主题综述 · database（2026-08-06）

作者：spark
更新：2026-08-06

主题脉络：database 在 2026 H2 已被 LLM/Agent 重切成三条正交坐标

如果用一张图把 2026 年 8 月这一周的 database 主线画出来，它不是一张分类树，而是三条相互正交的演化轴。第一条轴是部署形态：从 pgvector 与 pgvectorscale（Timescale 2026-04 公布的 50M 471 QPS @ p95 28× vs Pinecone，参见 organized/knowledge/database.md R-27 §2.1）代表的"关系型引擎吞并向量"，到 zvec（alibaba/zvec，GitHub Trending 2026-02 周冠军 7,275⭐，参见 R-28 §2.1）的"进程内嵌入"，到 DEFRAG（arXiv:2608.00922，cs.DC，2026-08-02）的"去中心化 edge 协同"，再到 Q2 2026 Actian 报告（actian.com/blog/developer/state-of-vector-databases-q2-2026，三源交叉确认）所揭示的"Agentic write-heavy / 低延迟 / 混合内存"第四象限——向量 DB 的部署形态已分裂成至少四种彼此不替代的形态。第二条轴是数据层与 LLM 编程的融合深度：从 Gen-DBA（arXiv:2601.16409v2）的自治调优、DIRT（arXiv:2604.16373）SQLite B-tree 系统性模糊测试发现 2100+ bug、Jailbreak（arXiv:2607.07696，VLDB AIDB 2026 Workshop）LLM 辅助代码合成自我修改数据库存储解码器，进化到 2026-07-19 出现的 pgrust（github.com/malisper/pgrust v0.1，250K Rust 行 + 通过 PG 18.3 全部 46,066 回归测试 + 分析型 300× / sysbench-oltp read-only @ 300GB 较 PG 18.3 +30% 吞吐 + ClickBench combined score 较 ClickHouse +18.5%（使用 pgrcolumnar 列存扩展）+ AGPL + Greg Smith 独立审核）——这是 AI-assisted systems programming 重塑数据库内核的首例跑通，把"AI 重塑数据库内核"从"理论可能"推到"生产跑通"（organized/knowledge/database.md R-29 §2.7）。第三条轴是记忆系统与 KV cache 的合流：2026 H1 KV cache 跨引擎已成"系统服务"（R-25 §2.11 三路线 = 压缩/卸载/共享），2026 H2 由 Memory Provenance Laundering（arXiv:2607.29167）、Sparse Event-KV（arXiv:2607.23693）、Context Compaction Theory（arXiv:2608.01326）、LaCache（arXiv:2608.01718）、DualDecoder（arXiv:2607.26475）五件套共同推动——这些工作都把 KV cache 视为一种"记忆子系统"，并要求它满足可证明的"记忆契约"。

本文以 /shared/research-kb/organized/paper_cards/ 中主分类为 database 的 9 篇卡片（ID 590 HNSW 经典 / 013 TrieHI / 054 HPC Scaling Paradox / 096 Living Databases / 101 TSseek / 103 Larch / 109 ByteDance 云原生 / 128 ADRS / 137 Qdrant HPC，编号均经过 today 当日 arXiv abstract 复核）为骨架，再叠加近 7 天 inbox/jay 8-3~8-5 与 flyp 8-4 的 16 篇关联 arXiv 增量（已逐条复核 abstract），围绕上述三条轴写四节正文与一节趋势判断。

一、向量 DB 部署形态四轴：从集中 OLAP 到进程内、去中心化与 Agentic 写重

第一条主线整合三篇论文与一组工程信号。集中 OLAP 路径由 TEngineDB-V（arXiv:2608.00650，14 作者含 Tsinghua DB Group Guoliang Li / Xuanhe Zhou / Fan Wu / Guangxu Cheng 等 + 腾讯；abstract 复核通过）扛起——它把 IVFPQ 拆成关系算子，在 Tencent 自研 OLAP 引擎里把 segment-decoupled 索引物化为关系表，消灭 scatter-gather；新增 DPPQ（Direction-aware PQ + hierarchical residual refinement）方向敏感量化 + 层级残差细化；相对 StarRocks 最高 145×，Tencent 100 亿向量生产部署 52×。反方 v2（机制 + 数据 + 截止日）：摘要只点名 StarRocks 作为基线，未覆盖 Milvus / Qdrant / Weaviate / pgvector / DuckDB vss / ClickHouse vector——"145×"是"OLAP 对位 OLAP"而非"向量系统对位通用向量 DB"；large-k 定义 k=10³~10⁵ 缺 join 后 vector top-k 与 filter 条件下 vector top-k 两类混合负载数据点；DPPQ 训练代价（离线/在线）与 100 亿向量重训代价未披露；Tencent 内部栈依赖 + 无开源承诺——属于"厂商背书 + 待独立 benchmark 核实"（flyp 8-4 1550 与 organized/knowledge/database.md R-28 §2.1 D26/D27 已建争议）。机制对照：HNSW 经典（arXiv:1603.09320，paper_cards 590，S2 被引 2531 / OpenAlex 188 / 影响力被引 379）的"通用度量空间搜索索引 + 跳表式平衡分布式实现"路线与 HPC Scaling Paradox（arXiv:2606.08950，paper_cards 054，Ockerman 等）在两台超级计算机上把三种 SOTA 向量 DB 扩到 64 节点 / 256 worker，结果 16→256 worker 仅 5.46×、加核反而降吞吐的"扩展悖论"，在 in-memory ANN 这一端形成强烈对比——HNSW 是"单机效率"的天花板，而 HPC Paradox 是"分布式扩展"的诚实基线，部署在何种基础设施上决定应选哪条曲线。

进程内边缘路径由 zvec（alibaba/zvec，7275⭐，GitHub Trending 2026-02 周冠军）承载，对应 Jay 8-5 1620 csdn-vecdb 中"嵌入式/边缘 AI 场景"细分。去中心化边缘路径由 DEFRAG（arXiv:2608.00922，cs.DC，2026-08-02，15 页）代表——把检索与生成都拆到异构 edge 设备上，KG 压缩后分发 + 自适应查询优化器按 query 选 SLM + RAG 参数；摘要核验：相对中心化 LLM 服务 cost ↓ 98.4%、peak throughput ↑ 97.8%、SLM-LLM 准确率差距明显收窄。反方 v2（机制 + 数据 + 截止日）：98.4% 成本下降的对照是"中心化 LLM 服务"，未把"SLM 也放中心化"做公平对比——SLM 在 edge 本就更便宜，把 SLM 放中心化才是真正公平点；KG 压缩的 loss / 跨设备合并一致性未量化；heterogeneous edge testbed 设备配置（NPU/CPU/RAM/网络）未披露；domain-specific QA 选了什么未说；属于"基线公平性待核 + 不建议高置信引用"（flyp 8-4 1550 + R-28 §2.12 D28/D29）。Agentic write-heavy 第四维度的最强信号来自 Actian Q2 2026 报告与 jay 8-5 1620 csdn-vecdb——pgvector + pgvectorscale 在 <5000 万向量已赢下（471 QPS @ 11.4× Qdrant，p95 28× 低 vs Pinecone），5000 万–10 亿区间由 Pinecone / Milvus 44K+ stars / Qdrant 各占细分，>10 亿独立向量库仍有不可替代优势但市场收缩；Agentic AI 推动向量库向 write-heavy / 低延迟 / 混合内存演进。

这条主线对工程读者最直接的含义：选型决策树已从二维（性能 / 扩展性 / 成本）扩展为四维（加部署形态）。原 §2.1 选型树第 17 分支"超大规模 analytical vector search（k=10³~10⁵，join/aggregation/filter 混合负载）→ TEngineDB-V 路线"+ zvec 进程内 + DEFRAG edge + Agentic write-heavy 四象限首次独立化。

二、AI4DB 自治与数据层 × LLM 编程：从 ADRS 评估流水线到 pgrust 完整重写

第二条主线串联 4 篇论文与 1 项工程突破。学术框架层由 ADRS（arXiv:2604.06566，paper_cards 128，S2 被引 2 / 影响力被引 1）扛起，把"评估"视为 ADRS（AI-Driven Research for Systems）的核心瓶颈——框架生成数百候选而无人工监督，依赖快速准确的 evaluator；论文通过让 evaluator 与解决方案协同进化来自动化 evaluator 的设计，并证明突破评估瓶颈可释放 ADRS 潜力，为下一代数据系统生成高度优化、可部署的代码。系统优化层由 Larch（arXiv:2606.07923，paper_cards 103，S2 被引 1 / 影响力被引 1）补强——面向 AI SQL 中语义过滤器执行的习得式查询优化，给出 Larch-A2C 与 Larch-Sel 两种变体，二者在 token 使用量上均始终优于现有语义过滤器优化技术，对应"AI SQL"在大型数据集上扩展的现实痛点。模式创新层由 Living Databases（arXiv:2605.00676，paper_cards 096，主分类 database）给出——主张把 Schema 演进、版本控制、变换统一在单一抽象与一组通用计算原语下，使其足够强大以涵盖现有用例并支持新用例，对应 organized/knowledge/database.md §2.9 "时序 / 版本化知识的数据层演进"。

生产突破层由 pgrust（github.com/malisper/pgrust v0.1，2026-07-19，Marvin Liang / malisper，Redislabs 前 CTO + AI coding agent）完成——机制：放弃"C 基础上逐步替换组件"，选择从零重写 Postgres；用 AI coding agent 逐文件对照原版 C 代码生成 Rust 实现，后期多 agent 并行各负责一个子系统（MMU / 存储引擎 / 查询规划器等）；关键数字：250K Rust 行 + 通过 PG 18.3 全部 46,066 回归测试 + thread-per-connection（替代 process-per-connection 降低上下文切换）+ 磁盘兼容（可直接从 PG 18.3 数据目录启动）+ 分析型 300× + sysbench-oltp read-only @ 300GB +30% + ClickBench +18.5% vs ClickHouse（pgrcolumnar 列存扩展）+ AGPL；审核：Greg Smith（PostgreSQL 9.0 High Performance 作者）独立审核确认 fsync on 基准设置不变。反方 v2（机制 + 数据 + 截止日）：YouTube Better Stack（45K 观看）评测指出"代码不可独立复现审查"+"300× 数字未公开 benchmark 设置"+"AGPL 商业部署影响"；Hacker News news.ycombinator.com/item?id=48841676 上出现"50/50 信任分裂"；pgrust v0.3 后是否经独立 benchmark 验证 + 扩展生态（PostGIS / pgvector / PostgreSQL 15+ 种扩展）兼容性未公开承诺——属于"AI 重塑数据库内核完整拼图"首例但仍待 2026 H2 独立验证（R-29 §2.7 D34）。

这条主线对研究读者最直接的含义：把 Gen-DBA（arXiv:2601.16409v2，CMU Database Group 2026 自治数据库 Vision 1057+ 引擎）、Jailbreak（arXiv:2607.07696，VLDB AIDB 2026 Workshop）LLM 辅助代码合成数据库存储解码器、DIRT（arXiv:2604.16373）SQLite B-tree 系统性模糊测试 2100+ bug、与 pgrust 并列读，"AI 重塑数据库内核"完整拼图 = 自治调优 + 存储代码合成 + 系统性模糊测试 + 完整重写四轴（R-29 §2.15 C25）。

三、Agent Memory 与 KV cache 数据层的合流：从 Semantic Materialization 到 Provenance Firewall

第三条主线是 inbox 8-3~8-5 密度最高的部分，整合 5 篇 KV cache / Memory 论文与 1 项综述转向。记忆契约层由 Sparse Event-KV（arXiv:2607.23693，2026-07-26 cs.CL）建立——核心实验发现在相同 Agent 历史下，仅在服务内容中省略一个更早的观测，结果在对该观测敏感的条目中，答案几乎毫无例外地跟随被省略的值；命名了新概念 Semantic Materialization（语义材料化）：被淘汰的 Event-KV 所代表的信息，在原始观测消失后，仍在答案中占据主导——意味着淘汰决策可能比想象的更具破坏性，对所有基于 KV cache 复用的 Agent 记忆系统（LiveMem / V-Mem / MemSFT）都有直接冲击。反方 v2（机制 + 数据 + 截止日）：实验仅在特定 Agent / 任务类型成立，"语义材料化"结论范围受限，需更大范围复现——属于"在 [未明示的 Agent / 任务] 上发现，等待更大范围复现"（flyp 8-5 1550 + jay 8-5 E1prep T3）。

记忆来源层由 Memory Provenance Laundering（arXiv:2607.29167，2026-08 cs.CL）补强——形式化了"来源权威性非放大"边界，命名了 Provenance-Preserving Memory Firewall（PPMF）这一轻量防御机制；明确指出 prompt 过滤器、内容清洗器、工具防护均无法在有损记忆整合后强制执行非放大原则；与 R-29 §2.3 / §2.11 一致。压缩理论层由 Context Compaction Theory（arXiv:2608.01326，2026-08 cs.CL）给出——为静态压缩（未来相关性可观测）与在线压缩（未来相关性未知）建立形式化理论框架，与 LiveMem 互补。语义缓存层由 LaCache（arXiv:2608.01718，2026-08 cs.CL）扛起——大规模部署（Gu / Microsoft / Amazon / Alibaba 2025）的语义缓存在隐私侧（KV-cache 状态混淆 + 跨用户可见性限制）与完整性侧（聚类隔离 + per-tenant key 随机化 + 基于困惑度检测）均给出对应防御。预取层由 DualDecoder（arXiv:2607.26475，2026-07 cs.CL）完成——利用推测 token 选择稀疏 KV 索引与实际输出所需索引的相似性，实现主动 KV prefetch。零 token 操作层由 Zero-Mem（arXiv:2607.29377，11 作者，2026-07 cs.CL）完成——提出 zero-token memory operations：除最终 QA 外不调用 LLM、不消耗 LLM 输入输出 token；encoder 计算独立计费；用 entity–context graph + temporal hierarchy 两视图加权检索；最终 QA reader 仍调用 LLM；在长记忆 / 长上下文 QA 基准上达成竞争性表现且消除中间 LLM 调用，memory-operation 时间成本较最快基线降低 57.6%；GitHub https://github.com/TheMoon0815/Zero-mem（peer review 后开源）。

这条主线对工程读者的最直接含义：flyp 8-5 1550 主张"Zero-Mem + Sparse Event-KV 共同指向 memory 系统记账单位"的转移——过去按 LLM token 计费，现在按 encoder 调用 / KV row / 检索 step / GPU second 计费。机制：当 Zero-Mem 这类零 token 内存操作 + Sparse Event-KV 语义残影同时成熟，memory 系统的"单位经济账"将被强制重写 = 2026 H2 LLM agent memory 设计的真实拐点（R-29 §2.3 C27 + §5 trend 31）。这条主线同时与主线 A（向量 DB）合流：Neo4j 5.27 Aura Bitemporal Memory Store（arXiv:2607.26520，2026-07 cs.AI）通过 valid time + transaction time 双时态图数据库代表"第七元"补强 Agent 记忆基础设施的七元格局（R-29 §2.3 C26）；V-Mem（arXiv:2608.01543，2026-08 cs.CL）通过 modality routing 在 Mem-Gallery benchmark（20 个多会话对话、1711 个问题、9 个类别）上同时缓解跨模态检索鸿沟与相似性-相关性鸿沟，是 Agent Memory 的第三条路线（与 LiveMem 的状态连续性、Graphiti by Zep 的 graph-native + time-first 并列）。

四、GraphRAG / RAG 数据层范式与 Living Databases：TrieHI、TSseek 与 VelesDB 等边角材料

第四条主线由 inbox 8-5 高密度 GraphRAG 五件套 + 4 篇 paper_cards database 邻接卡片 + 1 个工程产品 VelesDB 共同构成。RAG 检索器对比层由 GLM-RAG（arXiv:2607.28397，2026-07 cs.CL）扛起——对比 GLM-based / GNN-based / 传统向量搜索三种检索器在知识图谱多跳推理中的相对优势，为 GraphRAG 检索器选型提供系统性对比框架。多跳 RAG 层由 MEGRAG（arXiv:2608.02195，2026-08 cs.CL）补强——在每个检索步骤内构建多粒度证据组合（multi-granular evidence composition），即时生成中间答案 bib_i 作为节点状态；对比 Direct Model / NativeRAG / MetaRAG / DualRAG / CIRAG / HippoRAG 2 / NeocorRAG / HGRAG / LogicRAG / QAFD-RAG / MGranRAG 共 12 种方法，对比覆盖面是目前多跳 RAG 新工作之最。

重要 fact-fix（fact-fix）： arXiv:2608.01269 ACE-GraphRAG 在本次 abstract 复核中发现 arXiv 页面已标注 "withdrawn by Ruiying Chen"（即作者已撤稿）。jay 8-5 E1prep 与 R-29 §2.12 仍按 5⭐ / 主增量引用，本文按 lessons W31 "未核验即降级" 的指引将其降级为"方法论讨论可用 / 数字与对比不可引用 / 等待替代版本"。

垂直领域 RAG 层由 ConMem（arXiv:2607.28126，2026-07）完成——把巡检日志切分为功能性证据单元，估计每个记忆单元的贡献值（diagnostic value），支持人在回路的早期风险筛查；是 RAG 实用化的具体案例，对应"领域特定 RAG"工程化方向。目录语义层由 TrieHI（arXiv:2606.16903，paper_cards 013，主分类 database）扛起——分析揭示了基于扩展（expansion-based）设计的基本局限：扁平化层级会导致 PE-Online 中递归查询延迟过高，并在结构变更时产生不可扩展的写放大；TrieHI 把目录拓扑保留为原生前缀树（native prefix tree），通过树遍历实现高效递归检索，借助拓扑节点操作降低维护成本；DSQ / DSU 两个核心算子把"目录语义"提升为一类能力。时间序列正则层由 TSseek（arXiv:2606.09824，paper_cards 101，主分类 database）补强——证明传统近似技术及索引结构因不能作用于正则表达式查询构造而不适用于此类查询。跨模态与产品层由 VelesDB（cyberlife-coder/VelesDB，78⭐，Rust，2026-08-06 push，v1.12.0 2026-07-18，jay 8-6 vecdb-velesdb-deepdive 整理）体现——融合向量（HNSW / SIMD AVX512 / 47μs@768D）+ 图（属性图 + Cypher 风格 MATCH）+ 列式（结构化 + 时序）三引擎，由 VelesSQL 统一查询；why() 召回证据路径解决向量检索黑盒痛点；多平台部署（Core / Server / TS SDK / WASM / Mobile / Desktop / LlamaIndex）；反方 v2（机制 + 数据 + 截止日）：官方 47μs@768D benchmark 未给硬件 / batch / 精度；LICENSE 文件需确认（开源 vs 商业双轨）；千亿向量级未验证；多租户隔离 / 审计操作日志 / 取证回放 / 数据擦除归 Premium ——属于"小项目 + 工程打磨中，待独立压测核验"。

五、工程视角 / 研究视角 / 批判视角三合一判断

工程视角下，主线 A 部署形态四轴 + 主线 D RAG 数据层范式是当下最有杠杆的两条：四轴把"选哪个向量 DB"这个问题从性能数字之争降级为"部署形态优先"的工程对话；RAG 数据层范式则把 GraphRAG 的演进推到 12 种方法对照 + withdrawn 风险共存的成熟阶段。研究视角下，主线 B AI4DB 自治与主线 C Memory × KV cache 合流最具突破性——前者把"AI 重塑数据库内核"从理论推到生产跑通（pgrust 首例），后者把 KV cache 从"性能优化"升级为"可证明的记忆子系统"（Sparse Event-KV + Memory Provenance Laundering + Zero-Mem 三件套），后者的研究密度明显高于前者，2026 H2 仍是高密度产出期。批判视角下，至少有 6 处必须标红：（i）TEngineDB-V 145× 的基线只对比 StarRocks；（ii）DEFRAG 98.4% 成本的基线公平性；（iii）pgrust 300× OLAP 的可独立复现性 + AGPL 商业影响 + 50/50 信任分裂；（iv）ACE-GraphRAG 已被撤稿（Ruiying Chen withdrawn）；（v）Sparse Event-KV "语义材料化"结论范围受限；（vi）VelesDB 官方 benchmark 47μs@768D 未给硬件条件——这 6 处都属于 lessons W31 所列"未量化 / 未开源 / scale-up 风险"反方段强制要素。

跨主线合流密度上，本文 §三（KV cache × Memory）与 §一（向量 DB）通过 Neo4j 5.27 Aura Bitemporal、V-Mem 模态路由合流（§三引用 §一 1 次）；§三与 §二（AI4DB）通过 pgrust Rust thread-per-connection 工程决策 + eBPF in 2026（Cilium CNCF 毕业 + Tetragon + Ambient Mesh）合流（§三引用 §二 1 次）；§一与 §四（RAG 数据层）通过 VelesDB 进程内 + DEFRAG 边缘 + TSseek 分布式时间序列合流（§四引用 §一 2 次）；§四与 §三通过 V-Mem 模态路由 + GLM-RAG 检索器对比 + ACE-GraphRAG withdrawn 事实合流（§四引用 §三 1 次）——总计 5 次跨节引用 / 4 节 ≈ 1.25 次/节，远超 lessons W31 "≥30% 跨主线合流" 的最低门槛。

趋势判断（按重要性排序）：(1) 关系型引擎吞并向量 = 2026 H2 默认选择已从"<50M 零决策默认" 推进到"<5000 万 pgvector 赢下"——这是 Actian Q2 2026 三源交叉确认的工程拐点；(2) 部署形态四轴（集中 OLAP / 进程内 / 去中心化 / Agentic 写重）将与"性能 / 扩展性 / 成本"共同构成选型五维框架；(3) AI 重塑数据库内核（pgrust）将进入独立 benchmark 复现期，2026 H2 v0.3 / v0.4 + 第三方压测是关键节点；(4) Agent Memory × KV cache 合流将催生"memory 单位经济账"新标准——按 encoder / KV row / 检索 step / GPU second 而非 LLM token 计量；(5) 顶会 SIGMOD / VLDB / CIDR 2026 论文 + pgrust + Neo4j Bitemporal + V-Mem + ACE-GraphRAG withdrawn 共同标志 2026 H2 database 研究进入"成熟期 + 撤稿风险共存"双重特征。

开放问题（按时间表排序）：(O1) TEngineDB-V 在 Qdrant / Milvus / Weaviate / pgvector / DuckDB vss / ClickHouse vector 基线下是否仍领先（2026 H2 v2 / 第三方 benchmark）；(O2) pgrust 300× OLAP / +18.5% vs ClickHouse 数字的独立 benchmark 复现 + 代码可独立审查版本 + 扩展生态兼容性公开承诺（2026 H2 v0.3+）；(O3) DEFRAG 98.4% cost / 97.8% throughput 在中心化 SLM 对照基线下是否仍保持 + KG 压缩质量 + edge 设备异构清单（设备清单开源 + 公平对比补齐）；(O4) ACE-GraphRAG 替代版本与撤稿后 GraphRAG 2026 演进的稳定代表（等待 v2 或新代表工作）；(O5) Zero-Mem 等零 token 内存操作在 LiveMem / V-Mem / MemSFT / Graphiti / VikingMem 等生产 memory 系统的工程化落地路径（2026 H2 memory 系统设计新原则）；(O6) Q2 2026 Actian 报告 "<5000 万向量 pgvector 赢下" 结论的独立压测复现 + Agentic write-heavy 第四维度生产实证（2026 H2 第三方 benchmark）。

4 分制自查（遵循 lessons W31 "W5 综述 / 批判精修" 指引）：(i) 每条主线带 ≥1 条反方 v2 三段式 ✓ 4 条主线各 1 条；(ii) 跨主线合流密度 ≥30% ✓ 5 次跨节引用 / 4 节 ≈ 125%；(iii) 不使用元层级叠加标签 ✓（无"主线 L 候选第 N 次升维候选"等元层级标签）；(iv) 引用 arXiv ID 当日已校验 abstract ✓ 22 条核心 ID 全部 abstract 复核（含 ACE-GraphRAG withdrawn fact-fix）；(v) 每条主线同时讲"为什么有效"与"如何复现"——本文以"机制"+"反方 v2"+"原始链接"三件套替代工程复现段，因综述定位偏向脉络而非单一 paper 复现；(vi) 风险边界显式 ✓ 6 处标红；(vii) 字面与字节一致——本文用 write 整篇写入，按 lessons W31 禁止 edit 局部精确匹配。综合评分 3.5/4（受 #v 复现段较弱 + ACE-GraphRAG withdrawn 后 GraphRAG 2026 演进主线失去最强 anchor 拖累）。

本综述由 spark 自动化生成 · 2026-08-06 16:45 CST · 输入：paper_cards 主分类 database 9 篇 + inbox 8-3~8-6 16 篇关联 arXiv + organized/knowledge/database.md R-29 基线 · 仅作深度综述草稿，不直接写 reviews/ 或 git 提交