数据来源与引用说明¶
Reference · 速查
面向内部技术工程师的阅读参考：手册内的数字 / 断言来自哪里、能不能直接用。
数字的来源分级¶
遇到具体数字时，按来源分级判断可信度：
| 级别 | 特征 | 例子 | 怎么用 |
|---|---|---|---|
| 🔵 官方来源 | 官方 spec / 原作者论文 / 官方 benchmark | Iceberg spec · Anthropic Contextual Retrieval 2024 | 可引用 |
| 🟢 公开博客 / 会议 | 2022+ 权威博客或会议演讲，有年份 | "Netflix 全司 Iceberg 表 10 万+（Netflix Tech Blog 2022）" | 了解量级 · 注意年份 |
| 🟡 经验估算 | 未标明来源的量级参考 | "HNSW 1M × 768d 查询 p99 < 1ms" | 心智模型 · 方案评审要自测 |
| 🔴 历史数据 | 2022 年前，已有版本变化未更新 | "Uber Michelangelo 日训 5000+（2019-2020）" | 仅历史视角 |
实务：手册多数具体数字是 🟢🟡 级。方案评审里引用前，核对原文或自家测试。
手册遵循的原则¶
- 辩证性：避免"最强 / 必选 / 事实标准"无条件断言；多页有"现实检视"段落区分工业验证 vs 仅论文
- 时效：S/A 级页含
applies_to+last_reviewed；超过 6 个月建议复核 - 可追溯：重要数字尽量标来源（逐步补齐中）；延伸阅读优先官方 spec / 原论文
- SSOT（单一事实源）：核心概念有一个主页面，其他页精简引用 + 链接，避免独立演化
典型概念主页¶
| 概念 | 主页 |
|---|---|
| PIT Join · Train-Serve Skew | Feature Store |
| Hybrid Search | Hybrid Search |
| Rerank | Rerank |
| Snapshot · MVCC on Object Store | Snapshot |
| Manifest · 元数据索引 | Manifest |
| 量级数字汇总 | 量级数字总汇 |
权威资源（优于本手册）¶
冲突时以下列为准。
协议 / spec¶
学术奠基¶
- Armbrust et al., Lakehouse (CIDR 2021)
- Malkov & Yashunin, HNSW (2016)
- DiskANN (NeurIPS 2019)
- Designing Data-Intensive Applications (Kleppmann)
- The Data Warehouse Toolkit (Kimball)
工业博客¶
独立观察¶
- Benn Stancil —— 数据栈经济学
- Simon Willison —— LLM / AI 独立观察
- Chip Huyen —— MLOps 系统
如何帮助改进¶
- 事实错误 / 坏链接 → Erratum Issue
- 内容过时 → Outdated Issue
- 补来源标注 / 更新数字 → PR 直接提