2026 RMDB 数据库管理系统内核开发 参赛有感
时间:2026-08-21
全文约 7600 字,预计阅读时间约 20 分钟。
目标读者:参赛新人、赛事主办方
目录
一、写在前面
笔者身份
名称:代双遥 队伍:Coding 身姿如百合花般 学校:西南大学
- 零基础内核开发
- 2024 级软件工程专业
- 已修课课程:
- C/C++语言、数据库原理及应用、数据结构、操作系统、计算机网络、系统分析与设计
- 职业发展倾向:
- 后端开发 –> AI 应用 –> Agent 开发
- 能力:
- 有全栈项目经验
赛事说明
这是一个偏底层的、源码级别的、大型的、贴近真实项目环境的数据库内核开发比赛。比赛时间周期极长,从 5 月到 8 月。比赛的时候临近期末,得自己协调备考。
详细比赛说明请看:https://os.educg.net/#/index?TYPE=26DB
参赛初衷
本来我在备战做项目找实习,被同学邀请来打这个比赛。当时想着,既然是数据库的比赛,可以以赛代学,从源码层了解数据库的相关知识。反正都要看数据库的八股文,源码都看了,八股文那还不是手到擒来?
所以,我主要的初衷就是来学习数据库相关的知识。
参赛感受
回顾整个参赛过程,最直接的感受是“不确定性”带来的困惑。
首先是答辩环节的信息不透明:赛前只被告知需要答辩,但答辩的侧重方向、汇报主题、具体时长限制等关键信息都不够明确。更遗憾的是,这些信息往往到临近节点才有所补充,导致前期准备缺乏方向。
其次是线下编程赛的未知。与算法竞赛不同,这类比赛很难通过刷题进行针对性准备;在没有明确范围和样例的情况下,备赛几乎无从下手。好在我们还能通过赛事交流群获取一些讨论信息,稍微缓解了这种盲目感。
一句话总结:这场比赛的备赛体验,很像期末考试不划重点——考试范围、评分标准都要靠参赛者自行推测,结果要么准备过度,要么准备不足。这种高度不确定对零基础参赛者而言,十分不友好。
二、我的参赛经历
比赛过程
2026 年比赛一共有多个阶段:
- 初赛功能题目实现阶段(只开放 10 个功能实现题目)
- 初赛性能优化阶段(功能题目实现通道保持开启)
- Gap
- 决赛性能优化阶段(只有初赛的功能全部满分才有资格)
- 线下编程赛
- 答辩一轮(线下赛通过才有答辩资格,10min 汇报 10min 问答)
- 答辩二轮(前 20%队伍才有,重来一次,问答时间更久)
整个比赛从前期学习到答辩,我的过程大概是这样的。
前期理论学习
整个框架的内容我都跟 AI 交流提问过,生成了一份非常详细的面向零基础的教程文档。技能库理论学习方面,不同模块的各种实现方法对比都看了一遍;测试流程和测试结果指标也各学了一遍。但总体上,学得很粗略,没有经过实践,都是学了就忘,收获很有限。
队伍分工
我们队伍基本是各干各的,有啥干啥,发挥各自的特长。我负责了大部分的 PPT,设计 -> 画图 -> 讲解。主要是结合所有相关历史记录,告诉 AI 设计思路,然后让 AI 生成内容,再自己设计排版、梳理内容。由于对代码不了解,PPT 中文字表述有问题时很难调整,所以内容几乎是纯 AI 生成,文字描述带 AI 生成的特征很明显。让 AI 画了很多大的流程图,大部分复刻了下来。总的来说,PPT 有人味,起码能看出是手搓的,但内容确实是 AI 生成的。
性能优化部分的 PPT 是各自准备的:先让 AI 总结所有优化点,然后分配任务,各自完成对应页,所以风格没有统一。总体效果看起来还不错,但内容质量还有待改善,主要是没经验。
代码脚本方面,主要做了这些事:AI 写脚本自动在线提测;爬取排行榜数据保存;爬取测试结果保存;TG 机器人自动推送测试结果消息;提测任务队列,本地排队提测;本地代码测试框架;html2md 题目转格式;html2yaml 测试结果指标转 Yaml 保存。另外我还写了一些额外的辅助脚本,比如爬虫脚本。大部分时间都是让 AI 自己跑刷分,谁先跑出来就用谁的。
决赛
决赛阶段,本来计划好依次分析每个模块,自己看懂每个模块后再让 AI 优化,但最终还是不自觉地让 AI 直接 All in。
线下赛
线下赛我准备的时间不超过 12 小时,属于是一行代码没写。我把准备思路、押题、准备流程全告诉 Agent,然后 Agent 自己通过上下文分析思考可能会怎么考、考哪些,然后跑文档、出结果。总结就是:整理信息差、定义工作流、跑结果。
最终的结果是,线下赛精准押题,几乎把所有可能会考的都列出来了,AI 也都实现了一遍。比赛过程中,直接照着文档复制粘贴就过了;连线下赛出的纸质题目、给的测试用例都没 debug,直接提交就过了,约等于靠 AI 直接通过了比赛。
另外,我线下赛花了几个小时,让 AI 跑了两个 goal 任务,花了 50 块左右的 Deepseek 额度,大概 10 亿 token;另外两个队友花时间真的准备了线下赛的代码,我全靠 AI。
答辩
答辩阶段没有经验,踩了坑。我花了大量时间在初赛的内容描述上,也花了大量时间美化,但对内容的梳理太少了,导致对内容根本不熟;加上依赖 AI 优化,所以经不起提问。
当初老师提前对 PPT 进行了指导,指导过程中非常重视“加分项”,当时我根本不理解,答辩结束后才知道加分项的重要性。评委只关注自己感兴趣的,根本不在乎你是怎么想的、你讲得有多好。这个比赛最关注的就是优化策略,怎么提分。
现在回想起来,这个比赛本身也是有问题的。最终的会议上说的是,比赛的目的是为了培育人才,但答辩时根本不注重过程,只看结果:性能分数高就是厉害,中间曲折探索的过程加不了分(谁不是这样的?对啊,谁不是这样的??)。这个比赛是本科生赛道,本来学数据库内核开发的人就少,课程也开设得很少,我没有感觉到赛事方对于新人的鼓励。一些新人分享学习数据库开发的心得体会、艰难探索,但在比赛中没什么意义;赛事方既没怎么提供优质的学习资料,又让学生自己摸索,结果就是有实力的靠实力,没实力的靠 AI,门槛高。
答辩环节甚至连主题都没有,只有一个答辩环节,什么要求都不提前给,时长也是最终才给的。我问了学长,学长说是不限时,也属于是踩坑了。答辩环节和决赛刷分结束时间太近了,又要一边刷分,又要一边准备 PPT,时间管理根本来不及。要不是提前 1 周就开始手搓 PPT,真的等到刷分结束才准备 PPT,除了 AI 生成 PPT 以外,我想不到任何方法来补救。或许其他队伍就是觉得有 AI 能做 PPT,所以才花那么多时间刷分;但我一定会把责任归咎到比赛主办方:时间分配不合理。
AI 使用经验
这一路用 AI 踩了不少坑,也总结了一些经验。
防止局部最优和重复工作
- 防止局部最优解:同一份代码,不同的人用不同提示词,AI 给出的优化策略却相同,容易做重复工作。再加上线上测评服务器的影响(初赛),优化效果无法体现,AI 就会认为优化无效。
- 防止重复工作:每次优化策略都要留痕,成功的、失败的都要留。如果丢弃失败记录,AI 会重复往失败的方向尝试,因为它不知道已经尝试过失败了。
明确目标与优化策略
- 让 AI 优化的时候,要有一个具体目标,明确优化哪个方面;不要只给一个结果导向的任务,例如:“完成优化”。
- 遵循“先分析思考,再探索尝试验证”的原则,完整的优化流程。(例如:发现问题 -> 分析问题 -> 解决方案 -> 测试验证)
- 通用 AI 大模型虽然是通用的,大部分内容都知道,但最好提前准备相关资料和上下文,不要在执行任务的时候才想策略。建议直接把所有策略列出来,直接选、对比测试。
审核 AI 输出与任务边界
- AI 能力也有限:AI 不能保证每次生成的代码都是正确的。写好、写全正确性测试能减少 bug,节约线上测试时间消耗。
- AI 说的不能全听,一定得审核,前提是看得懂。AI 有时候会考虑很多其他内容,例如兼容旧功能、旧版本,这纯属过拟合,任务完成过头了。
Goal 模式的使用风险
- goal 模式有 bug,别轻易用;不懂 goal 模式的,别乱用。有陷入死循环(空转、消耗 token、无限循环)的风险。
- Goal 模式无限循环的场景说明:
- 当输入
/goal task-content之后,唯一的目标就是这个 task-content。 - 终止 Goal 只有两种场景:AI 认为 task-content 完成了,或者用户手动 Ctrl+C 终止。
- 就算用户在对话中发送信息要求终止这个 goal,goal 也不会终止,只会无限循环等待输出。因为 task-content 没有被判定为完成,所以不会自动终止,但会话进度也不会再往下推进。
- 当 AI 认为所有方式都尝试过了,但 task-content 仍没有被判定为完成时,也会无限循环:方法用尽,但任务始终没有被判定为完成。
- 总结:只要任务没有被完成,goal 就不会被主动终止。因此 goal 模式的任务最好是预期中能完成的,没有无法实现的风险。“优化直到分数达到...”这种任务不确定能否完成,不建议使用。
- task-content 不会因为中途聊天而被修改,只有初次定义 task-content 时才有机会修改。
- Goal 模式也有上下文窗口大小限制,超过之后整个 goal 就废了,连 compact 都做不了。
- 当输入
模型选型
- Claude 系列真的强,但是 Deepseek 够用。
性能优化经验
- 记录好每次测试结果报告,并对应 git 的 commit hash 值。
- 失败和成功都需要记录。
- 一个点一个点地优化。
- 针对测试指标来优化,做到有依据地优化。
- 本地写好正确性测试;性能测试只用线上评测(线上环境跟本地出入太大了)。
- AI 给的优化策略要清晰地知道具体的运行流程。
做得不好的地方
复盘下来,我们的问题主要集中在团队协作、工程规范、AI 使用和备赛策略四个方面。
团队协作与分工
- 团队几乎没有明确分工,基本是各自想到什么就做什么,缺少统一规划和任务拆解。这与我的协作习惯相悖;虽然依赖 AI 也能推进,但我很确定,明确分工后效率会高很多。
- 队伍规范意识薄弱:虽然定过一些规范,例如 git 提交规范,但落实很差,基本形同虚设;直到决赛阶段反复强调协作问题后才有好转。
- 代码测试框架不统一,各用各的,增加了协作和排查成本。
工程与仓库管理
- 仓库分支管理混乱:队友只新建分支,从不清理,命名也不统一。
- AI 配置管理混乱:各成员独立维护,切换分支时系统提示词不适用;提示词往往一次性使用,被忽略后也没有备份。
AI 使用方式
- 说好先读懂源代码、再由 AI 优化,最终没有执行,变成了 AI 自己优化、自己决策。
- 由于缺少对代码的掌控,AI 漏掉了一些明显可优化的点,也做了一些脱离比赛场景的多余优化。例如,AI 把压测环境当成真实应用系统,考虑兼容旧模式,实际并不需要。
- 过度依赖 AI:线下比赛也几乎完全依靠 AI 完成,自己真正动手实践和思考不足。
备赛策略与客观因素
- 线下赛准备不足,个人几乎没有实际编码,主要靠 AI 完成,比赛收获打折。
- 初赛测评系统不稳定,AI 优化效果难以体现,影响了判断和推进节奏。(说不清楚到底是什么问题,就是很邪门)
比赛的收获
虽然有不少遗憾,但收获也是实实在在的。按技术认知、工程素养、AI 协作经验三个方面整理如下。
技术认知
- 了解了一个数据库系统的底层框架,相关理论知识理解得更深刻了;不过由于代码主要由 AI 完成,记忆不算深刻,仍然看得快、忘得也快。
- 经历了一些以前用 git 没遇到过的冲突处理场景,对版本控制的理解更深入。
- 对“职责边界”“生命周期”等概念有了更具体、更深刻的理解,工程能力有所提升。
工程素养
- 更认识到看源代码、分析源代码、梳理流程的重要性。只有梳理清楚模块的细节流程,才能更好地掌控代码;只有掌控代码,才能开发出真正优质的系统、功能。掌握代码是成功实践的前提。
- 做得快不如做得稳,一件事最好不要返工,一次性做好。
AI 协作经验
- 实践了 AI 在专业领域的代码开发效果。AI 的能力仍有局限,真正需要懂行的人来指导;AI 总是自以为对,实际上和现实场景的上下文有出入,需要人来纠正(局部最优解、想太多)。
- 对 AI 与人的协作有了更清晰的认识:让 AI 实现 idea,让人自己思考、设计。AI 除了动手以外,只作为助理提意见。AI=助理+苦力,我=老板;最终决策由我来调度,探索、实现等苦力活交给 AI。最完整的上下文只有“我”拥有。
- 知道了怎么搞 AI 反代,薅羊毛。
三、给想参赛的新人
学习路线建议
如果让我重新准备,我会按“先建立整体认识 → 深入源码 → 横向比较 → 测试与优化 → 参赛实践”的路线来学。
- 核心工具:AI 讲解、AI 检索、检索工具、相关帖子社区、官方文档、流程图等示意图。
- 参考项目:前期最好以一个开源项目为参考,对照源码进行梳理。
学习步骤
- 建立系统架构认知:先梳理清楚数据库内核的系统架构,搞明白整个系统是怎么串联起来的,对整个框架有清晰认识;明确数据库内核开发涉及哪些模块、每个模块是干什么的、职责边界在哪。
- 深入源码实现:深入各个模块,学习数据结构、核心 API 接口、算法。
- 横向对比实现策略:看完一个完整的开源仓库后,相当于有了一个版本的实现。接下来做比较全面的理论学习,了解各个模块的所有实现策略,横向对比分析,并理解不同实现策略的适用场景。
- 测试与性能分析:在继续梳理不同模块、让理解更具体的同时,学习如何做性能测试、如何分析性能指标。
- 沉淀优化方法论:总结优化过程中的常见优化手段、策略。
学完后再参赛
- 整个理论学习搞完后,再来参赛实践,会有不同的感受,远比从零开始直接用 AI 参赛更有效率。
- 也可以边参赛边学,但经过完整的理论学习之后,才能更好地驾驭 AI、掌握代码,效率更高,能力更强。
时间预期与检验标准
- 理论学习大概持续 1 个月,需要长期沉淀磨砺、反复分析理解。
- 最终的检验标准:能够脱稿讲清楚整个系统的架构、各个模块的实现;能够给别人讲清楚整个“流程”;提到哪个部分都能讲出是怎么回事、要注意哪些点。
- 达到这种状态后,拿奖基本是板上钉钉的事,保底二等奖。
学习资源与技巧
学习资源方面,主要靠:AI 讲解、AI 检索、GitHub 开源仓库、学长交流、助教交流、官方文档。
一些学习技巧:
- 了解缩写的全称;
- 梳理清楚具体的物理层面的存储逻辑;
- 结合可视化示意图(mermaid、ASCII 可视化)理解;
- 搞清楚模块之间的协作;
- 哪里不懂马上问 AI、反复问、记录下问题,同步队友之间的疑问,多交流提问,相互讲解;
- 学懂的特征是“讲”懂;输出的文档什么样就学成什么样。
用笔记/文档把学习内容可视化很耗 token,Deepseek 消费估计得三位数。 个人 deepseek token 消费情况:6 月 15 亿,7 月 25.6 亿,8 月到比赛结束 25 亿。token 消费在 500+ RMB,最近价格也上涨了,消费只会更多。
备赛建议
先说说备赛的总体原则:提前准备、高质量、真的会。赛事估计每年都在调整、改革,每年的经验可能不适用了,所以更重要的是方法论、本身的学习能力。
比赛的挑战主要体现在:
- 团队协作能力(分工 -> 落实),统一规范
- 表达能力(开会分享内容、讲解代码的表达能力、梳理内容的思路)。根据我的观察,存在表达能力薄弱,讲解内容没思路、混乱的情况。开会讲解的时候,半天讲不明白,梳理不清楚,不如问 AI。(讲解表达能力弱的,可以考虑总结成文档,分享文档)
- 大量的时间需要思考、学习。该比赛对于专业能力要求还是非常有挑战的,涉及到源码,涉及到大量的数据结构、算法知识,对于计算机基础有较高的要求。
适合参赛人群
最适合大一同学参加,收获最大,其次是大二,大三大四不推荐,但也可以尝试。
大一同学的特征:
- 工程能力薄弱,没有管理过项目、没有团队协作经验
- 刚入门了编程语言,需要更加深刻的理解
- 对于计算机理论基础比较薄弱,甚至没有基础
- 对于数据结构不了解,对于算法不了解
- 时间充裕,学习压力小,容错率更高
大一大二适合的理由:这个阶段基础能力比较弱,但是有 AI 的帮助,90% 的基础能力的欠缺都可以在 AI 的讲解下补齐,在比赛中学习比"上课"、"自己做项目"实践锻炼收获更大,是快速提升计算机能力不错的途径,把这个比赛打明白了,整个大学的计算机能力基本上就过关了,可以自己做职业规划,往专精领域发展了。
四、给主办方的建议
真实感受
作为参赛者,观察到的情况包括:
- 全流程过度依赖 AI,线上线下比赛都依赖 AI,比赛筛选出来的队伍肯定也存在一定的问题。比赛的评价评审标准需要调整。
- 初赛阶段的线上评测系统存在一定的问题(后来修复过)
- 其他队伍失败的原因可能是:
- 比赛时间周期长,不愿投入;
- 门槛高,代码看不懂,畏难;
- 用不明白 AI;
- 初赛评测服务器的影响
- ...
具体的建议
原则:降低所有能利用 AI 完成的阶段,的得分权重。
性能优化阶段
不公布具体性能分数排名,只给模糊的性能百分比。
举例:将排名按照不同的梯队分成不同的等级,分为 A/B/C/D/E 等不同的梯队,A 等级的分数在 80-100 分,B 等级的分数在 60-80 分,以此类推。
一定程度上,将比赛的注意力从无底线的刷分上,转移到其他方面的准备上。
为什么要削弱分差的影响?
线上赛,可以使用 AI 来完成优化,只要性能分差就足够高,就可以大幅度削弱其他竞争选手的得分。只要有一个队伍把分数拉到了前所未有的高度,那么其他队伍就会感到分数差距带来的压力,被迫也用 AI 快速刷分。
除非,比赛的举办目的就是为了让选手造一个高性能的数据库出来,那么这么搞是有效的,但是,比赛的参赛对象都是本科生,本身能力有限、时间有限,为了获奖,那么使用 AI 刷分无疑是最高效的手段。
所以,性能优化导致的分数差距是一个极度影响比赛不平衡的方面,大大削弱了选手真正动手实践的意愿。
不对分差设限制,随着 AI 模型能力的升级,最终的结果只有一个,那就是:所有队伍的优化策略往"工业级"数据库、"最优"数据库靠齐,分数来到一个机器承载的最高临界点。没有什么所谓的创新、能力培养,毕竟,只需要用 AI 完成优化,然后准备 PPT 答辩就足够了。
答辩环节
- 增大答辩权重:答辩是真正能够有效考验一个队伍对于数据库理解的环节,是否真的实践过数据库的开发,多提几个问题就能看出来,是否真的懂原理,是否真的知道如何分析、解决问题。
- 丰富答辩环节的提问:
- 场景设计问题,考查临场分析。假设给出了各个指标的值、各个模块的实现策略,可以考虑怎么优化,优化哪些模块,使用哪些手段优化。只有有经验、真实实践过的才能讲得出来。
- 追问策略的实现细节,具体是怎么实现的,为什么不用别的实现,如果不用这个策略,还有哪些策略可以实现可以用来优化的。
- 团队协作分工情况,是否真正分工了,怎么分配工作的
- 允许答辩选手画图讲解演示说明
线下编程赛环节
- 线下比赛不允许携带资料(主办方准备固定代码框架)
- 考查解决问题的完整流程:发现问题(报错信息,报错定位,打断点调试),分析问题,解决问题
- 题目类型多样性:完整实现功能、填空题代码补全等类型
多出几个题目,既要从零实现,也要 debug。
赛事制度
听了专家精彩分享之后有感:线下交流的重要性
赛制调整
- 线上:初赛功能实现 + 初赛优化
- Gap
- 线下:编程赛 + 答辩
- 线上:决赛优化阶段
- Gap
- 线下答辩
调整理由:
- Gap 的意思是,中间有充足的间隔时间,不同的阶段准备不同的内容,不要既完成优化,又完成答辩,时间协调极度不合理
- 资格提前:既然比赛有门槛,门槛一:通过初赛的所有功能题目实现;门槛二:线下编程赛,那为何不提前把门槛都通过了?初赛有一个门槛,决赛还有门槛,多此一举,直接在初赛阶段就把所有门槛全都过了,对主办方对参赛选手都好。
- 两轮答辩:初衷是两次机会,大部分同学没有比赛经验,如果在决赛前提前有一轮线下交流接受指导的机会,决赛会表现得更好,优化更有方向,答辩更得心应手。既能选拔、又能培养。
其他方面
- 更多学习资源:引导学习路线,分享比赛经验,活跃社区
- 增加考查方面,目前过于单一,考查力度不够。
- 改善比赛体验,例如测试结果保存,查看历史评测结果。
- 更完善的官方比赛说明,补充缺漏的关键信息说明。
- 初赛功能题目的格式没有统一,有的是纯 html ,有的题目是 md 转 html 。
五、附录
线下赛题目
2025 年:实现 left join 2026 年:实现 intersect
答辩记录
我们队伍的答辩过程大致是这样:
- 一轮答辩提问:
- 优化提升最大的策略是什么?
- 哪个优化手段最具创新性?
- 最大的困难是什么?
- 针对索引缓存复用具体是怎么做的?怎么命中的?...
- 二轮答辩提问:
- 关于锁的提问。
- 关于轻量检查点,哪里体现出轻量的?什么情况下会触发?
- 谈谈自己的感受。
优化技术统计
最后附上我们整理过的优化技术统计,供参考:
- 查询优化器:
- 逻辑优化:
- 谓词下推。
- 等值谓词传播。
- 重复条件消除。
- 矛盾条件检测。
- 物理优化:
- 基于代价的计划生成。
- 计划缓存优化。
- 索引的正确使用。
- 逻辑优化:
- 存储:
- 组提交:减少 fdatasync 次数。
- I/O 控制:例如优先提交所需的 fdatasync。
- 缓冲区:
- 减少锁竞争。
- 并行访问。
- 双 WAL 缓冲池。
结语
这次比赛从 5 月打到 8 月,过程很长,也有很多值得复盘的地方。虽然我大量依赖了 AI,也踩了不少坑,但正是这些经历让我对数据库内核、AI 协作、工程能力有了更具体的认识。
如果你也准备参加,希望这篇分享能帮你少走一点弯路。祝后来的参赛者都能真正学到东西,也拿到自己想要的结果。
参考链接
- 比赛入口:https://os.educg.net/#/index?TYPE=26DB
- GitHub 开源仓库: