打造下一代 AI Agent 的统一多模智能数据底座——PostgreSQL 与 AI 的融合演进

数字孪生实战:BIM与AI融合架构、数据处理与性能优化指南 数字孪生作为连接物理世界与数字空间的关键技术,其核心在于构建一个动态、可计算的数据镜像。其原理是通过物联网、三维建模与数据融合技术,将实体对象的几何、状态与业务数据实时映射到虚拟模型中。这一技术的核心价值在于实现物理系统的模拟、分析与预测,从而赋能智慧城市、智能工厂等场景的优化决策与自主控制。在工程实践中,BIM(建筑信息模型)提供了高精度的静态三维数据底座,而AI(特别是大模型与智能体)则为数字孪生注入了预测与决策的“大脑”。本文聚焦于解决两者融合落地的核心挑战,深入探讨了从BIM数据轻量化处理、时空数据 阅读详情

分享人:魏波,北京晟数科技技术顾问,PG 分会副秘书长。

前言

过去两年,AI Agent 从“模型调用+工作流”的应用形态,逐步走向具备记忆、工具使用、任务规划、多智能体协作和持续运行能力的系统。与此同时,企业落地 AI Agent 时遇到的问题也正在发生变化:真正制约系统规模化的,往往不再只是模型能力,而是数据、记忆、检索、权限、运行状态与治理能力是否能够形成一个可靠的数据底座。

对于企业而言,AI Agent 的数据既包括传统业务数据,也包括文档、JSON、Embedding、会话记录、用户偏好、任务状态、工具调用记录以及实体关系等。因此,一个值得长期讨论的问题是:

能否以 PostgreSQL 为核心,把尽可能多的数据与 AI 数据能力统一到同一套事务与治理体系中,同时又保留对专业 AI 服务和专用基础设施的开放性?

本文从“数据底座”而不是“数据库包打一切”的角度,重新审视 PostgreSQL 与 AI 的融合路径,并结合 pgvector、pgvectorscale、pgai、PostgresML、Apache AGE,以及 PostgreSQL 17/18/19 的演进,讨论一个更适合企业实践的架构原则:

数据下沉,智能上移;统一优先,专业系统补位;数据库负责可靠的数据与记忆,Agent 平台负责编排与协作。

一、现状与挑战:AI Agent 为什么越来越需要“数据底座”

AI Agent 的核心循环可以抽象为:

用户任务
   ↓
理解与规划
   ↓
检索记忆 / 知识 / 业务数据
   ↓
调用工具与外部系统
   ↓
产生观察结果
   ↓
更新状态、短期记忆、长期记忆
   ↓
继续循环或完成任务

这意味着 Agent 所依赖的并不是单一的“向量数据库”,而是一组彼此关联的数据:

  • 业务事实:客户、订单、资产、组织、账号、工单等结构化数据。
  • 非结构化知识:文档、网页、FAQ、规章制度、技术资料等。
  • 语义数据:文本、图像等内容生成的 Embedding。
  • Agent 状态:会话、任务、执行步骤、工具调用、事件与结果。
  • 记忆数据:用户偏好、历史事实、长期经验、总结信息。
  • 关系数据:实体、组织、上下游关系和复杂业务关联。

因此,Agent 的“记忆问题”本质上不是单纯的向量检索问题,而是一个多模数据管理与一致性问题。

1.1 常见数据底座方案

当前企业常见的路线大致可以分为四类。

(1)专用向量数据库 / 向量检索引擎

代表产品包括 Pinecone、Milvus、Qdrant 等;FAISS 更准确地说是一个向量相似度检索库,而不是完整意义上的独立数据库产品。

其优势是围绕 ANN 检索进行专项优化,在超大规模向量场景下可以获得很好的性能与扩展能力。但如果业务事实仍存储在关系数据库中,就需要考虑数据同步、ID 关联、权限过滤、删除更新和一致性维护等问题。

(2)缓存 / KV 存储方案

代表产品包括 Redis 等。

其优势是低延迟、数据结构灵活,适合热点上下文、短期状态、会话缓存和任务协同。但如果把大量长期记忆、Embedding 和复杂过滤条件全部放入缓存体系,成本、持久化和查询能力会逐渐成为约束。

(3)对象存储 + 检索计算层

代表产品包括 S3、MinIO 等。对象存储非常适合原始文档、图片、音视频等非结构化数据,但它本身并不是完整的向量检索数据库;通常仍需要额外的索引、Embedding、检索或计算服务。

(4)关系数据库 + 向量 / JSON / 图等扩展

典型路线是 PostgreSQL + pgvector,并根据业务需要叠加 JSON、全文检索、PostGIS、时序扩展或图能力。

其核心价值并不是“所有场景性能都第一”,而是把业务事实、语义数据与 Agent 状态尽可能放在同一个数据治理边界内。

1.2 真正的企业痛点:不是数据库数量,而是数据边界

当企业同时维护业务数据库、向量数据库、图数据库、缓存和对象存储时,真正复杂的不是“系统多”本身,而是下面这些跨系统问题:

  • 身份一致性:同一客户、用户、设备或文档,在多个系统中如何保持统一 ID。
  • 状态一致性:业务数据更新之后,Embedding、检索索引和缓存何时同步。
  • 权限一致性:用户在业务系统中的权限,能否正确传递到 Agent 检索结果。
  • 删除一致性:数据被删除或撤销权限后,旧向量和旧缓存如何及时失效。
  • 事务边界:业务写入、记忆更新、审计记录是否需要处在同一个事务边界。
  • 运维复杂度:多个系统的备份、监控、扩缩容和故障排查如何统一。

所以,企业选择 AI 数据底座时,不应该简单比较“谁的向量 QPS 更高”,而应该同时比较:数据一致性、过滤能力、事务能力、权限模型、运维成本、扩展性和生态成熟度。

二、融合新思路:从“多系统拼装”到“统一数据平面”

PostgreSQL 的价值,不在于替代所有专业数据库,而在于提供一个成熟的关系数据库核心,再通过扩展机制,把更多 AI 所需要的数据类型与查询能力纳入同一治理体系。

2.1 传统 AI Agent 数据架构

典型架构往往类似:

1.png

这条路线并没有“错”。当向量规模、图查询规模、对象数据规模或实时性要求达到某个程度时,专业系统反而是更合理的选择。

问题在于:如果所有数据都过早拆开,系统会把大量工程复杂度消耗在同步、权限与数据治理上,而不是 AI 能力本身。

2.2 PostgreSQL 融合架构

更适合多数中型企业和大量 AI 应用的路线,可以抽象为:

2.jpg

这里最关键的变化是:

不是“全部统一”,而是“统一优先”。

2.3 PG 融合架构真正解决什么问题

第一,减少数据副本。

业务数据和 Embedding 可以在同一个数据库体系内管理,减少为了检索而创建不必要的跨系统复制链路。

第二,提升一致性能力。

关系数据、JSON、Embedding 等数据在同一个 PostgreSQL 事务体系中管理时,可以更自然地实现原子更新和权限控制。

第三,支持组合查询。

企业 AI 检索往往不是“只按向量相似度找 Top-K”,而是:

WHERE tenant_id = ?
  AND department_id = ?
  AND status = 'active'
  AND created_at > ?
ORDER BY embedding <=> ?
LIMIT 20;

也就是:权限过滤 + 业务过滤 + 时间过滤 + 语义相似度共同参与查询。

第四,减少运维系统数量。

尤其对于规模尚未达到必须采用多个专业数据库的团队,统一数据平面可以明显降低部署、监控、备份和故障处理复杂度。

2.4 需要避免的一个误区:数据库不是 Agent 大脑

“把 AI 计算推向数据端”容易被理解为:

PostgreSQL 最终应该成为完整的 LLM、Agent、Workflow 和多智能体平台。

这并不是企业级架构的合理目标。

更合理的职责边界是科学分工协作:

3.jpg

这也是本文后续讨论 pgai 等案例时的核心判断。

三、社区生态:PostgreSQL AI 能力全景

PostgreSQL 的 AI 生态并不是单一产品,而是“数据库内核 + 扩展 + 外部 Agent/AI 服务”的组合体系。

3.1 向量核心生态

核心组件可关注:

  • pgvector:PostgreSQL 最成熟、最广泛采用的向量扩展之一。
  • pgvectorscale:在 pgvector 之上进一步提供基于 DiskANN 思路的高性能向量检索能力。
  • 其他向量扩展:可根据发行版和具体场景选型,但应重点验证活跃度、兼容版本和社区支持。

对于企业选型,不宜用一个“向量扩展排行榜”直接得出结论,更应该以真实数据规模、过滤条件、召回率、延迟和成本做基准测试。

3.2 库内 AI / ML 生态

PostgreSQL 生态中存在多种“数据库内 AI”尝试,例如 PostgresML、MADlib 以及面向 LLM/AI 的第三方扩展。

这类项目的共同思路是:

尽量减少数据搬运,让模型或推理能力更靠近业务数据。

但“库内推理”并不意味着一定比独立模型服务更好。企业仍然需要根据模型规模、GPU 利用率、弹性伸缩、推理隔离、模型生命周期和安全策略进行判断。

3.3 图与 GraphRAG 生态

值得关注的代表项目是 Apache AGE。AGE 通过 PostgreSQL 扩展提供图数据能力,可在关系数据库之上引入图模型与 openCypher 查询能力。

需要特别强调:

openCypher 兼容不等于与 Neo4j 全面兼容。

在复杂图查询、深度遍历和高并发场景中,是否采用 AGE,应该通过真实业务基准验证,而不是简单将其视为传统图数据库的完全替代品。

3.4 工程化与多模能力

PostgreSQL 本身还可以通过生态组件增强企业 AI 所需的数据基础设施能力:

  • PostGIS:空间数据。
  • TimescaleDB / 时序扩展:时间序列与监控类数据。
  • pg_cron:数据库内调度。
  • pg_partman:分区管理自动化。
  • 全文检索能力:用于关键词/全文召回,并可与向量召回形成混合检索。

这意味着一个 AI 应用可以逐步建立:

+ 结构化数据
+ JSON / 文档元数据
+ 全文检索
+ 向量检索
+ 时序数据
+ 空间数据
+ 图关系
+ Agent 状态与记忆

而不是一开始就搭建六七套数据库。

3.5 pgvector——PostgreSQL 向量能力的核心基础

pgvector 为 PostgreSQL 增加向量数据类型、相似度计算和近似最近邻索引能力,是今天 PG+AI 架构中最值得优先掌握的基础组件之一。

当前 pgvector 支持多种向量类型,其中 vector 类型存储最高支持 16,000 维,但使用 HNSW 或 IVFFlat 索引时上限为 2,000 维;此外还提供 halfvec、bit、sparsevec 等类型,不同类型对应不同的维度/非零元素上限。它支持 HNSW 与 IVFFlat 两类近似最近邻索引。

需要特别注意:

近似索引不是“免费加速”。它本质上是在召回率、查询延迟、内存与构建成本之间做权衡。

例如,HNSW 通常在速度/召回率权衡上表现更好,但构建更慢、内存占用也更高;IVFFlat 构建更快、内存相对友好,但需要合理设置 lists/probes,并注意建索引时的数据规模。

使用示例:统一管理业务数据与向量
CREATE EXTENSION IF NOT EXISTS vector;

CREATE TABLE agent_memories (
    id BIGSERIAL PRIMARY KEY,
    tenant_id BIGINT NOT NULL,
    memory_type TEXT NOT NULL,
    content TEXT NOT NULL,
    embedding vector(1536),
    metadata JSONB,
    created_at TIMESTAMPTZ NOT NULL DEFAULT NOW()
);

CREATE INDEX idx_agent_memories_embedding
ON agent_memories
USING hnsw (embedding vector_cosine_ops);

-- 语义检索
SELECT id,
       content,
       1 - (embedding <=> $1) AS similarity
FROM agent_memories
WHERE tenant_id = $2
ORDER BY embedding <=> $1
LIMIT 10;

-- 业务过滤 + 语义检索
SELECT id,
       content,
       1 - (embedding <=> $1) AS similarity
FROM agent_memories
WHERE tenant_id = $2
  AND memory_type = 'preference'
  AND created_at > NOW() - INTERVAL '90 days'
ORDER BY embedding <=> $1
LIMIT 10;

这里真正重要的并不是 SQL 本身,而是:Agent 的记忆、租户边界、业务过滤和向量检索可以在同一个数据模型中协同工作。

3.6 pgvectorscale——把 PG 向量检索推向更大规模

pgvectorscale 是 Timescale 围绕 PostgreSQL 向量检索推出的扩展,核心能力包括 StreamingDiskANN、量化以及过滤优化,并与 pgvector 配合使用。官方项目公开的代表性基准是在 5,000 万条、768 维 Cohere Embedding 数据集上,以 99% recall 为目标,对比了 Pinecone 的某一索引方案。该基准显示了较低的 P95 延迟、更高吞吐以及更低成本,但这些数字应理解为特定测试条件下的结果,而不是所有场景的通用结论。

因此,建议把 pgvectorscale 的价值理解为:

pgvector
   ↓
基础向量类型 + HNSW / IVFFlat
   ↓
pgvectorscale
   ↓
更大规模向量检索 + DiskANN思路 + 量化 + 过滤优化
企业选型建议

如果数据规模仍处于百万级或较低的千万级,应优先把精力放在:

  • Embedding 质量
  • Chunking 策略
  • 权限过滤
  • Hybrid Search
  • Rerank
  • Query 改写
  • 召回率与端到端延迟

而不是过早为“百亿级向量”做架构设计。

当规模、成本或延迟真正成为瓶颈,再通过 pgvectorscale 或专用向量平台做第二阶段优化。

3.7 pgai——一个很有价值的架构演进案例

pgai 曾经是一套帮助开发者在 PostgreSQL 体系内构建 RAG、语义搜索和 Agentic 应用的工具,能够围绕 PostgreSQL 数据自动生成和同步 Embedding,并提供语义目录、语义搜索等能力。

截至本文修订时,pgai GitHub 仓库 README 明确写明:自 2026 年 2 月起不再维护或支持;GitHub 仓库则显示其在 2026 年 5 月 27 日被 owner 正式 Archive,进入只读状态。

更值得关注的技术启示

pgai 这个案例并不应该被解读为:

“数据库不应该碰 AI。”

更合理的解读是:

第一,数据与语义检索天然适合贴近数据库。

Embedding、向量检索、元数据过滤、数据同步等工作,与 PostgreSQL 的数据管理能力具有天然结合点。

第二,复杂的模型调用和 Agent 编排应保持服务化边界。

LLM 调用通常具有高延迟、外部依赖、限流、成本、Provider 切换和弹性需求。因此在企业架构中,更适合通过应用服务或 AI Gateway 实现隔离,而不是把复杂的 Agent Loop 全部塞进数据库。

第三,数据库与 AI 服务应该形成分工,而不是二选一。

可以抽象成:

4.png

核心结论

PostgreSQL 与 AI 的融合,不应该追求“数据库成为完整 AI 平台”,而应该让数据库成为可靠的数据、记忆与检索底座,让应用层承担模型编排、Agent Loop 和复杂智能行为。

3.8 PostgresML——数据库内 AI 的另一条路线

PostgresML 代表的是另一种思路:把机器学习、NLP、Embedding 或部分推理能力进一步靠近 PostgreSQL 数据。

其项目仓库目前仍提供开源的 pgml 扩展和自托管方式,也同时提供云服务。其定位是让 PostgreSQL 更方便地承载 ML/AI 工作负载。

这里需要特别修正一个常见误区:

“库内推理 = 零延迟”或者“必然比 HTTP 模型服务快几十倍”都不应该作为普遍结论。

把模型放入数据库附近,可以减少数据搬运和额外网络跳转;但端到端性能仍然取决于模型大小、GPU、并发方式、Batch、数据准备、模型加载、线程/进程模型以及数据库资源竞争。

更适合库内 AI 的场景
  • 结构化数据上的实时预测
  • 特征计算与模型推理高度耦合的场景
  • 需要减少数据出域的业务
  • 小模型、Embedding 或轻量文本处理
  • 需要在 SQL 查询链路中完成部分 AI 变换的场景
不适合强行库内化的场景
  • 超大模型在线推理
  • GPU 资源需要独立弹性伸缩
  • 高并发多租户模型服务
  • 模型发布与回滚频繁变化
  • 需要跨模型、跨 Provider 路由的企业 AI Gateway

因此,PostgresML 更应该被理解为:扩大“数据与 AI 可以靠近”的边界,而不是消灭模型服务层。

3.9 Apache AGE——知识图谱与 GraphRAG 的补充能力

Apache AGE 是 PostgreSQL 的图扩展,可以在 PostgreSQL 中使用图模型,并支持 openCypher 风格的图查询。其目标之一就是在关系数据之上增加图能力,从而减少额外图存储系统带来的数据复制。

但企业应避免把 GraphRAG 变成“所有 Agent 的默认检索方案”。

很多知识库场景仅依靠:

+ 关键词检索
+ 向量召回
+ Rerank

就已经能够取得很好的效果。只有当“实体关系本身决定答案”时,图检索才真正体现价值,例如:

  • 组织与权限关系
  • 设备与依赖关系
  • 产品与供应链关系
  • 人员与技能关系
  • 复杂故障传播关系
一个更合理的混合检索模型

5.jpg

这样,GraphRAG 成为检索能力的一部分,而不是取代传统 RAG。

四、PostgreSQL 内核演进:哪些能力真正有利于 AI 负载

需要首先纠正一个表述:

PostgreSQL 17、18、19 并不是“专为 AI 设计”的版本。

更准确的说法是:这些版本的通用数据库能力持续增强,其中一些特性恰好对 AI 数据处理、检索和高吞吐工作负载很有价值。

4.1 PostgreSQL 17:更好的数据处理与维护基础

PostgreSQL 17 于 2024 年 9 月 26 日发布。官方重点能力包括新的 VACUUM 内存管理机制、SQL/JSON 增强以及多项查询与 I/O 性能改进。

JSON_TABLE

JSON_TABLE() 可以把 JSON 数据映射为关系型结果,对于处理 LLM 工具调用结果、事件数据和半结构化输入很有价值。

VACUUM 内存改进

PostgreSQL 17 引入了新的 VACUUM 内部内存结构,官方表述为可消耗最多低至原来的二十分之一内存,同时改善 VACUUM 性能。这里应使用“最多 20 倍内存节省”的严谨表述,而不是把它理解为所有表、所有场景都固定下降到 1/20。

这对于高频更新的 Agent 状态、会话、事件和记忆表尤其值得关注,但不能据此得出“彻底解决膨胀问题”的结论。

4.2 PostgreSQL 18:AIO 是更值得关注的基础设施升级

PostgreSQL 18 于 2025 年 9 月 25 日发布。其显著变化之一是新的异步 I/O(AIO)子系统,用于提高顺序扫描、位图堆扫描、VACUUM 等场景的 I/O 并行度。官方说明称某些读取场景最高可获得约 3 倍的性能提升,但这依赖具体工作负载。

PG 18 提供 io_method、io_workers 等参数来控制 AIO 执行方式,并支持 worker、io_uring 和 sync 等选项。

这对 AI 有什么意义?

大规模向量表、知识库、日志与事件表,本质上都可能产生大量扫描与 I/O 请求。

因此,AIO 对 AI 的意义是:

改善 PostgreSQL 处理大型数据集时的通用 I/O 能力,而这些改进可以使 AI 数据工作负载间接受益。

4.3 PostgreSQL 18:JSON 性能与 AI 数据处理

PostgreSQL 18 对长 JSON 字符串的处理进行了 SIMD 优化,这对于 AI 场景中的 JSON 工具调用、结构化输出、事件数据处理具有一定帮助。

4.4 PostgreSQL 18:Table AM / Index 真正值得关注的是扩展边界

PostgreSQL 的访问方法体系使社区能够以扩展方式探索不同的数据访问与存储结构。PG 18 对 Index Access Method API 增加了 amgettreeheight 等函数,同时还进一步完善了相关接口。

对于 AI 架构而言,它的战略价值在于:

PostgreSQL 内核提供稳定的数据库执行、事务和扩展边界,而向量、列存以及其他特殊访问方法可以由生态组件继续创新。

4.5 PostgreSQL 19:AI 之外,图能力成为值得关注的新方向

截至本文修订时,PostgreSQL 19 仍处于开发/测试阶段,官方文档将其标记为 Development Version;2026 年 8 月已经发布 Beta 3,正式 GA 时间仍以 PostgreSQL 官方公告为准。

对于“PostgreSQL + AI”这一主题,PG 19 有一个非常值得关注的方向:

SQL/PGQ(Property Graph Queries)进入 PostgreSQL 19。

这意味着未来 PostgreSQL 在关系数据与图查询融合方面的能力边界可能进一步扩大。

除此之外,PG 19 还包含逻辑复制、Autovacuum、I/O、查询规划等方面的改进。这些虽然并非 AI 专属,但对大规模 Agent 数据平台具有基础设施价值。

五、从技术可行到企业落地:PG + AI 的四步行动指南

企业不应该从“迁移数据库”开始,而应该从“验证数据边界”开始。

5.1 第一步:从一个可衡量的 Agent 场景开始

建议优先选择:

  • 企业知识库问答
  • IT 运维知识助手
  • 工单智能助手
  • 数据查询与分析助手
  • 账号 / 资产 / 配置查询

不要一上来就设计完整的“AI 数据湖”。

5.2 第二步:建立统一的数据模型

建议至少统一以下对象:

Tenant
User
Document
Chunk
Embedding
Conversation
Memory
Task
Tool Call
Agent Event
Audit Event

这一步的核心不是数据库选型,而是建立稳定的数据实体模型与生命周期规则。

5.3 第三步:明确 Agent、数据库、模型服务的边界

推荐的企业级边界是:

6.png

这样可以避免把数据库、Agent 编排与模型服务做成一个巨大单体。

5.4 第四步:再做规模化性能优化

按照下面的顺序通常更合理:

RAG质量
  ↓
混合检索
  ↓
权限过滤
  ↓
Rerank
  ↓
索引与查询优化
  ↓
pgvectorscale / 分片 / 副本
  ↓
专业向量或搜索系统

即:先解决“找得对”,再解决“找得快”。

5.5 一个容易被忽略的企业指标体系

PG+AI 落地不能只看数据库 QPS,还应至少关注:

指标关注点
Recall@K召回质量
NDCG / MRR排序质量
P95 / P99端到端延迟
Token Cost模型成本
Cache Hit Rate缓存效率
Context Utilization上下文利用率
Memory Hit RateAgent 记忆有效性
数据新鲜度Embedding / 索引同步延迟
权限正确率越权风险
数据删除时延合规与生命周期

这套指标比单纯讨论“数据库能撑多少向量”更接近企业真实价值。

六、下一代 AI Agent 的统一多模智能数据底座

经过前面的讨论,一个更成熟的企业级架构可以抽象为“六层 + 两条横向协议/治理能力”。

6.1 六层逻辑架构

7.png

6.2 A2A 应该放在哪里?

应该放,而且是“横向能力”,不是数据库底座能力。

A2A(Agent2Agent)定位是让彼此独立、可能由不同框架或厂商构建的 Agent 进行发现、任务委派、状态交互与协作。当前 A2A 规范已经发展到 1.0,并提供 Agent Card、同步/流式/异步任务交互等机制。

因此,建议在企业 Agent 架构中将 A2A 画成一条横向 Agent 协作通道:

8.png

A2A 不负责存储 Agent 的长期记忆,也不取代数据库;它负责 Agent 之间“如何协作”。

6.3 MCP 与 A2A 的关系

企业架构中可以用一个非常容易理解的方式区分:

MCP:Agent ↔ Tool / Data / Service
      “我如何使用能力?”

A2A:Agent ↔ Agent
      “我如何和另一个 Agent 协作?”

PostgreSQL:Data / Memory / State
      “事实、记忆和状态存在哪里?”

当前 A2A 官方资料也把 MCP 描述为更偏“垂直能力接入”,而 A2A 则更偏“水平 Agent 协作”。

这三个概念放在一起,正好构成下一代企业 Agent 平台的重要基础抽象:

MCP 连接能力,A2A 连接 Agent,PostgreSQL 连接数据。

6.4 “统一数据底座”最终应该统一什么?

不应该只统一数据库实例,而应该统一以下对象和治理边界:

统一身份
   ↓
统一数据模型
   ↓
统一记忆模型
   ↓
统一检索接口
   ↓
统一权限过滤
   ↓
统一生命周期
   ↓
统一审计与可观测性

这比“所有东西都放到 PostgreSQL”更有价值。

6.5 什么时候 PostgreSQL 应该让位给专业系统?

这是本文必须补充的边界。

如果出现以下情况,就应认真评估专业系统:

超大规模向量检索

当向量规模、并发、召回率和成本要求明显超出单一 PostgreSQL 集群的经济范围时,可以引入专业向量数据库或搜索平台。

超大规模图计算

如果核心业务是复杂图遍历、图算法和超大规模关系网络,应考虑专用图数据库或图计算平台。

海量原始文件

图片、视频、音频、原始文档等仍然更适合对象存储;PostgreSQL 存储元数据、权限、索引信息和关键结构化状态。

高强度 OLAP / 数据湖分析

当数据分析已经进入 PB 级离线计算、复杂 OLAP 或数据湖场景,应采用专用分析系统,而不是强行用 OLTP 数据库承担全部任务。

最终形成:

PostgreSQL 做核心数据平面,专业系统做规模边界上的能力补位。

七、总结:PostgreSQL + AI 的真正战略价值

经过这次重新梳理,可以得到几个比“PG 是不是 AI 数据库”更重要的结论。

7.1 PostgreSQL 最重要的价值不是“向量数据库化”

pgvector 让 PostgreSQL 能够很好地承担向量存储与检索,但 PostgreSQL 真正不可替代的优势,来自:

关系数据 + 事务 + 权限 + JSON + 检索 + 向量 + 扩展生态。

7.2 “统一”应该优先,但不能绝对化

统一可以降低数据同步和运维复杂度,但专业系统仍然有存在的理由。

正确的原则不是:

“所有 AI 数据都放 PG。”

而是:

能统一就统一,达到专业系统的规模边界再拆分。

7.3 数据库应该做数据底座,Agent 平台应该做智能编排

企业级架构需要明确:

9.png

这套边界,比“把 AI 全部塞进数据库”更加长期可演进。

7.4 PostgreSQL 的下一阶段机会在“数据平面”

随着 Agent 从一次性问答走向长期运行,数据底座需要保存的不只是业务数据,而是:

+ Facts
+ Knowledge
+ Embeddings
+ Memory
+ State
+ Events
+ Audit
+ Relationships

这恰恰是 PostgreSQL 具有强项的数据世界。

7.5 最终结论

下一代企业 AI Agent 不需要一个“无所不能”的超级数据库,而需要一个可靠、可治理、可扩展的数据平面。

PostgreSQL 的最佳定位肯定不是成为 AI 编排中心,而是成为 Agent 的统一数据、记忆与状态底座;Agent 平台负责智能编排,AI Gateway 负责模型服务,MCP 负责能力接入,A2A 负责 Agent 协作。

当这些边界被正确划分后,PostgreSQL + AI 才真正具备从“能用”走向“可生产、可治理、可演进”的企业级价值。

延伸阅读与资源导航

PostgreSQL 官方

PostgreSQL AI 生态

Agent 协议

构建基于案例推理与本地小语言模型的自主数据科学智能体 在人工智能领域,智能体(AI Agent)的持续学习和记忆能力是提升其自主性与实用性的关键。传统智能体常面临“健忘”问题,即无法有效积累和复用历史经验。为解决此痛点,基于案例的推理(Case-Based Reasoning, CBR)技术提供了一种有效范式,它通过检索、复用、修订和保留过往案例来解决新问题,实现了经验的持续积累。结合检索增强生成(RAG)技术,智能体能够从结构化知识库中精准获取相关信息,增强生成内容的准确性与可靠性。在工程实践中,本地可部署的小语言模型(Small Language Mode 阅读详情

相关推荐

MuleSoft+LangChain企业级AI编排实战:打通数据孤岛与大模型

AI编排(AI Orchestration)是企业实现大模型落地的核心范式,其本质是将数据集成、业务逻辑调度与AI推理能力分层协同。它基于API治理与向量检索原理,通过MuleSoft保障企业系统连接性、安全合规与弹性伸缩,借助LangChain实现RAG增强、多步推理与Agent自主决策。该技术显著提升销售风控、客户挽留等实时智能场景的响应效率与审计可信度,尤其适用于存在CRM/ERP/SAP多源异构系统的中大型组织。本文聚焦真实生产环境下的双引擎协同设计与字段级脱敏、OAuth2.0鉴权等关键实践。

weixin_30591551的博客 342

云卷云舒【技术解析】:AI时代的智能数据底座--数据库从工具到平台

本文探讨了AI智能体时代下数据库技术的范式升级。随着智能体技术发展,数据形态从结构化向多模融合转变,催生了对智能体记忆治理的新需求。文章提出以PostgreSQL生态为代表的数据库作为智能体记忆底座的主流技术路线,构建了短时工作记忆、情景中期记忆和语义长期记忆的三层分级模型。相比文件存储方案,一体化数据库在事务处理、混合检索、分层治理等方面更具优势。当前主流AI数据库技术路线趋于统一,聚焦PG生态兼容、向量能力内生、AI计算下沉等方向。未来,数据库将作为智能体认知基础设施,通过统一治理释放数据运营复利价值,

云计算、数据库爱好者 460

【信息科学与工程学】【数据科学】数据科学领域-第十一篇 数据集成算法01

​​降低维护成本​​:通过抽象通用流程(如),当需要修改故障注入逻辑(如更换混沌工具)时,只需修改一处代码,无需修改所有测试用例;​​提升扩展性​​:通过参数化故障场景(如),可快速生成新的故障用例(如针对新服务的延迟故障),适应系统迭代需求;​​增强场景真实性​​:通过组合混沌操作(如),模拟真实生产环境中的复杂故障链(如“网络延迟+服务宕机”),更准确地验证系统韧性;​​提高分析效率​​:通过自动化结果分析(如),快速获取MTTR、错误率等关键指标,减少人工分析时间。

weixin_49199313的博客 957

不止湖仓一体!Databricks Lakebase 湖库一体,解锁 AI 原生统一数据底座

不止湖仓一体!Databricks Lakebase 湖库一体,解锁 AI 原生统一数据底座

帅的数说 532

同一台电脑使用模拟ModbusTcp主从通讯的时候,Wireshark抓取不到包

在使用ModBus Slave和Poll模拟主从通讯的时候,发现Wireshark怎么都抓取不到包怎么排查和解决?

HUJIANGMING的博客 707

实战指南:利用 LangGraph 的状态管理实现多轮对话的上下文隔离与持久化

本文详细介绍了如何利用LangGraph的状态管理机制,高效实现多轮对话中的上下文隔离与持久化。通过实战代码演示,从基础的消息历史管理到自定义状态扩展,再到使用SQLite进行生产级持久化,系统讲解了如何借助LangGraph的State和Checkpointer自动化处理对话记忆、用户隔离及数据存储,显著提升开发效率。

weixin_28396629的博客 490

MCP协议与Hermes Agent:构建标准化AI智能体协作生态

在AI应用开发领域,智能体(Agent)已成为连接大语言模型(LLM)与外部世界的关键组件。其核心原理在于通过标准化协议,使模型能够感知、调用并整合各类工具与数据源,从而突破纯文本生成的局限,实现复杂任务的自动化执行。这一技术价值在于将AI能力工程化、模块化,大幅提升了开发效率与系统可维护性。其典型应用场景包括动态信息检索(RAG)、自动化工作流、数据分析助手等。本文聚焦的Hermes Agent,正是基于Model Context Protocol(MCP)这一新兴标准构建的智能体框架。MCP协议如同智能

weixin_34290631的博客 325

zabbix 监控EMC存储

经过搜索,找到了脚本地址,该项目应该是模板原作者创建的,该项目也有zabbix模板,和上面的应该是相同的,我用的是上面的模板。./unity_get_state.py --api_ip='X.X.X.X' --api_port='443' --api_user='zabbix' --api_password='PASSWORD' --storage_name="zabbix web前端配置的主机名" --discovery。修改权限,给zabbix用户执行权限,模板调用时以zabbix用户执行。

wangyfde的专栏 3758

Spring Boot 4与Spring AI 2打造智能Agent平台

基于Spring Boot 4.1和Spring AI 2.0构建的智能Agent平台,支持多Agent选择、工具调用、技能加载和知识库检索等功能。

心若有所向往,何惧道阻且长。 442

轨迹规划——带抛物线过渡的直线插补

带抛物线过渡的直线插补

doudou2weiwei的博客 1986

YOLOv5改进 | 多尺度特征提取 | 结合多样分支块及融合的高级设计(CVPR2021)

YOLOv5改进 | 多尺度特征提取 | 结合多样分支块及融合的高级设计(CVPR2021)

qq_44224801的博客 2068

深度解析 n8n:下一代 AI Agent 工作流与自动化平台的终极指南

n8n(发音为n-eight-n)是一款基于 Fair-code 许可(可自托管、源码可用)的开源工作流自动化工具。完全自托管 (Self-Hosted):所有敏感业务数据、凭证与大模型上下文无需经过第三方服务器,符合企业数据合规(GDPR、等保三级)要求。低代码与高代码结合:既支持通过 UI 拖拽构建分支逻辑,也支持嵌入 JavaScript/TypeScript 表达式或直接执行原生 Python/Node.js 代码。原生 AI 扩展能力。

2604_96324884的博客 862

UE5实现物体高亮描边效果(含UE相关源码浅析)

UE5实现物体高亮描边效果

专注GIS开发 7335

大型制造业AI智能体平台解决方案:为每位员工配备专属AI伙伴,让AI扎根产线、赋能于人,连接产业

效率层面——AI将“人工小时级”响应变为“AI秒级”响应。首钢热轧排程效率提升80%,计划审核从1小时缩短至秒级,生产总结从40分钟压缩至3分钟。美的荆州工厂平均提效80%,排产响应速度提升90%,首检时间由15分钟缩短至30秒。成本层面——美的2025年通过AI降本达7亿元,对比2024年的1.8亿元增长289%;超过1.35万个AI智能体在全业务链运行,全年提效超过1500万小时。首钢采用开源大模型路线,仅两台本地服务器实现年收益超1100万元。规模层面——美的每天有1.3万个智能体在运行;

zhengliebin的博客 1128

【异常】解决 Cursor 报错 Unexpected seqno: 2 != 1. Please try again, or contact support if the issue 的排坑指南

在使用 Cursor 辅助编程时,你是否遇到过 AI 突然中断输出,并在右下角弹出一个红色的 Network Error 弹窗?今天我们就来彻底解析并解决这个网络断连问题。

奶爸的编程之路,也就一周冷个三天 2487

时间序列预测 | Python实现LSTM时间序列数据预测

目录LSTM神经网络LSTM原理LSTM数据下载LSTM程序设计导入Python包时序数据处理LSTM模块定义模型训练模型评估参数设定运行结果参考资料致谢 LSTM神经网络 长短期记忆网络——通常简称为“LSTM”——是一种特殊的 RNN,能够学习长期依赖关系。它们由Hochreiter & Schmidhuber (1997)引入,并在后续工作中被许多人提炼和推广。1它们在处理各种各样的问题时效果非常好,现在被广泛使用。LSTM 被明确设计为避免长期依赖问题。长时间记住信息实际上是他们的默认行为

前程算法屋的博客 3912

工业具身智能底座:破解异构设备协同与实时调度的工程化难题

在工业自动化领域,实现设备间的协同作业与实时控制是迈向智能化的核心挑战。其原理在于通过统一的软件架构,将异构的物理设备(如机械臂、AGV、PLC)抽象为可编程的数字模型,并借助高可靠通信中间件实现数据与指令的同步。这一技术价值在于,它将分散的‘信息孤岛’整合为可集中调度的虚拟工厂,大幅提升了系统的可靠性与开发效率。典型的应用场景包括柔性产线、无人仓储和协同装配等需要多智能体协作的复杂环境。本文聚焦的‘工业具身智能底座’正是为解决上述工程化难题而提出的平台化方案,它通过设备接入与数字孪生、资源调度等关键组件,

weixin_30463341的博客 518

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

AI Agent 搜索 MCP 推荐:数据业务类工具分层对比选型

整体来看,MCP 生态下的搜索类工具已形成不同层级的产品矩阵,单点工具适配特定场景的轻量化需求,核心基建支撑生产级体系化部署,二者互为补充,分别适配不同阶段与规模的 Agent 开发需求。AnySearch 作为数据 & 业务 Agent 分类下的核心基建型产品,凭借自建多源垂直体系、智能意图路由、标准化结构化输出、架构级隐私防护与原生 MCP 适配能力,为生产级智能体提供了体系化的搜索能力支撑。

2201_75994616的博客

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

企业级AI智能体平台构建:从架构设计到落地实践

AI智能体作为连接大语言模型与实际业务的关键技术组件,其核心原理在于通过工具调用、记忆管理和工作流编排,赋予模型感知、决策与执行能力。这一技术价值在于将通用AI能力转化为可解决特定业务问题的智能应用。在企业级应用场景中,智能体需要与内部系统集成、处理私有数据,并满足安全合规要求,这催生了对统一开发与治理平台的强烈需求。本文以构建企业级智能体平台为例,深入探讨了如何通过分层架构设计,整合**知识库与向量检索**服务及**细粒度权限控制**等核心模块,实现智能体的安全、高效开发与规模化部署,为企业AI落地提供坚

weixin_33910460的博客 411

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

Ai-Agent学习历程—— 阶段3——RAG 与记忆机制

基于学习大纲我们有了一个简单的地图,从官网的资料进行对应,主要是以下三部分过程中可以进行参考官方文档,但有一些可能会基于目前最新的资料进行适当的更改,让我们愉快的开始吧!这里为您梳理第一节:ETL 数据智能清洗与高阶分块的学习地图。本节将带您攻克数据进入向量数据库之前的“清洗、结构化解析、智能切分与父子文档关联”全流程,彻底打牢 RAG 的数据地基。以现在大模型的发展来说,200K的上下文甚至接近300K的都有,几本书是不成问题的,那切片的意义又在哪?核心原因有三个:在 RAG 系统中,用户提问后,我们不能

蓝桉 863

企业级Agent知识库构建:基于Postgres的混合检索架构设计与实践

在构建企业级智能问答系统时,知识库的检索能力是核心基础。传统的关键词匹配和向量检索各有局限,混合检索技术应运而生,它结合了词法检索的精确性和语义检索的理解能力,能更好地满足企业场景下对准确性和语义理解的双重需求。其技术价值在于通过统一的检索接口,为Agent提供可靠、全面的知识存取能力,显著提升问答的准确性和覆盖率。典型的应用场景包括企业内部技术文档查询、产品手册检索、规章制度解读等,尤其擅长处理如政策条款编号、错误代码等需要精确匹配的查询。本文以PostgreSQL为技术底座,深入探讨了如何通过Store

weixin_34127717的博客 390

Agent Harness框架:构建生产级AI Agent的工程化实践指南

在AI应用开发中,大语言模型(LLM)和智能体(Agent)是核心的技术概念。LLM提供了强大的认知与生成能力,而Agent则基于此,通过提示词工程和思维链等模式,具备了使用工具、规划步骤和自主决策的潜力。其技术价值在于将AI的通用能力转化为解决特定业务问题的实际应用。然而,从原型到生产环境,Agent面临着稳定性、可观测性、工具调用和安全合规等一系列工程挑战。应用场景广泛,从智能客服、数据分析助手到自动化工作流编排,都需要可靠的底层支撑。这正是Agent Harness框架解决的问题,它作为一套**生产级

weixin_34195142的博客 351

AstronRPA:企业级RPA+AI Agent共生架构解析

RPA(机器人流程自动化)作为连接人、系统与数据的智能执行层,其核心价值在于稳定、可审计、可编排的业务自动化能力;而AI Agent则通过感知、决策与执行闭环,赋予自动化以语义理解与动态适应性。二者融合并非简单API调用,而是需在执行抽象、流程状态管理、智能分层与运行时隔离等维度深度解耦与协同。AstronRPA提出的‘RPA+AI Agent共生架构’,将UI操作语义化、流程异常自治化、AI能力插件化,显著提升自动化在ERP、OA、邮件、PDF等复杂企业场景中的鲁棒性与可维护性。该架构特别适用于需兼顾合规

weixin_29098367的博客 268

OpenMontage:开源agentic视频生产框架解析

视频生产是一种典型的多模态、多阶段、高耦合任务,传统端到端大模型难以兼顾精度、可控性与工程落地性。agentic架构通过将复杂流程拆解为职责明确、接口标准化的智能体(Agent),实现任务分解、资源调度与结果组装的闭环。其核心价值在于提升质量可控性、支持异构模型混用、保障长周期流程的状态一致性,并天然适配本地化、可审计、可扩展的工业级媒体生产需求。OpenMontage作为专注video production的open-source实现,提供了契约化Agent协议、声明式YAML编排、持久化状态管理与混合硬

weixin_34254848的博客 114

AgentScope Java 2.0.1 深度拆解:阿里为什么用 Java 重写 Agent 框架

一个框架为什么值得用一个新语言重写,最诚实的答案永远是用户在哪。AgentScope Java 官方披露的内部落地场景:飞猪、淘宝闪购、1688、千问 APP、高德、蚂蚁国际……十余条业务线。这些业务的后端主力栈是什么?Java。阿里内部最大的存量工程资产就在 JVM 上——数以万计的 Spring 服务、成熟的 K8s 运维体系、现成的 Redis/MySQL/OSS 基础设施。让这些团队用 Python 写 Agent 再跨语言对接,不如把 Agent 框架带到 Java 的主场上来。

老刘的望远镜 826

LangChain、LlamaIndex与ModelScope三框架协同实战指南

RAG(检索增强生成)和AI Agent是当前企业级大模型应用的核心范式,其落地依赖于数据检索、工作流编排与模型服务三大能力的有机协同。LangChain提供可调试、可监控的链式任务调度能力,LlamaIndex专注非结构化数据的高精度、低延迟语义检索,ModelScope则以开箱即用的Notebook环境、预置CUDA生态与OSS无缝集成,大幅降低模型部署门槛。三者并非替代关系,而是分层互补:LlamaIndex夯实检索底座,LangChain构建交互逻辑,ModelScope承载模型与算力。本文基于制造

weixin_33842304的博客 553
上一篇: PostgreSQL 日报|离线校验和导致备库状态异常(9 月 10 日)
下一篇: PostgreSQL 日报|Migrator 1.0 稳定版发布(9 月 11 日)
IvorySQL
博客等级 码龄5年 745粉丝 566原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值