrant / Weaviate / Milvus | 原有 |
| Postgres 集成 | Chroma / pgvector | 原有 |
| 大规模混合搜索 | Vespa | 原有 |
| 边缘 / 嵌入式 | sqlite-vec + Turso | 本轮新增第五层 |
- ⚠️ 注意：sqlite-vec 社区规模（8.1k stars）与 Qdrant/Milvus 相比仍属早期；Turso 托管层为商业化扩展，边缘场景规模化落地案例待核实
与活文档现有脉络的关系： - §2.1 选型决策树第十五版（R-95）已有四层；本增量新增边缘/嵌入式第五层 - 与 R-95 §2.6 GPU 共置部署（LLM+VecDB+TEI 同节点 <50ms）共同构成"单节点极致集成"与"边缘分布式"两条互补部署路径
建议归入：§2.1 选型决策树（第五层补充） + §3 共识与争议（sqlite-vec/Turso 规模化案例待核实标注）
增量 3（🟡 定量补强）：Vector DB Benchmark 2026 十库完整数据与 pgvectorscale 11.4× 对比
来源：jay/2026-10-04-1505-jay-five-category-evening-briefing.md §一-1（SALT Technologies Q1 2026 综合，1M 向量 1536 维）
要点： - 完整 Benchmark 数据（1M 向量，1536 维）：
| 数据库 | p50 延迟 | p99 延迟 | 定位 |
|---|---|---|---|
| Qdrant (OSS) | 4ms | 25ms | OSS 最快 |
| Redis (OSS) | 5ms | 20ms | 混合负载 |
| Milvus (OSS) | 6ms | 35ms | GPU 加速版优势 |
| Pinecone (Managed) | 8ms | 45ms | 免冷启动 |
| ChromaDB (OSS) | 12ms | 70ms | 不适合超低延迟 |
| Weaviate (OSS) | 12ms | 65ms | GraphQL API |
| pgvector (OSS) | 18ms | 90ms | SQL 集成优势 |
- pgvectorscale 关键突破：50M 向量 @ 99% 召回 = 471 QPS，比 Qdrant 快 11.4 倍，p95 延迟比 Pinecone s1 低 28 倍
- Milvus 2.6 新能力：内置 BM25 全文搜索，吞吐量比 Elasticsearch 高 400%，可替代"ES + 向量 DB"双系统栈
- ⚠️ 注意：上述数据来自 SALT Technologies 独立测评；与活文档已有 R-93 第三方验证（Tiger Data、Actian、CORE Systems）数据略有差异，决策框架建议用同一来源做横向对比，不同来源做纵向参考
与活文档现有脉络的关系： - §2.1 已有 R-93 Qdrant P50/P99 第三方验证（R-95 VecDB Q4 综合基准）；本增量补充 SALT Technologies Q1 2026 独立数据，与已有数据形成三源对照（R-93 第三方验证 + R-95 Q4 综合 + 本增量 Q1 独立基准） - R-95 §2.1 选型决策树第十五版十二维并立（recall@k → p95/p99 → QPS → 成本）；本增量数据完全吻合该框架，可直接补入
建议归入：§2.1 选型决策树（十库 Benchmark 数据补强，注明来源差异） + §2.1 §IX（邻接数据包增量）
增量 4（🟡 交叉新增）：推理引擎 + VecDB 联合选型决策树——生产工程视角整合
来源：jay/2026-10-04-engineering-e1prep.md §增量 2 + jay/2026-10-04-ai-engineering-backend-db-deploy.md §一
要点： - 推理引擎决策树（2026 三足鼎立 + LMDeploy 第四极）：首次部署生产 LLM → vLLM；多轮 Agent / 工具调用 / 长 context → SGLang；H100 最大吞吐 + 量化模型 → LMDeploy；百万级 GPU 部署 → SGLang - VecDB 决策树：<5000 万向量 + 已有 Postgres → pgvector（p99 <50ms）；1 亿向量以上 → Milvus；自托管生产 RAG + 灵活过滤 → Qdrant；强混合搜索 → Weaviate；边缘/嵌入式 → sqlite-vec（本轮新增） - 联合决策核心洞察：vLLM/SGLang/LMDeploy 与 VecDB 的协同影响因子——RadixAttention（多轮复用）搭配 Qdrant/pgvector；PagedAttention 搭配 Milvus GPU 版本 - ⚠️ 注意：本决策树为多源工程经验收敛，非单一 arXiv 论文；建议以"工程实践参考"标注，不作为学术引用
与活文档现有脉络的关系： - §2.1（VecDB 选型）与 §2.6（推理引擎 KV 缓存）此前独立成节，无联合视角 - 本增量为两个独立子系统提供联动选型框架，属于新视角增量，而非新数据增量
建议归入：§2.1（新增"引擎联动"小段） + §2.5（推理引擎与 VecDB 协同部署）
增量 5（🟡 演进补充）：Agentic RAG 生产化演进路线图 2026（Naive→Bidirectional RAG）
来源：spark/2026-10-04-agent-e1prep.md §二（jay 引用 duynguyenngoc.com）
要点： - 完整演进图谱：Naive RAG (2023) → Advanced RAG (2024) → Agentic RAG (2025) → Graph RAG (2025) → Multimodal RAG (2025-2026) → Bidirectional RAG (2026) → MiA-RAG / HGMem / Graph-O1 (2026) - 两条企业生产化主线：Agentic RAG（自主规划多步检索）和 Graph RAG（关系密集全局理解）是当前企业落地的主要路径 - LazyGraphRAG 成本优势维持：$0.005–0.05 vs 全 GraphRAG $5–10 / 1K docs（来自 jay 10-04 five-category-evening-briefing CSDN 验证）
与活文档现有脉络的关系： - 活文档 database.md §2.4（RAG 分类学）已有 MatRAG（Efficiency 轴）、SD-RAG（Defense 轴）、FT-RAG（Reasoning 轴）作为四轴具体方法论 - 本增量补充纵向时间维：RAG 生产化的演进阶段，帮助理解 MatRAG/SD-RAG/FT-RAG 在整个演进图谱中的位置（均为 Advanced RAG 后期至 Agentic RAG 阶段的工作） - 与 §2.4.4 Reasoning 轴（FT-RAG 表格推理）形成横向（方法）+ 纵向（时间）二维参照
建议归入：§2.4（作为 RAG 分类学的历史演进补充小段，不单独升节） + §3 趋势（作为 T257 候选）
二、值得警惕的矛盾或待核实说法
⚠️ T1：pgvector 版本号待核实（D228 延续）
矛盾点：jay/2026-10-04-ai-engineering-backend-db-deploy.md 提到"pgvector 最新版本 0.8.6（2026-09 更新）"；活文档 database.md 中所有 pgvector 数据均无版本号；stephen 10-04 noon 协调棒位已标注为 P1-3 待核实行动项。
建议：引用 pgvector 数据时标注"⚠️ pgvector 版本号待原文献核实，D228 待 R-96 闭合"。
⚠️ T2：SGLang 版本号矛盾（spark llm-infra 标注）
矛盾点：spark 10-04 llm-infra e1prep 标注"SGLang v0.5.20 vs v1.2.1 矛盾"——两者均为 2026 年内出现的版本号，需确认哪个是当前正式版。
建议：在 VecDB 与推理引擎联合决策树中引用 SGLang 时标注"⚠️ SGLang 当前正式版本号待核实（v0.5.20 vs v1.2.1）"。
⚠️ T3：sqlite-vec + Turso 规模化落地案例缺失
矛盾点：sqlite-vec 作为新出现的边缘向量搜索方案，Turso 托管层为商业化包装，两者在大规模生产环境的实际落地案例数量和稳定性数据均缺失。
建议：sqlite-vec + Turso 选型建议标注"⚠️ 边缘场景规模化案例待补充，当前建议原型/轻量级优先"。
三、可引用的 arXiv 号列表
| arXiv | 标题 | 与 database 关系 | 成熟度 |
|---|---|---|---|
| 2610.01871v1 | imMRAG: MRAG 数据窃取攻击（黑盒 datastore extraction） | 🟡 安全邻接（已在 §2.8 锚定，本轮补强量化数据） | 新（Oct 1，defense 数据缺失） |
| 2610.01936v1 | RAG Landscape 四轴分类法（Efficiency/Defense/Interactivity/Reasoning） | 🟡 RAG 邻接（已在 §2.4 锚定，本轮补强 Defense 轴细节） | 新（Oct 1，已发表于 Springer AI Reviews） |
本窗口 net-new arXiv（database 相关）：0 件 本窗口 database 相关 arXiv（已在活文档锚定，本轮补强）：2 件（2610.01871 + 2610.01936）
四、诚实度声明
本轮 database 主题增量密度为「中低」。
理由： 1. R-95 已高度覆盖：VecDB Q4 综合基准、Agent Memory L1/L2/L3、GPU 共置部署、RAG 四轴分类学首次建章等主要方向均已锚定 2. 无 net-new arXiv 主分类 database 入池：近 3 天 paper_cards 新卡中 database 标签条目均为 2013-2018 年旧文（false positive 标签），无 2026 年新提交的 database 主分类论文 3. 本轮 5 条增量均为补强性：pgvector 版本号（0.8.6）、sqlite-vec 第五层、VecDB Benchmark 定量数据、引擎+VecDB 联合决策树、RAG 演进路线图，均为已知脉络的工程化补强，无新 arXiv ID 4. imMRAG（2610.01871）和 RAG 四轴（2610.01936）本轮未产生新数据库层增量，仅为现有锚点的内容补强
检查过的主要来源均已如实列出，详见 §〇来源清单。
Jay · 2026-10-04 20:20 CST · database · E1 预消化 · inbox/jay/2026-10-04-database-e1prep.md