当 PostgreSQL 遇见 AI，数据库的 AI 进化论-优快云博客

AI 正以前所未有的速度渗透进每一个角落，“数据+智能”的化学反应，数据库与 AI 的深度融合，正在重塑我们对数据库设计与应用的想象。墨创数迹创始人汪丹（Yolanda ）邀请三位大会出品人，前 PostgreSQL 分会会长及中文社区主席、IvorySQL 专家顾问委员萧少聪，佰晟智算（深圳）技术有限公司联合创始人 CEO、IvorySQL 专家顾问委员白鳝，独立开源贡献者 igsty 作者、IvorySQL 专家顾问委员冯若航，围绕数据库演进、AI 时代的变量、DBA 发展路径等话题进行了一场深度对话。

核心观点

2023 年是 PostgreSQL AI 化的分水岭。时机 + 生态 = 弯道超车：动态扩展撬动 30 年成熟内核，直接碾平专用向量数据库赛道。
数据库不是海马体，而是 AI 的整体状态平面。PostgreSQL 的开放架构让多模态数据处理可以在同一个数据库内实现。
PostgreSQL 已经是做 AI Agent 的最佳起步数据底座了。
AI 原生数据库的终极形态，或许是 AI 自己能够扩展和定制的数据库。
AI 不会完全取代 DBA，但会重新定义 DBA 的价值边界。操作性知识会被压缩，而品味、架构能力、判断力和学习能力的溢价会更高。

01

当 PostgreSQL 遇见 AI，数据库和 AI 正在发生化学反应

最近几年 AI 应用大爆发，我们发现关注 PostgreSQL 的人越来越多，PG 不再是一个存储数据的地方，这个诞生于 30 多年前的关系型数据库，正在成为 AI 时代最炙手可热的数据底座。这背后，是一场关于数据库如何与 AI 共生的深刻变革。

冯若航：我一直在追踪 PG 生态，关注整个数据库生态的快速演进。一个很明显的信号是 2023 年初，PG 正好赶上了 ChatGPT 发布之后的 RAG（检索增强生成）浪潮。具体来说，Neon 和 Supabase 这两个 PG 生态公司敏锐地发现：向量嵌入可以存储在数据库中进行相似性检索。这就等于范式被开发出来了，而 PG 生态里有一个 PGVector 扩展在 2021 年就已问世，正好赶上了这波浪潮。这之后，很多需要用到向量数据库的地方，就开始使用 PG 了。

Stack Overflow 有一个连续 7 年的开发者调研，我们从中去看 PG 的使用率和流行度，发现在 2023 年左右出现了一个爆炸式的阶跃增长。2023 年是一个分水岭，向量数据库这一波带飞了 PG，AI 把 PG 的增长拉到了一个新阶段。

萧少聪：我觉得未来 PG 会是一个非常重要的工具，或者说是承载 AI 数据底座的基石。其实在刚刚过去的 2025 年，我观察到这样一种情况，有些原生的 AI Agent 应用，并不一定在用 PG。我们重新去看这种情况，发现这样的应用大多跟传统业务没有直接关系，有很多新尝试。但当这个 Agent 做到一定程度以后，或者说 Agent 的使用达到一定规模后，就必须跟传统的业务进行整合，这时候 PG 又会成为一个最佳选择，因为它天生把向量和标量整合了在一起，有足够强大的体系级底座，不管在权限还是在各种功能整合上，它都可以通过一个数据底座帮助开发者解决各种问题。

我从 Agent 应用开发的角度发现，最开始阶段基本不用考虑数据库。当数据积累到一定体量，且开始出现各种各样的问题时，PG 已经是做 AI Agent 的最佳起步数据底座了。再加上它的分布式特性，丰富的扩展能力，当数据量更大的时候，也有很多解决办法。当然了，对于一些特殊应用，也需要专门的 AI 数据库或者处理方法，我相信整个世界就是开源开放的。

白鳝：黑格尔说过，任何一个伟大的历史事件都会发生两次。我想第一次就是 2023 年的 OpenAI ChatGPT，第二次就是去年的 DeepSeek。这两次历史事件发生以后，AI 浪潮就已经真正地进入到我们的生活中。其实 2023 年最开始用向量数据库的时候，我的一些项目没用 PG。但是后来我发现，很多宣称是 AI 原生数据库的，用起来并不方便，因为我不仅仅是要处理向量，我还要处理地理信息、图数据、时序数据等等，这时候就发现还是得用 PG，所有的数据都可以放在一个数据库里面，整个应用架构就简化了很多。再往后，PG 的插件架构又带来了更多、更大的可能性，我觉得这是 PG 非常独特且强大的方面。

02

数据库不是海马体，而是 AI 的状态平面

社区里有人把数据库比作 AI 的海马体，数据存储在哪里，智能就在哪里生长。比喻的目的往往不是为了准确，而是多一种理解维度。AI 时代，数据库的价值到底是怎样的？具体场景下怎么选择？

冯若航：如果用海马体这个概念的话，我会把数据库里的一个组件比喻成海马体，比如向量查询引擎，或者是全文检索引擎这样的组件。整个数据库其实就相当于大脑本身或者至少是记忆部分，一个数据库有各种各样的引擎，比如向量查询、全文检索、地理空间、存储、事务等等，他们一起来完成一个完整的工作，所以数据库更像是一个 AI 的状态平面。

顺着海马体的比喻，这里展开说说 PGVector 这样的向量组件/扩展。PGVector 最开始是 2021 年的时候，一个社区的个人爱好者自己做的一个项目，后来大厂投入了很多资源，让它成为了一个生产级别的向量组件。和这几年的很多专门的向量数据库对比，PGVector 实现了同样的 SOTA 级性能表现，它更大的亮点是易用程度。PGVector 最开始只有 2000 行代码，到现在也就是 8000~9000 行代码，用这种扩展的方式，很快就能实现完整的向量功能。从这个维度看，我认为 PGVector 是把整个专用向量数据库的赛道直接给碾平了。对于 PG 来说，这是一个弯道超车的故事，一方面，它有历经 30 年打磨的高度稳定的数据库内核；另一方面，像 PGVector 这样扩展出来的增量功能经过大厂的投入也超过了专用向量数据库。从 2023 年开始，我就已经在生产环境看到很大规模的 PGVector 部署，当下在做 AI 应用的时候，大家已经默认选择 PG 里面的 PGVector 了。

白鳝：对，PG 的开放式架构，社区活跃，整体的发展也很快。像 PGVector 这样的插件，可以让我们在开发一些简单应用的时候，不需要借助其他东西。我觉得未来的趋势就是怎么样，可能今后我们的应用都是面向 AI 的，也是用像 Claude Code 的这样的 AI 工具写的，怎么样让 AI 应用的开发成本更低，就成为一个很关键的问题，那么代码量越小，AI 应用的成本就会越低，这时候 PG 的优势是相当明显的。

萧少聪：我知道在业界对 PG 的一些特性或者能力是有一些诟病的，比如它很占内存，但实际上这些问题已经解决了。我想从另外一个角度来聊聊，就是现在很多 AI 操作直接就不去折腾 SQL 这件事了。就是通过一些提示词，或者一些更简单的调度方法，可以很轻松地做一些向量提取、获取分析等操作。这些操作，对于现在很热的 OPC（一人企业），或者小团队来说，用来开发解决具体问题的 Agent，这就已经够用了。

但再往后，我发现很多人又开始把这样的应用回归到数据库，回归到像 PG 这样的一个系统里来，当有这样需求的时候，就会发现之前写的那些短平快的应用要迁移到 SQL 变得特别辛苦，因为一开始没考虑规范化，那这个阵痛就是必经之路，一旦进入到一个规范化角度使用数据的时候，你可以对接的东西就多了。

虽然我们说未来可能是 Agent 之间在沟通，数据库非必须，但如果这个应用最终需要服务于人类，要让我们看得懂，还是必须形成一些规范化的动作，要有结构化，去支撑高可用、稳定性等动作，那么 PG 就会是一个天然的支撑体。

03

什么是真正的“AI 原生数据库”？

许多数据库标榜自己是“AI Native”，但大多只是加了向量功能。真正的 AI 原生数据库应该具备什么能力？PG 的下一步演进方向可能会是什么？

白鳝：现在很多都讲自己是 AI 原生数据库，其实我个人感觉还没看到一个真正的原生数据库。可能未来的程序都是 AI 在写，它是否需要数据库，需要什么样的数据库，这些需求还是不充分的，不是说加上一个向量功能就是原生数据库了。

我近两年一直在做 AI 应用，现在处理很多数据的时候，已经不是完全关系型的处理模式了，而是用一种逻辑数据逻辑的模式。我们在推动一个叫“数据驱动的语义化知识图谱”，其实是用语义在处理数据。在这种情况下，不是所有地方都需要 SQL，有些是语义驱动，很多中间数据就不需要了。以前我们的一个数据库里有成千上万张表，90% 都是为了处理数据而设计的表，而不是真正的业务需要的表。而在 AI 时代，有可能只有 10% 的表就可以描述所有业务。这是我现在实践的一个大概情况，未来数据库肯定会发生变化，但我还没有想清楚未来数据库到底会长成什么样子。

我想 AI 原生数据库就是真正为 AI 应用场景去构建的。我现在看到的一个路径，是在像 PG 这样优秀的底座上继续做大量改造，动态地用插件方式来来构建新能力，我相信 PG 可以越来越像一个 AI 原生数据库。

冯若航：我可以补充一下我的思考。我觉得 AI Native 数据库或者是 Agent Native 数据库，可以从下面这几个层面来看。

内核层面：第一，把数据库的本职工作，也就是存储数据和检索数据做好，这是基本功。第二，具备可扩展性。AI 的需求广泛，无法预估 AI 会怎么用数据库，能做好的事情就是把这些接口和钩子给预留好。它需要向量，可以加一个向量扩展；它需要图，可以加个图扩展；它需要全文检索，给它预留好全文检索的接口。在内核层面真正能称得上是 AI 原生的，就是把多模态和可扩展性给做好，在这个维度上我认为 PG 是做得最好的。

发行版扩展层面：现在 RAG 已经成为一个标配，大家都在用向量，无需多言了。那么新出现的是什么？Agent 的 Memory System（记忆系统），现在是百花齐放的阶段。已经出了各种记忆框架，你会发现很多底层用的都是 PG。都有哪些记忆呢？有场景记忆、工作记忆、长期记忆、知识性记忆、经验性记忆等等，这些记忆其实最后落到实处都是数据库表，就是传统的关系型数据；除此之外，还有模糊记忆，用向量来检索；还有一类就是知识图谱，就是图的能力，PG19 应该会有相关的更新；还有全文检索，比如把 ElasticSearch 的能力，把 BM25 全文检索的能力放到数据库里。最后你会发现在一个数据库里，你同时可以做精确 SQL 检索、做模糊向量检索、做图检索和做 BM25 全文检索这几种经典的检索范式。大体上我认为 AI 原生数据库要拥有为未来预留的可扩展性。

非功能性能力层面：我当下看到两个最值得去探索的方向，一个是 Serverless，一个是 AI 能力克隆。在 PG18 里其实有一个 Instant folk 能力，你可以在线把一个巨大的数据库原地克隆 N 份，不占额外的存储成本。对于 Agent 来说，这就等于给了它一个试错沙箱。当我需要变更功能的时候，先在克隆里面操作，验证无误之后再把它合并到生产环境里。我认为对于 Agent 来说是这是数据库应该提供的一个核心能力。

萧少聪：我补充一个小点。退回到数据库出现的那一天，它到底在解决什么问题，实际上就是在解决数据操作的一致性问题。怎么理解？从自己开发的一个应用，变成团队开发的应用，要给很多人用，也会有其他应用来读取，就需要有一个相同的方法，大家用相同的操作方式去使用这些数据，得到相同的效果，这就是一种操作上面的一致性。这时候数据库软件出现了，叫做通用基础软件。

我相信在 AI 时代也是一样。过去这样的一个通用基础软件的数据库，是给人编写程序和人类所使用的 App 去使用的，那么未来同样的需求会出现在 AI Agent 这一端，它会变成什么样子？我觉得这个还是交给后续的持续发展，跟随逐步变化再去观察。说不定因为 PG 足够开放，你把 PG 协议扔给 Agent，告诉它需要用的时候自己做扩展，它完全可以在这基础之上做出很多可能人类看不懂、但是对 Agent 沟通非常有效的东西，然后在 Agent 之间流传。我想，这就是 PG 开放生态所带来的东西，未来可能有一堆这样的扩展吧。

如果给 PG 提一个期待，我讲一个希望内核组赶紧解决的一个问题。我们在用向量和标量，现在两边都是一个比较独立的算子在运行。到底是先用向量来过滤数据，还是先用标量来过滤数据，这里头其实是一个博弈状态。后续的 PG 版本，是否有可能更快地打通两个算子，能够让操作变得更加平滑，可观测更强，可以按需调节，让开发者使用起来更加简单。

04

AI 可观测性发展趋势

AI 可观测性成为一个越来越重要的话题，现状如何？未来又有怎样的发展趋势？

白鳝：最近 Harness 特别火，也是因为在做一个 AI 应用的时候，不是像以前写代码就可以完全控制住它，AI 生成的 Agent 有自己的不确定性。

我们讲可观测性缺失，更多是大模型应用方面的问题，还不是数据库内部的。比如 PG 数据库，它的底层架构特别好，可以看到索引构建的进度，是很放心的。当然，PG 的一些指标体系还可以持续完善，但它有很好的插件机制，有很多钩子，我们需要观测的任何指标，在 PG 框架里都是可以解决的。

冯若航：关于可观测性，我觉得分两个问题，一个是 AI Agent 怎么帮助提升数据库的可观测性，一个是数据库怎么帮助提升 AI Agent 的可观测性。对于前一个问题，数据库的可观测性，已经不再是一个问题了，比如 PG 有很多观测视图，很多扩展能力，包括我自己做的 PG 监控系统，几年前就已经做到了 PG 里面所有的指标应收尽收。

更重要的问题是 Agent 本身的可观测性如何用数据库来解决。一个 Agent 的 Loop，它里面有很多事件，其实大家是想知道它里面到底发生了什么，它为什么是这么决策的？当前 Agent 最大的一个隐患是提示词注入，它去网上各种冲浪找东西查文献，文献里面如果有一行注入提示词，很可能就把它带偏了，它可能做出了一个不理智的决策，把你的密钥发给别人，这个问题怎么解决？我认为 Agent 可观测性将会成为一个独立赛道，就像以前的应用可观测性一样，大家需要理解 Agent 为什么做出这些决策，这些决策事件应该有个地方保存。现在看到的做法还都很粗糙，比如只是存储日志，没有把它以专业的可观测的决策树链条画出来，我认为这是数据库可以干的事情，在企业级场景里面，这件事的价值还会持续升级。

05

DBA 会被 AI 取代吗？

这是每个数据库从业者都在思考的问题。答案既残酷又充满希望。“老人”如何保持竞争力？“新人”的成长路径在哪里？

白鳝：这个话题几乎每个活动都会谈到。前天我在长沙和用户也在聊这个问题，聊了三个小时以后，大家信心都很足。现场的 DBA 都很兴奋，一点都没觉得会被淘汰，反而感受到了自己的价值，能把以往的经验喂给 AI。

前段时间我去一个公司，他们的运维团队都在写 Skills，甚至做了 KPI 要求，叫知识资产化。这是 AI 给我们带来的一个改变，当我们脑子里没有知识的时候，就只能变成 Token 陪伴大家；但是当脑子里还有知识的时候，是不会马上被蒸馏完的。我们必须往前走，需求在变，能力增长就要变。不过当下的残酷是变化太快了，是一种跨越式的发展，而不是我刚入行 DBA 的 90 年代了，那时候能装个数据库就已经是专家了。

去年耶鲁大学有一个学者说了一个观点：AGI 时代，劳动价值将被算力成本重新定价。啥意思？传统经济学中工资与技能稀缺性挂钩，但是在 AGI 时代，劳动者的收入上限取决于复制其技能所需的算力成本。举个例子，以前我们经常做 AWR 报告，需要专家才能把它分析清楚，你花三五千元请专家到现场，或者说线上给一千元的费用，基本没有专家愿意干。现在 AI 分析这样一个报告需要多少钱？我们就免费开放了一个工具，分析一份报告的实际算力成本是 5 分钱到 1 毛 2。

你看，这就是一个很现实的问题。坦白说，简单的一线工作，AI 能够做得很好，基本是完全替代。所以得让自己成为脑子里有持续可蒸馏知识的 DBA。还是那句话，我们 DBA 必须往前走，保有被持续蒸馏的价值。

萧少聪：我最近也在蒸馏自己，方法不是把我蒸馏完了，是把我每一部分的不同能力蒸馏出来，干不同的活。白老师给了大家很多鼓励，我说点冷冰冰的话。DBA 分两种，第一种是真正从数据库的基础架构思考学习过来的，打好了坚实的基础。我想这就是刚才白老师所讲的，听到 AI 这东西来了会兴奋的那波 DBA。为什么？脏活累活咱不用干了，那么多 AI 工具先用起来，解放双手，然后去解决更有意义的价值。第二种 DBA 是对数据库是做什么事情的、解决什么问题的、底层架构怎么设计的这些没有深刻理解，只会敲几个命令，今天做备份，明天做恢复，遇到备份恢复不了的情况就完全不知道怎么办，这样的 DBA 肯定没活路了，这么说可能很打击人，AI 都不需要蒸馏你，AI 已经能替代你完这些事情了。

前几天我遇到了一个非常优秀的年轻人，送了他一本书《数据库系统概论》，一本老书，我自己做了很多笔记。我觉得面对 AI 也不要慌，还是回到这些最基础的东西上：一定去学清楚数据库的底层逻辑，数据库到底在解决什么问题？怎么解决的？有一些这样的底层思考。

换个角度看，对所有人来说，AI 都提供了一个非常好的机会。从来没有一个时代，有这样一位老师，可以天天陪伴在我们左右，不懂的时候，他可以不停地教导，而且用我们所能理解的语言来讲。我现在用 AI 不是纯粹问一个问题，会先告诉 AI 我的水平在哪里，AI 就能用我们听得懂的语言和深度来帮助我们更快速成长，过去是不会有任何一个老师这么来教的。

冯若航：我觉得肖老师说的特别有道理。其实 AI 冲击最大的是中间的这一部分，最顶尖的专家受冲击是比较小的，比如数据架构师依然很有价值，品位、判断这些都是没法替代的，100% 会被替代的是运营性的操作知识；初学者或者是行外的研发与运维，受冲击也没那么大，对他们来说这是一个全新的机会。如果我要招人的话，肯定只招两类人，一类是能驱动 AI agent/DBA Agent 去干活的老司机；一类是聪明的实习生，还是一张白纸，有无限可能。

DBA 还有一个优势在哪里呢？我认为相对于前后端工程师，DBA 有一个结构性优势。在整个 IT 技术栈里，数据库是非常硬核的部分，一个对数据库有深度了解的 DBA 现在用 AI Agent 去做前后端开发是相对容易的。我们应该抓住这个优势，在这个机会窗口利用好它，VibeCoding，做 Agent，以数据库作为基石，打造全栈产品。

过去的环境是用 5~10 年专门钻研一个数据库，从小白成长为专家。但当下，在生产环境中打磨的这条路径已经被 AI Agent 锁死了，不会有这样的环境给我们来干这些事了，那年轻人入行怎么弯道超车？我的建议是站在前人的肩膀上。什么意思？比如我把自己作为 DBA 的经验蒸馏出至少 70% 做成软件，那年轻人就可以直接站在这些蒸馏出来的专家经验的基础上，最佳策略就是直接用这些软件，去培养自己的体感知识和判断力。也就是说，在 AI 的帮助下培育你自己的直觉和观感，这是我认为当下最务实的路径，专家沉淀出来的工具将会成为新人入门的一个可行路径。

结语

整合与进化的力量

三位专家的精彩分享与碰撞让我们看见 PostgreSQL 的 AI 进化脉络，它揭示了一个深刻的真理：在技术演进中，整合与进化往往比专业化更有生命力。

2026 年，我们正站在一个转折点上。PostgreSQL 不再只是“也能做 AI”的数据库，而是在重新定义什么是“AI 原生”的数据基座。它告诉我们：真正的智能不是推倒重来，而是让已有的系统学会思考。在追逐新技术的同时，不要忘记那些经过时间考验的基础设施，它们往往蕴含着更大的进化潜力。系统如此，人亦如此。在 AI 时代，新一代 DBA 也正在重新定义自己。