灯推的恬静小屋

SACK 论文解读核心结论动机架构权限更新实验项目关系 PVLDB 2026 · Dynamic ABAC · Intel SGX · Persistent KV Store SACK：在不可信云上高效执行动态属性权限 它把属性与策略放进可信 enclave，把大规模数据留在普通存储中，并用按策略密钥、KV separation 和完整性结构兼顾安全、更新效率与性能。 正式来源：PVLDB 19(6), 2026系统：SGX + RocksDB middleware安全：Confidentiality / Integrity / Freshness / ABAC原文 PDF 已保存 先说结论：把昂贵的属性加密只用来保护“小密钥”，数据本体用快速对称加密 SACK 面向不可信云上的持久化 KV 存储。它把用户属性、访问策略和密钥放进 Intel SGX enclave，数据本体仍放在普通 KV store / 磁盘上；通过按策略分组的密钥、KV separation 和完整性元数据，实现动态 ABAC、机密 ...

LatentRefusal 解读核心结论拒绝什么流程TRGE实验落地 ACL 2026 Findings · Answerability Gate · Hidden States · TRGE LatentRefusal：让 Text-to-SQL 在生成 SQL 前学会停手 它不问 LLM“你确定吗”，而是直接读取模型中间层的状态：问题与 schema 对不上时，在任何 SQL 被生成之前就拒绝。 正式来源：ACL 2026 Findings基础模型：Llama-3.1-8B / Qwen-3-8B核心：TRGE latent probe原文 PDF 已保存 先说结论：在 SQL 生成之前，先判断这个问题是否真的能回答 LatentRefusal 不让 LLM 自己说“我不知道”，而是读取 LLM 中间层的隐藏状态，训练一个很小的分类器判断问题是否可回答。分数低于阈值就直接拒绝，连 SQL token 都不生成。 问题“看起来合理”的 SQL 更危险缺字段、指代不清、超出数据库范围的问 ...

Role-Conditioned Refusals 解读核心结论数据三种方法实验项目落地评价 EACL 2026 Findings · RBAC · Text-to-SQL · Safe Refusal Role-Conditioned Refusals：LLM 能守住智能问数的角色权限吗？ 这篇论文不是在问模型会不会写 SQL，而是在问：同一个问题由不同角色提出时，模型能否该答就答、该拒绝就拒绝。 正式来源：EACL 2026 Findings数据：Spider-ACL / BIRD-ACL核心：Prompt vs Verifier vs LoRA原文 PDF 已保存 先说结论：LLM 可以参与权限判断，但不能独自当门卫 论文把同一个问数问题交给不同角色，要求模型在有权限时生成 SQL、没权限时明确拒绝。结果表明：让一个模型同时“理解问题、生成 SQL、判断权限”不够稳定；先生成候选 SQL，再单独核验 SQL 触碰了哪些表和字段，通常更可靠。 做了什么给 Spider / BIRD ...

AI Analytics Runtime 解读 核心结论 问题 Runtime Context 实验 项目落地 CIDR 2026 · Deep Research · Semantic Operators · Analytics Runtime Deep Research 要变成真正的数据分析系统，需要一个 Runtime 这篇论文的核心观点是：数据分析 Agent 不能只靠自由写 Python，也不能只靠固定 semantic operators。理想的 AI-driven analytics runtime 要同时具备 Agent 的灵活规划能力和数据库系统的优化执行能力。 论文：Russo et al. · CIDR 2026 官方标题：Deep Research is the New Analytics Sys ...

QCP-DB 解读 核心结论 问题 QCP 原型 实验 项目落地 CIDR 2026 · Data Agents · Query Collaboration Protocol QCP-DB：从“先集成数据再查询”转向“数据 Agent 协作查询” 这篇论文提出一个面向未来数据系统的架构愿景：不再要求所有数据先被搬进统一数仓和全局 schema，而是让每个数据源背后有自治 Data Agent，按协议协作完成查询。 论文：Eckmann & Binnig · CIDR 2026 官方 PDF 已本地保存 核心概念：QCP / QCP-DB 适用主题：智能问数、数仓、多源数据 Agent 核心结论 ...

ContextCache 解读 核心结论 问题 方法 实现 实验 项目落地 PVLDB 2025 · Semantic Cache · Multi-Turn LLM Queries ContextCache：智能问数缓存不能只看“当前问题”，还要看“上下文” 这篇论文研究 LLM 多轮对话里的语义缓存。它的核心提醒很适合智能问数：两个问题字面很像，不代表可以复用同一个答案；缓存命中必须同时匹配当前问题和历史对话上下文。 论文：ContextCache · PVLDB 18(12), 2025 主题：上下文感知语义缓存 核心结论 做了什么 ContextCache 做了一个多轮 LLM ...

智能问数产品现况、优缺点与项目启示更新时间：2026-06-26 1. 结论先行智能问数正在从早期的“自然语言转 SQL”进入“语义层 + 数据治理 + Agent 工作流”的阶段。2023 年前后的多数产品强调“问一句、出一张图”；2025-2026 年主流方向已经明显变成：围绕可信语义、权限、指标口径、可解释查询、多轮分析、自动报告、嵌入式数据智能体来做完整闭环。 当前市面产品大致分为四类： 传统 BI 厂商的 AI 化：Power BI Copilot、Tableau Agent、ThoughtSpot Spotter、Qlik、FineBI/FineChatBI、Quick BI 小Q、Smartbi AIChat、观远问数 Agent 等。优势是 BI 底座、权限、图表和企业交付成熟；短板是价格、绑定生态、二开受限。 云数仓/数据平台原生智能问数：Snowflake Cortex Analyst、Databricks Genie、Looker Conversational Analytics、Amazon QuickSight Q 等。优势是和底层数 ...

智能问数观察 2026-06-26 · 产品现况与项目启示 现况判断 市场地图 海外产品 国内产品 开源方案 横向对比 落地难点 项目路线 智能问数产品现况与选型观察 从“AI 写 SQL”到“语义层驱动的可信数据智能体”，主流产品正在把问数、图表、权限、指标口径、洞察报告和 Agent 工作流接到一起。 ChatBI Text-to-SQL Semantic Layer Agentic BI 4 类商业 BI、云数据平台、国内厂商、开源自建 1 条主线从自然语言转 SQL 走向可信语义与治理 30-50建议 MVP 先用高频问题集验证准确率 不是模型成败核心是指标口径、权限和持续运营 一眼看清：产品正在往哪里走 智能问数已经不再只是把一句中文翻译成 SQL。越成熟的产品，越强调语义模型、指标治理、权限、安全执行、可解释回答和反馈评测。 商业 BI AI 化 从看板到对话 Power BI、Tableau、ThoughtSpot、FineBI 等把自然语言入口放进已有 BI 体系，优势是权限、报表、图表和交付成熟。 云平台原生 从数据 ...

LinkAlign 解读 核心结论 问题 方法 实验 项目落地 评价 EMNLP 2025 Main · Schema Linking · Multi-Database Text-to-SQL LinkAlign：让 LLM 在海量数据库里先找对库，再找对表字段 这篇论文不是又做一个 SQL 生成器，而是专门解决真实企业场景里的前置难题：用户一句自然语言进来，系统面对很多库、几千个字段，怎么把问题精确对齐到正确数据库、表和列。 论文：Wang, Liu, Yang · EMNLP 2025 ACL Anthology ID: 2025.emnlp-main.51 核心任务：schema linking 官方 PDF 已本地保存 核心结 ...

LinkAlign Lite 数据中台 Schema Linking 实验报告生成日期：2026-06-11项目目录：D:\AGENT\data-skill-schema-minerpro实验主题：把 D:\AGENT\DataEngine\LinkAlign 论文解读中的 schema linking 思想，应用到浙江音乐学院数据中台 skill/MCP 项目中，并用全量字典任务与 doops 在线元数据验证做对比评估。 1. 实验结论这次实验已经从“只看几个例子”升级成了两层评测： 全量字典离线评测：覆盖 100 条由全量标准字典生成的任务，包含 business、table、relation、field、alias 五类问题，各 20 条。 LinkAlign Lite 在线评测：覆盖 104 条问题，其中包含上述 100 条全量字典任务，以及 4 条真实业务问题；每条都通过 doops 在线读取 Hive Metastore 元数据确认候选表字段。 总体结论： 结论 说明 LinkAlign Lite 能显著减少候选噪声 平均候选表从 7.97 张降到 ...