研究与技术01
P99 CONF 是一个线上会议，专门讨论高性能、低延迟的应用，2026 年的大会在 10 月 21 日至 22 日举办。本文从 60 多场演讲中挑选了五场来介绍，主题都是数据库在不同设计之间如何取舍。比如，读写和存储空间往往此消彼长：让写入变快，读起来可能更费劲。还有团队把数据放到对象存储上并加缓存，用便宜的大容量存储换取稍慢的冷读取；也有团队改用内存索引，让读取更快、几乎不出现长尾延迟，代价是占用更多内存、写入更重。这些结果都针对演讲中特定的测试负载，并非通用性能保证；演讲录像需注册后可在 p99conf.io 点播观看。
文中可用工具
- SlateDB开源库，让开发者在 S3 等对象存储上直接搭建键值数据系统，不用自己实现 LSM
- LogstorScyllaDB 中可选开启的存储引擎，面向读多写少的键值负载，用内存索引加快单点查询
- Valkey内存数据库，文中通过多线程网络 I/O 和槽位迁移来提升吞吐和横向扩展速度
- turbopuffer向量搜索引擎，在对象存储上支撑千亿级向量的低延迟检索
- RaBitQ二进制量化方法，把向量的影子索引压缩到每维一位，用来先缩小候选范围
Agent 与自动化02
Cognilogical/NeuroStrata · Cognitive Memory Architecture for Agents
NeuroStrata 是一个用 Rust 编写的单二进制程序，内置图与向量存储（LadybugDB），为 AI 编程 Agent 提供跨项目和跨会话的持久记忆。它用二进制层级的强制校验机制约束工作流程：目标进入 done 状态前必须产出一条已记录的经验；规则以记忆记录形式存储在命名空间中，并在动作执行前做语义匹配校验，可选用 podman 网络隔离容器进行 dry-run；团队记忆通过普通 git 传输，无需托管 API 或消息代理。默认全本地运行，嵌入模型可选本地 fastembed 或远程 OpenAI 兼容端点，缺失密钥时 fail-closed。
Agent 与自动化03
lsm/dolmen · Single-binary data layer for AI agents — tables, full-text + vector search, schema migration, MCP-native. Apache-2.0.
dolmen 是一个用 Go 编写的单二进制数据层，面向 AI Agent 与 AI 技能，在自有存储之上提供结构化表、全文搜索与向量搜索，并内置 schema 管理与迁移能力。它通过指向一个目录即可运行，底层使用 SQLite 文件，无需单独维护数据库服务器，同时提供 HTTP API 与 MCP 原生接口，并默认内置本地嵌入模型（首次使用会下载）。
研究与技术04
当回答一个问题需要理清多条记录之间的关联时，普通向量检索可能不够用。比如问“哪个团队负责那个用了有漏洞的库的服务、哪些客户受影响、合同要求怎么通知”，向量搜索只能找出语义相近的文档，却无法证明哪些记录真正相关，可能把错误的服务版本或客户关联到一起。Graph RAG 的做法是把这些关系显式建成图：每条记录是一个节点，服务“使用”库、服务“支持”环境、合同“受制于”政策等关系成为带类型和方向的边，每条边都能追溯到来源并带生效日期。这样回答时先定位实体，再沿允许的关系遍历，最后取原文解释细节。两者配合使用，图的职责是回答“谁和谁相连”，原文负责回答“政策到底写了什么”。
文中可用工具
- Graph RAG一种把记录间关系显式建模、再沿关系遍历检索的方法，用于回答依赖关系类问题
- GraphRAG微软的方案，用大模型从非结构化文本中抽取知识图谱并构建社区层级，支持语料级和实体级查询
- vector search向量检索，按语义相似度找出与问题相关的文档或记录
模型进展05
Cohere 周三发布了 Embed 5 系列模型，让团队可以用 Embed 5 Pro 来给数据建向量索引，同时用更快更便宜的 Embed 5 Fast 来查询同一批向量，不用再建第二个索引。以前如果既要低成本又要高质量，往往得维护两套数据表示，现在两个模型共享同一个向量空间，可以直接混用，不需要重新嵌入。Cohere 自己的测试显示，用 Pro 建索引、Fast 查询，检索质量相当于 Pro 对 Pro 的 98.4%，差别很小；Fast 的吞吐量平均是 Pro 的 2.4 倍，价格从每百万 token 0.12 美元降到 0.08 美元。两个模型都支持 256 到 2048 维向量以及 float32、int8、binary 格式，能处理文本、图像和图文融合输入，覆盖 100 多种语言。Embed 5 Pro 和 Fast 已通过 Cohere API、Model Vault、Microsoft Foundry 和 Amazon SageMaker 开放，也支持 vLLM 私有部署；但生产环境仍建议在自己的数据上重新评测，因为检索错误可能在多步 Agent 流程中被放大。
文中可用工具
- Embed 5 Pro用于给数据建向量索引，检索质量更高，价格也更高
- Embed 5 Fast用于查询同一批向量，速度更快、价格更低，检索质量略低
- Cohere API通过接口调用 Embed 5 模型
- Model VaultCohere 提供的模型托管服务，可用于访问 Embed 5
- Microsoft Foundry微软的 AI 平台，可用于访问 Embed 5
- Amazon SageMaker亚马逊的机器学习平台，可用于访问 Embed 5
- vLLM支持私有 VPC 和本地部署 Embed 5
知识库与 RAG06
api-evangelist/marqo · Marqo — independent third-party profile of a public API surface, by API Evangelist. Marqo is an open-source, multimodal vector search engine that lets developers index text and images, generate embeddings on the fly, and run tensor, lexical, and hybrid search through a single REST API.
Marqo 是一个开源的多模态向量搜索引擎，开发者可通过单一 REST API 索引文本与图像、即时生成嵌入，并执行张量、词法与混合搜索。引擎基于 Vespa 做存储与检索、FastAPI 提供 HTTP 接口，并在引擎内集成模型推理（Sentence Transformers、OpenCLIP、ONNX），一次 docker run 即可启动可用的语义搜索栈。该 Apache 2.0 开源引擎已被维护者标记为不再维护（deprecated），官方转向托管电商搜索产品，但项目仍被广泛 fork、下载与自托管，并有 Python 客户端、Terraform provider、InstantSearch 客户端、电商嵌入模型与研究项目等配套仓库。
Agent 与自动化07
cidade360/mneme-memory-forge · 2026 Ultimate AI Memory Stack: Local-First Rust MCP for LLMs
Mneme 是一个用 Rust 编写的本地优先持久化记忆基础设施，通过 Model Context Protocol 为 LLM 和 Agent 提供跨会话的记忆存储、语义检索与智能遗忘能力。项目以二进制形式运行，支持将相关记忆注入上下文窗口，并可与 OpenAI、Claude 等 API 配合使用；同时提供网页仪表盘、AES-256-GCM 静态加密、多语言嵌入与快照备份等功能。
知识库与 RAG08
linny006/rag-radar · Live tracker of new RAG implementations, tools, and patterns — updated every 15 minutes
RAG Radar 通过 GitHub Actions 定时任务和 GitHub Search API，持续监控 GitHub 上新发布的检索增强生成（RAG）项目、库和生产模式，按组件类型（分块、嵌入、检索、生成）打分与分类，并输出可订阅或浏览的结构化列表。仓库中的表格每 15 分钟自动重写，新增或移除条目都会以提交形式体现。
知识库与 RAG09
akram0zaki/profiley · An AI-assisted interactive CV to help job seekers present their profile and work experience.
Profiley 是一个开源的 AI 交互式简历平台，让求职者上传简历和辅助材料，系统自动抽取并索引为可检索的知识库，并生成面向招聘方的公开主页。招聘方可以浏览主页、与候选人 AI 角色对话，并运行结构化的岗位匹配分析；后台由管理员统一配置模型路由（OpenAI、Gemini、Mistral）。项目还提供所有者仪表盘，展示招聘方访问、事件、会话、上传和岗位匹配运行等实时分析。
Agent 与自动化10
Annoraprevious80/letheo · Manage agent memory with a cognitive runtime that uses temporal decay to maintain constant-size history at a fixed cost.
letheo 是一个面向数字 Agent 的本地记忆管理工具，使用向量检索（HNSW 算法）保存并召回任务、对话与文档细节。它结合 Rust 处理能力与 Python 接口，通过时间衰减等认知运行时机制在固定成本下维持相对稳定的历史规模。数据以纯文本文件导入，索引与检索均在本地完成，索引可导出为标准格式供其他 AI 工具读取。
评测与安全11
pixeltable/pixeltable-vs-supabase-vs-convex · One video intelligence app built three ways, on Pixeltable, Supabase and Convex. Every number measured, all three executed, tradeoffs stated.
该仓库用同一份应用契约（视频抽帧、语音转写、多模态嵌入、场景检测与问答）在 Pixeltable、Supabase、Convex 三个平台上各实现一遍，并公开可复现的代码行数、编排跳数、延迟等指标与测试套件（契约测试、差分测试、韧性测试）。材料同时给出各平台在不同条件下胜负的权衡说明，包括作者承认 Pixeltable 在摄入与检索延迟上落后的场景，并明确指出实时能力、行级安全、托管数据库等场景下结论会改变。
知识库与 RAG12
Daubingweirdie414/multimodal-rag · Enable unified search and AI answers across text, images, audio, and video using multimodal retrieval-augmented generation with source citations.
multimodal-rag 是一个本地运行的 Windows 应用，将文本、PDF、图像、音频和视频等不同格式文件统一处理为可检索数据，借助向量空间模型与 AI 模型实现一次输入即可跨文件类型搜索，并在回答中附带来源文件引用，点击引用可打开原始文件。