VLDB 2026 Data Systems Watch: The Rise of Agentic Data Systems

Executive Reading

2026년 9월 2일 기준 데이터시스템 연구의 가장 큰 변화는 “LLM을 DB에 붙이는 연구”에서 “Agent·Memory·Semantic Operator·GraphRAG·Vector Retrieval 자체를 DBMS가 관리하는 연구”로 이동하고 있다는 점이다.

Boston에서 진행 중인 VLDB 2026의 전체 프로그램과 Conference Awards가 공개되면서 SIGMOD 2026에서 보였던 개별 흐름이 하나의 시스템 구조로 결합되는 양상이 선명해졌다. `Data Agents: Rethinking Data Systems in the AI Agent Era` 패널과 `Data Management for Agentic Memory: Foundations, Systems, and Challenges` 튜토리얼은 Agent를 단순한 애플리케이션이 아니라 데이터베이스 커뮤니티가 직접 정의해야 할 data-management abstraction으로 다루기 시작했다는 상징적인 신호다.

01Observe
환경·데이터·상태를 관찰

02Retrieve
memory·vector·graph 증거 탐색

03Reason
semantic reasoning과 계획

04Act
tool·query·operation 실행

05Remember
episodic state를 지속 저장

06Revise
belief·summary·state 수정

07Provenance
행동과 근거를 추적

따라서 기존 DBMS의 table, transaction, index, buffer에 더해 agent state, episodic memory, semantic cache, tool execution history, provenance, temporal belief revision이 새로운 데이터 객체가 될 가능성이 커졌다.

Part I · The Structural Shift

SIGMOD 2026의 개별 AI 흐름이 VLDB 2026에서 하나의 Agentic Data Systems 구조로 결합되기 시작했다

LLM, agent, memory, RAG, vector, automation, AI systems가 서로 다른 세션의 유행어가 아니라 공통 execution architecture의 구성요소가 된다.

§1 · SIGMOD → VLDB transition

관점	SIGMOD 2026에서 강했던 흐름	VLDB 2026에서 더 선명해진 흐름
LLM	LLM-assisted query/data processing	LLM-native semantic execution
Agent	agentic workflow	Data Agent 자체를 system abstraction으로 정의
Memory	RAG context/cache	Persistent Agent Memory / Memory Base
RAG	vector·graph retrieval	query-adaptive GraphRAG + graph-aware caching
Vector DB	ANN 성능	SQL/OLAP optimizer 내부의 vector operator
DB Automation	learned tuning	reasoning/RL agent가 실제 O&M 수행
AI Systems	ML training/serving	DB storage/index 기술이 LLM inference 내부로 진입

핵심 변화는 데이터베이스의 인터페이스가 query → result에서 observe → retrieve → reason → act → remember → revise로 확장된다는 것이다.

Part II · Agent Memory as a Database Problem

Agent Memory는 vector store가 아니라 지속적으로 진화하는 database state가 된다

§2 · VikingMem

VikingMem: A Memory Base Management System for Stateful LLM-based Applications는 LLM memory를 단순한 vector store로 취급하지 않고 Memory Base라는 새로운 data-management paradigm으로 정의한다. 이벤트와 엔티티를 중심으로 기억을 구성하고, 기억을 지속적으로 요약·수정하며, 시간 가중치에 따라 오래된 기억을 압축하거나 약화시키는 접근이다.

Memory Basenew abstraction

StatefulLLM applications

Temporalweighted evolution

Up to 30%retrieval effectiveness gain

Emerging abstraction\[\text{Agent Memory}=\text{Temporal DB}+\text{Vector DB}+\text{Knowledge Graph}+\text{Provenance}+\text{Belief Revision}\]

Agentic RAG나 AI Scientist 관점에서 핵심 문제는 “과거 대화를 기억하는가”가 아니다. 무엇을 저장하고, 언제 수정하고, 무엇을 폐기하며, 서로 충돌하는 기억을 어떤 consistency·revision rule로 관리할 것인가가 데이터베이스 문제가 된다.

Part III · Adaptive GraphRAG

GraphRAG 연구의 질문이 “그래프가 좋은가?”에서 “언제 그래프를 써야 하는가?”로 바뀐다

§3 · QA-GraphRAG, unified evaluation, MGRAG

Adaptive Routing

QA-GraphRAG

Graph-based RAG가 항상 vector RAG보다 우월하지 않다는 사실을 정면으로 다룬다. Local factual query에서는 GraphRAG가 과도한 정보를 가져와 비용·정확도에서 열세가 될 수 있으므로 query 특성에 따라 retrieval hierarchy를 선택하는 adaptive router를 제안한다.

Unified Benchmarking

In-depth Analysis of Graph-based RAG in a Unified Framework

여러 GraphRAG 방식을 동일 framework와 benchmark condition에서 비교한다. GraphRAG가 초기 아이디어 경쟁에서 systematic evaluation과 cost-aware selection 단계로 이동했음을 보여준다.

Multimodal GraphRAG

MGRAG

Multimodal document corpus를 KG로 구성하고 query-aware semantic subgraph matching과 graph-aware KV caching을 결합한다. Retrieval과 LLM serving이 별도 문제라는 경계를 약화시킨다.

New Optimizer Question

Per-query retrieval planning

질의별로 Vector RAG, GraphRAG, Hybrid RAG 중 무엇을 선택할지, retrieval depth와 evidence budget을 얼마로 둘지를 optimizer problem으로 만든다.

새로운 질문은 “GraphRAG가 좋은가?”가 아니라 “질의마다 어떤 retrieval engine과 evidence budget을 선택해야 하는가?”이다.

Part IV · Relationalization of Vector Search

Vector Search는 DBMS 바깥의 별도 엔진이 아니라 relational operator가 된다

§4 · SQL-native vector execution

Meta의 SQL-Native Vector Search at Billion Scale in Presto는 vector indexing과 search를 relational algebra로 분해한다. Partitioning을 scalar function으로, index construction을 `GROUP BY`로, search를 equi-join으로 표현해 기존 SQL optimizer가 vector workload를 직접 다루도록 한다. 평가 대상은 최대 20억 개 이상의 vector workload다.

Presto

vector index/search를 relational operators로 분해해 기존 SQL optimizer 안으로 통합.

Nova

Alibaba Cloud. cross-table hybrid retrieval과 cost-based adaptive join을 처리하며 vector search를 first-class optimizer citizen으로 취급.

TEngineDB-V

Tencent. large-k vector retrieval을 OLAP primitive로 통합하고 대략 \(10^3\sim10^5\) 결과를 aggregation·filter·join과 연결.

Relational convergence\[\boxed{\text{SQL}+\text{Vector}+\text{Graph}+\text{Semantic Predicate}\rightarrow\text{Unified Optimizer}}\]

Vector DB 자체의 독립적 ANN 성능보다 hybrid query optimizer가 더 중요한 연구대상이 될 가능성이 커진다.

Part V · Semantic Operators & LLM-aware Cost Models

Semantic Operator가 SQL의 일급 연산자가 되면서 token cost가 optimizer의 비용함수로 들어온다

§5 · SEMA

SEMA: A High-performance System for LLM-based Semantic Query Processing는 DuckDB 위에 LLM semantic operator를 first-class citizen으로 구현하고 `SemaSQL`을 제공한다. 자연어 의미 조건을 SQL clause에 넣고 optimizer가 semantic operator의 위치를 이동·결합하며 prompt batching까지 수행한다.

더 중요한 부분은 optimizer의 목표가 단순 latency 최소화에서 벗어난다는 점이다. SEMA는 token cost 또는 latency를 최소화하면서 accuracy constraint를 만족시키는 Pareto optimization을 문제로 정의한다. 실험에서는 세 baseline 대비 2–10배 속도 향상을 보고한다.

Extended cost model\[C(Q)=C_{CPU}+C_{IO}+C_{Network}+C_{GPU}+C_{LLM\text{-}token}\]

Research implication

Semantic query optimization은 operator ordering만의 문제가 아니다. Prompt batching, model selection, token budget, accuracy constraint, semantic cache hit, retry/abstention까지 비용모형에 포함하는 방향으로 확장될 수 있다.

Part VI · Autonomous Database Operation & DB Inside LLMs

Agent가 DB 운영을 수행하고, 반대로 DB 기술이 LLM inference 내부로 침투한다

§6 · Autonomous O&M

Knowledge-guided Diagnosis

DBAIOps

Reasoning LLM과 heterogeneous knowledge graph를 결합해 Oracle, MySQL, PostgreSQL 등 여러 DBMS의 장애 원인을 진단한다. Manual·운영문서에서 추출한 DBA 지식을 graph로 구축하고 관련 path를 탐색한 뒤 reasoning LLM이 root cause를 추론한다.

Production Agent

DBAgent

Huawei Cloud DWS의 telemetry와 execution plan을 관찰하고 RL 기반 agent가 Think–Act–Observe loop로 diagnosis와 remediation을 수행한다. Tool use, multimodal database-native signals, RL reasoning을 production O&M에 결합한다.

Autonomous DB evolution\[\text{knob tuning}\rightarrow\text{diagnosis}\rightarrow\text{planning}\rightarrow\text{tool execution}\rightarrow\text{remediation}\]

§7 · RetroInfer

RetroInfer: A Vector Storage Engine for Scalable Long-Context LLM Inference는 long-context LLM의 KV cache 문제를 vector storage/indexing problem으로 재해석한다. GPU memory와 bandwidth를 크게 소모하는 KV를 CPU memory에 저장하고 필요한 시점에 검색한다.

120Kcontext evaluation

4.4×decoding throughput vs full attention

1Mtoken context

12.2×vs sparse-attention baseline

과거에는 “DBMS가 LLM의 데이터를 저장한다”였다면, 이제는 DBMS의 indexing·buffer-management 개념이 LLM inference algorithm의 내부 구성요소가 된다.

Part VII · Conference Awards as a Trend Signal

VLDB 2026 수상 결과는 Deep Systems와 AI-Native Data Infrastructure가 동시에 강화되고 있음을 보여준다

§8 · Awards

Best Research Paper

Garnet

Garnet: A Next-Generation Cache-Store for Accelerating Applications and Services. Redis protocol compatibility를 유지하면서 storage, networking, clustering, durability, transaction을 DBMS 관점에서 재설계한다. 공식 프로그램은 최대 100× throughput, 높은 percentile에서 최대 4× 낮은 latency를 보고한다.

Best Industry Paper

OmniTable

OmniTable: A Unified Wide-Table System for Petabyte-Scale LLM Data Curation and Exploration. 35PB 이상의 web/code/PDF/SFT training data를 하나의 logical wide-table로 관리하고 lineage, feature lifecycle, heterogeneous CPU/GPU execution, storage optimization을 통합한다. Curation cycle은 약 14일에서 약 2.5일로 단축됐다고 보고한다.

Honorable Mentions

Scalable GPU Acceleration of Scalar Functions in Analytical Databases는 LLVM/MLIR 기반으로 production DB scalar function을 GPU kernel로 자동 변환한다. How to Write to SSDs는 DBMS와 SSD 양쪽의 write amplification을 줄이는 문제를 다루며, Demystifying and Improving Lazy Promotion in Cache Eviction은 cache eviction의 핵심 systems 문제를 파고든다.

Deep Systems

cache · storage · SSD · compiler · transaction · networking

AI-Native Data Infrastructure

LLM data curation · lineage · CPU/GPU execution · petabyte-scale management

Community signal\[\boxed{\text{Deep Systems}+\text{AI-Native Data Infrastructure}}\]

§9 · Papers to watch

VikingMem

Persistent agent memory abstraction.

QA-GraphRAG

Query-adaptive retrieval routing.

SEMA

First-class semantic operators.

RetroInfer

Vector storage for KV cache.

OmniTable

PB-scale LLM data curation.

DBAgent / DBAIOps

Autonomous diagnosis and remediation.

Presto / Nova / TEngineDB-V

Vector search inside relational optimizer.

Garnet

Deep systems innovation remains central.

Part VIII · SIGMOD 2027 & ICDE 2027 Watch

Accepted-paper 흐름은 아직 이르지만, 2027년 venue 정책과 CFP는 AI-native data systems가 주변 주제가 아님을 보여준다

§10 · Timeline

Sep 2, 2026

VLDB 2026 진행 중. 현재 회차의 주요 trend evidence가 공식 program과 awards에서 확인됨.

Sep 10, 2026

ICDE 2027 Round 1 notification 예정. 현재 accepted-paper 변화는 아직 보고할 단계가 아님.

Sep 10–17, 2026

SIGMOD 2027 Round 3 author feedback 예정.

Sep 12, 2026

SIGMOD 2027 Round 2 final decision 예정. 다음 1–2회 추적부터 accepted-paper signal이 나타날 가능성이 높음.

§11 · Policy and scope signals

SIGMOD 2027

연간 저자당 최대 10편 submission cap, 명시적 desk-rejection policy, 1-year embargo, reproducibility/artifact expectation 강화. 논문 수보다 submission quality와 reproducibility를 엄격히 관리하려는 제도적 신호.

ICDE 2027

`Vector Data`, `Graph Data`, `Multi-modal and Heterogeneous Data`, `AI and Machine Learning for Data Systems and Vice Versa`, 그리고 Foundation Models and LLMs for Data Engineering and Vice Versa를 core research topic으로 명시.

즉 SIGMOD·VLDB에서 보이는 AI-native data systems는 ICDE에서도 주변적 응용주제가 아니라 정식 데이터공학 연구영역으로 편입되고 있다.

Part IX · Research Agenda

다음 논문은 Agentic RAG 자체보다 “Agentic RAG를 데이터시스템 문제로 다시 쓰는 것”에서 나온다

§12 · The emerging equation

Next-generation data systems\[\boxed{\text{Data Systems}\rightarrow\text{Agentic Data Systems}}\]

Internal structure\[\text{Agent Memory}+\text{Adaptive RAG}+\text{Vector/Graph Hybrid Query}+\text{Semantic Operators}+\text{LLM-aware Cost Models}+\text{Autonomous O\&M}+\text{Provenance/Revision}\]

§13 · High-potential research problems

01 · State

Agent Memory Management

memory lifecycle, compaction, forgetting, temporal decay, contradiction, belief revision을 DB abstraction과 operator로 정의.

02 · Optimization

Cost-Based Agentic Query Optimization

token, tool-call, latency, semantic cache, accuracy, evidence sufficiency를 동시에 고려하는 cost model.

03 · Retrieval

Adaptive Graph/Vector Retrieval

query별 Vector/Graph/Hybrid route, retrieval depth, evidence budget을 runtime에서 선택.

04 · Trust

Provenance-Aware Agent State

agent belief와 action이 어떤 evidence·tool result·past state에서 왔는지 추적하고 revision history를 관리.

05 · Concurrency

Multi-Agent Transaction & Consistency

여러 agent가 memory, tool state, plan, evidence를 동시에 수정할 때 serializability·isolation·conflict resolution을 재정의.

06 · Approximation

Approximate Semantic Query Processing

LLM semantic operator를 exact하게 호출하지 않고 error bound와 evidence budget 아래에서 조기종료·sampling·cache를 활용.

§14 · Final synthesis

이번 회차의 변화는 “LLM 논문이 더 많아졌다”가 아니다. 데이터베이스의 기본 추상화 자체가 바뀌기 시작했다는 점이 중요하다.

Agent가 상태를 가지며 오래 실행되고, memory를 갱신하고, vector와 graph를 넘나들며, semantic predicate를 호출하고, tool을 실제로 실행하는 순간 기존 DBMS의 responsibility boundary는 넓어진다. 동시에 RetroInfer처럼 storage/indexing primitive가 LLM inference 내부로 들어가면서 경계는 안쪽으로도 확장된다.

가장 데이터시스템다운 다음 질문은 “Agent를 어떻게 만들까?”가 아니라 “Agent의 상태·기억·증거·비용·행동·일관성·수정을 어떤 데이터시스템 추상화로 관리할까?”이다.

Primary Sources

Official Program, Awards & 2027 Calls

VLDB 2026 — Conference Program

VLDB Endowment · Boston · 2026

vldb.org/2026/program.html

VLDB 2026 — Conference Awards

Best Research / Honorable Mentions / Best Industry

vldb.org/2026/conference-awards.html

SIGMOD/PODS 2027 — Important Dates

Round 2 / Round 3 schedule

2027.sigmod.org · Important Dates

SIGMOD 2027 — Research Call for Papers

submission policy · artifact · reproducibility

2027.sigmod.org · Research CFP

ICDE 2027 — Important Dates

Round 1 notification schedule

icde2027.github.io · Important Dates

ICDE 2027 — Research Papers CFP

vector · graph · multimodal · foundation models & LLMs

icde2027.github.io · Research CFP

Evidence boundary

이 글은 2026년 9월 2일 작성된 첨부 연구동향 메모의 사실, 수치, 논문명, 일정, 연구해석을 웹 읽기 흐름으로 재구성했다. 별도의 외부 사실을 추가하지 않았으며, “향후 중요해질 가능성”이나 “연구공간이 커진다”는 표현은 해당 메모의 분석적 해석을 유지한 것이다.