迈向 AI 驱动的数据平台新时代 | Databend Meetup·北京站活动回顾

关注

原创最新推荐文章于 2026-11-08 12:08:08 发布 904 阅读 AI 写同款· GEO 优化 ›

《AI实战嵌入式Agent +MCP+skill》课时2.5|定时器实战本课讲解定时器时基单元原理，通过PSC、ARR、CNT三寄存器配合实现精确周期控制。以84MHz时钟为例，计算得PSC=8399、ARR=9999可实现1秒溢出周期。采用HAL_TIM_Base_Start_IT启动定时器更新中断，在HAL_TIM_PeriodElapsedCallback中处理周期任务，实现非阻塞、高精度的定时。相比HAL_Delay的阻塞式延时，定时器中断方案不占用主循环，支持并发操作，是嵌入式系统中实现周期任务的高效方式。阅读详情

今年的 AI 热潮给数据基础设施带来了巨大变革。大模型及生成式 AI 的落地，让金融、零售、制造、医疗等行业都在加速推进数据平台的智能化升级。与之对应，数据体量和复杂性不断提升，企业对数据库系统的性能、扩展性、多模融合与 AI 支持能力提出了更高要求。

8月2日，Databend Meetup·北京站线下活动聚焦“迈向 AI 驱动的数据平台”，汇集了国内数据库领域多位一线专家：Databend 创始人兼 CEO 张雁飞、Databend 数据库研发工程师白珅、TiDB 社区架构师李仲舒、亚信科技数据产品线规划部架构师赵燕，以及来自各行各业的技术负责人、DBA、开发与运维工程师。参会嘉宾围绕“AI Ready 数据平台”的主题，共同探讨了大模型时代数据库和数据平台的创新演进与实战应用。

Databend Meetup·北京站嘉宾分享

Databend Meetup·北京站交流讨论

以下内容就将为您带来这些话题背后的深度思考：

Databend 技术演进之路：OLAP → LakeHouse → Data + AI 驱动的多模态数据库

张雁飞在主题为《Databend 技术演进之路：OLAP → LakeHouse → Data + AI 驱动的多模态数据库》的分享中，系统回顾了 Databend 从最初的 OLAP 云原生架构，到 Lakehouse 演进，再到如今 Data + AI 多模态融合的完整技术路线，并重点展示了 Databend 在支持 AI 场景下的核心创新。

Databend 创始人兼 CEO 张雁飞

云原生 OLAP ，存算分离架构

Databend 自2021年起便坚定投入 Rust 技术路线，拥抱对象存储与存算分离，实现弹性扩展与高可用，降低企业数据基础设施的运维和成本压力。核心底座基于对象存储和分布式调度，既满足大数据分析的高并发、低成本，又支持企业在云环境下灵活扩展。

Lakehouse 架构升级与多模态融合

随着客户对数据类型和实时性的要求提升，Databend 在 Lakehouse 架构基础上不断增强多模态能力。平台不仅支持结构化（表格）、半结构化（JSON/日志）、非结构化（文本、音视频、图片）等多类数据类型，还自研 JSONB 存储格式、自动索引与 Pipeline 工具，帮助企业轻松应对多源异构、批流一体、数据清洗等场景。用户无需堆叠多套数据库系统，就能高效处理复杂数据。

Data + AI 驱动的全新平台能力

Databend 针对 AI 应用场景持续演进，原生支持向量数据、全文检索、HNSW 等主流向量索引，内置 AI 函数，可便捷调用外部大模型服务，实现 SQL+AI 无缝协作。在游戏、推荐、知识问答等实际场景中，Databend 支持通过 SQL 直接驱动向量化与 AI 能力，大幅降低了智能应用门槛。平台强调三类数据（结构化、半结构化、非结构化）统一处理，为企业打造真正“AI Ready”的多模数据基座。

张雁飞强调，Databend 的整体设计理念，是根据客户需求和行业发展趋势，将结构化、半结构化和非结构化三类数据统一融合到一个平台架构中。无论数据类型如何变化，用户都可以通过统一的架构和标准化接口实现高效的数据存储、处理和智能分析，无需频繁更改底层架构。

这正是 Databend 能力不断进化和创新的根本动力所在！

Databend 向量索引：加速 AI 应用的数据引擎

白珅以《Databend 向量索引：加速 AI 应用的数据引擎》为主题，系统梳理了向量数据、向量检索与索引技术在 Databend 平台上的最新实践与技术挑战，并以具体案例直观展示了产品在 AI 时代的能力进展与不足。

Databend 数据库研发工程师白珅

向量数据的价值与应用场景

近年来，AI 和大模型的普及推动了向量数据的广泛应用。白珅首先介绍了向量数据如何承载文本、图像、音频等非结构化信息，通过 embedding 技术转化为数字向量，实现语义理解与智能检索。他以 Arxiv 论文检索为例，展示了如何基于 Databend 存储和检索超百万级论文向量，极大提升了搜索效率和准确性。

原生向量类型与性能优化

Databend 原生支持向量字段，并可灵活设置索引参数。白珅详细展示了向量表的表结构设计、批量导入数据、通过 UDF 自定义 embedding 函数实现文本向量化、利用索引加速相似度检索的完整流程。通过实际测试数据，他对比了无索引与 HNSW 向量索引的性能差异——检索速度提升达 6 倍，实际业务中能满足高并发低延迟的搜索需求。

向量索引原理与压缩技术

技术层面，白珅为大家深入讲解了 HNSW（分层可导航小世界图）索引的原理及参数调优方法，并介绍了标量量化、乘积量化等常见向量压缩技术在提升索引效率、降低存储消耗方面的实践。向量索引使大规模非结构化数据的近似检索成为可能，是现代推荐系统、智能搜索、知识问答等场景的核心支撑。

问题、挑战与未来方向

白珅坦言，目前向量数据库生态仍处于发展初期，Databend 在向量功能、工具链丰富度等方面与专业产品相比还有差距。例如，写入性能因索引同步存在牺牲、工具和运维生态仍需完善。未来团队将持续提升索引性能、丰富相关工具与文档，助力开发者更便捷地将 Databend 用于 AI 相关场景，实现结构化与非结构化数据的一体化管理与分析。

AI 时代，一栈式数据底座 TiDB 赋能企业数智化转型

TiDB 社区架构师李仲舒分享了《AI 时代，一栈式数据底座 TiDB 赋能企业数智化转型》，介绍了 TiDB 如何围绕云原生、HTAP、一栈式体验持续迭代，并积极适配 AI 场景和新型混合数据需求，助力企业实现业务数智化升级。

TiDB 社区架构师李仲舒

分布式 ****OLTP 到 HTAP 的全场景支持

TiDB 最初致力于通过分布式架构解决 MySQL 在高并发和大数据量下的扩展难题。随着客户需求升级，TiDB 引入 HTAP 能力，将 TP（在线事务处理）和 AP（分析处理）合二为一，一套 TiDB 即可满足企业交易、分析、实时报表等多样需求。产品形态涵盖敏捷模式、分布式云服务、企业级平台，支持 GB 到 PB 级数据弹性扩展。

助力业务 AI 一体化 ：内核向量检索与智能助理

TiDB 积极布局 AI 场景，内核已支持向量索引（如 HNSW），适用于文本、图像、推荐等 AI 检索应用。同时推出开源 RAG（检索增强生成）生态工具，集成向量存储、知识图谱、结构化数据协同。团队实际验证过，TiDB 不仅能应对高并发交易，还能为智能问答、推荐、知识库等 AI 应用提供底层数据支撑。

多模场景协作，归档与实时分析 最佳实践

TiDB 与 Databend 的组合已在实际客户场景中成功落地。具体而言：TiDB 负责支撑前端高并发事务、业务数据归档、实时数据写入，Databend 则承接大数据归档、压缩、分析和多模查询。二者协同配合，为用户的大规模归档和复杂数据分析带来性能与性价比的双重提升。金融、互联网、制造业等场景下的高吞吐、动态数据分析，都能灵活设计归档解决方案，降低维护与架构复杂度。

李仲舒总结，TiDB 在“可靠弹性的一栈式平台+AI 数据能力”的驱动下，正成为企业出海与本土创新的底座选择，尤其契合多租户、弹性服务和数据全生命周期治理的需求。

数据平台向 AI Native 的演进

亚信科技数据产品线规划部架构师赵燕以《数据平台向 AI Native 的演进》为题，结合亚信多年平台建设与智能化落地实践，深度分析了数据平台智能化趋势、AI 原生平台能力与典型场景创新。

亚信科技数据产品线规划部架构师赵燕

数据平台的转型：从功能完善到价值运营

赵燕指出，随着AI和大数据技术的深入应用，数据平台建设已经从早期的“工具补齐”转变为聚焦降本增效、智能赋能和业务价值挖掘。亚信利用自然语言交互、智能数据助手等手段，简化数据开发、提升治理效率，把更多人力释放到创新应用和数据变现中。

AI Native 架构能力布局

亚信的数据技术平台具备多模数据采集、开发、治理与开放全流程能力，覆盖结构化、半结构化、非结构化（文档、音视频等）多种数据类型。平台突出 AI 数据助手、知识对话机器人、自动化 BI 工具，满足复杂场景下的数据融合、分析和共享。平台已在运营商、金融、能源、交通等头部行业大规模落地，沉淀了丰富的实践经验。

智能体 能力演进与行业案例

2025 年，亚信重点推进 Data + AI、Data for AI、AI for Data 的三大方向。团队已实现统一多模数据目录（Catalog）、自动数据清洗、智能体协作等一系列创新。实际案例包括智能体编排的客服与工单处理、自动化招标文档生成、Chat BI 经营分析、保险行业数字助理等，帮助企业提升了数据治理、开发和业务决策效率。

赵燕表示，AI Native 数据平台的落地不是一蹴而就，而是技术、流程和团队共同演进的结果。亚信希望通过平台化、模块化和行业化持续推动数据智能转型。

数据库行业正在从基础功能比拼，走向生态、智能化和场景价值的深度融合。AI Ready 不只是口号，更是每个团队持续打磨的产品能力和服务能力。Databend Meetup·北京站所展现的，正是这一代数据平台技术人与企业共同探索的脚踏实地、持续进步的真实写照。

未来，随着 AI、大模型和多模数据技术的进一步突破，行业仍有许多值得深耕的新课题。我们期待更多开发者、用户、合作伙伴加入到“AI Ready 数据平台”创新实践的行列，共同见证和推动智能数据基座的升级迭代。