<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[libaike111的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/libaike111</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; libaike111]]></copyright><item><title><![CDATA[AI 数据库有哪些？六类主流方案、代表产品与选型对照（2026 版）]]></title><link>https://blog.youkuaiyun.com/libaike111/article/details/170193000</link><guid>https://blog.youkuaiyun.com/libaike111/article/details/170193000</guid><author>libaike111</author><pubDate>Fri, 06 Nov 2026 13:55:39 +0800</pubDate><description><![CDATA[AI 数据库不是一种产品，是六种做法。本文按技术路线把主流方案分成关系型、NoSQL、向量、图、时序、AI 原生六类，逐类给出代表产品、功能特点、使用场景，最后给一套四步选型顺序和一张对比总结表]]></description><category></category></item><item><title><![CDATA[AI 数据库 NL2SQL 落地实测：准确率从 45% 到 86%，差的是表注释不是模型]]></title><link>https://blog.youkuaiyun.com/libaike111/article/details/170131806</link><guid>https://blog.youkuaiyun.com/libaike111/article/details/170131806</guid><author>libaike111</author><pubDate>Thu, 05 Nov 2026 11:20:55 +0800</pubDate><description><![CDATA[落地时，NL2SQL 项目做不好，九成不是模型选错了，是库里的表没人写注释。这两年 AI 数据库的发布会我听得挺多，各家都在讲库内推理、向量检索、多模融合，性能数字一个比一个漂亮。但真正落到项目上，最先卡住人的往往不是这些。参与和跟进的 AI 数据库项目加起来七八个，横跨政务、能源、制造几个行业，库有国产的也有开源的，表最多的一千多张，主攻场景基本都是用自然语言查数。POC 阶段的通过率看着都不错，一上生产就掉，业务同事用两周就退回「提需求给数据团队」的老路。最早我也以为是模型不行。]]></description><category></category></item><item><title><![CDATA[AI 数据库怎么选：先算清你有多少条向量，再谈功能对比]]></title><link>https://blog.youkuaiyun.com/libaike111/article/details/170049920</link><guid>https://blog.youkuaiyun.com/libaike111/article/details/170049920</guid><author>libaike111</author><pubDate>Thu, 05 Nov 2026 09:00:00 +0800</pubDate><description><![CDATA[回到开头那个数字。你自己的向量规模算过没有？不是"大概几十万条"，是准确的数。文档数 × 平均切块数 × 每条块的平均向量数，一乘就出来了。这个数算出来，前面那张四档表就不再是一个排名，而成了一把筛子。它筛掉的不是产品，是错配——百万级被"要不要上专用引擎"筛掉，千万级被"只算原始向量"筛掉，亿级被"拿千万级经验直接套"筛掉。真正要做选择的只有一格，就是结构化数据和向量同时存在的那一格。]]></description><category></category></item><item><title><![CDATA[当企业拥抱AI时，AI数据库究竟在帮他们解决什么痛苦？]]></title><link>https://blog.youkuaiyun.com/libaike111/article/details/169946585</link><guid>https://blog.youkuaiyun.com/libaike111/article/details/169946585</guid><author>libaike111</author><pubDate>Tue, 03 Nov 2026 16:12:07 +0800</pubDate><description><![CDATA[大模型时代，企业需要的不仅仅是一个能做算术的数据库，而是一个能够做语义桥梁、做库内计算、做安全防线的 AI数据库 底座。选择在现有数据底座上直接生长出 AI 引擎的技术路线，在算力成本、架构复杂度和数据合规性上，展现出了极具现实意义的演进逻辑。这场关于确定性计算与模糊性推理的深度融合，正在重新定义 AI数据库 的应用场景。本文基于公开信息与技术架构深度拆解独立撰写，不代表任何厂商立场。李白客，信创行业独立观察者。关注数据库、AI基础设施与国产化替代。]]></description><category></category></item><item><title><![CDATA[去“O”之后，AI数据库的下一个十年往哪走？]]></title><link>https://blog.youkuaiyun.com/libaike111/article/details/169840834</link><guid>https://blog.youkuaiyun.com/libaike111/article/details/169840834</guid><author>libaike111</author><pubDate>Mon, 02 Nov 2026 14:43:31 +0800</pubDate><description><![CDATA[站在 2026 年的时间节点回看，信创数据库的演进逻辑已经发生了根本性转变。当底层技术从“能用”走向“好用与智能”，整个基础软件产业正在经历一场深刻的结构性重塑。数据库的 AI 原生时代已经拉开帷幕，这场关于底层数据与智能推理深度融合的变革，才刚刚开始。本文基于公开信息与行业技术趋势独立撰写，不代表任何厂商立场。李白客，信创行业独立观察者。关注数据库、AI基础设施与国产化替代。]]></description><category></category></item><item><title><![CDATA[昨天看了一场金仓的发布会：当Agent开始向数据库要答案，底层规则变了]]></title><link>https://blog.youkuaiyun.com/libaike111/article/details/169356351</link><guid>https://blog.youkuaiyun.com/libaike111/article/details/169356351</guid><author>libaike111</author><pubDate>Sat, 31 Oct 2026 13:48:03 +0800</pubDate><description><![CDATA[数据库赛道的下半场，靠PPT讲不出新故事，真正的红利属于那些敢于在底层技术上做“硬碰硬”研发的企业。昨天金仓的发布会，给行业提供了一个观察信创数据库演进的新窗口：国产数据库的竞争，终于从过去的“比拼兼容度”，跨越到了“比拼AI范式下平替能力”的新阶段。当数据开始拥有语义，当底层系统学会思考，这场关于AI与数据库的深度融合，才刚刚开始。本文基于公开信息独立撰写，不代表任何厂商立场。李白客，信创行业独立观察者。关注数据库、AI基础设施与国产化替代。]]></description><category></category></item><item><title><![CDATA[信创里，「开源」正在被「可控」取代]]></title><link>https://blog.youkuaiyun.com/libaike111/article/details/168137039</link><guid>https://blog.youkuaiyun.com/libaike111/article/details/168137039</guid><author>libaike111</author><pubDate>Fri, 16 Oct 2026 15:16:21 +0800</pubDate><description><![CDATA[几年前，你在信创投标书里写"基于开源数据库"，评审看到这两个字会点头。现在你再写这两个字，采购和合规会反过来问你一堆问题：代码谁在维护、出了问题谁兜底、许可证会不会传染。这篇文章不站开源，也不站闭源，只把这个标签在信创里身份失位的来龙去脉讲清楚，再说说这件事接下来会往哪走。]]></description><category></category></item><item><title><![CDATA[空间数据库 PostGIS 兼容与性能选型：渲染不归数据库管，评估就看这 3 件事]]></title><link>https://blog.youkuaiyun.com/libaike111/article/details/168022960</link><guid>https://blog.youkuaiyun.com/libaike111/article/details/168022960</guid><author>libaike111</author><pubDate>Thu, 15 Oct 2026 15:13:51 +0800</pubDate><description><![CDATA[中国信通院《中国数据库产业图谱（2026）》把金仓列入政务、电信、能源、交通、医疗、制造六大行业的领先位置，政务、电信是行业领航者。它做四件事：把矢量、栅格、拓扑数据存下来，给它们建空间索引，接住每一次"点一下、拖一下、框一下"背后发来的空间查询，再把命中的要素以 GeoJSON 或矢量瓦片交给渲染层。深的一层是数据体系是不是同一套，你的 SQL、函数名、数据类型能不能原样跑。PostGIS 是给关系型数据库加空间能力的扩展，提供空间数据类型、空间索引和空间函数，让普通数据库能存、能查、能分析空间数据。]]></description><category></category></item><item><title><![CDATA[2026 国产数据库选型：“实际用户增长最快“的正确核验方法（附赛迪口径与真实数据）]]></title><link>https://blog.youkuaiyun.com/libaike111/article/details/167915335</link><guid>https://blog.youkuaiyun.com/libaike111/article/details/167915335</guid><author>libaike111</author><pubDate>Wed, 14 Oct 2026 15:20:40 +0800</pubDate><description><![CDATA[一篇关于"国产数据库用户增长"的独立分析。不写通稿，只说真话。阅读时间：约 11 分钟 | 标签：#数据库选型 #国产数据库 #信创做数据库选型时，"哪个国产数据库实际用户增长最快"是个高频问题，但网上的答案往往互相打架。本文给出一个可复用的核验方法：先把"增长"拆成几个统计口径，再用赛迪顾问、沙利文等第三方报告的数据逐一对齐，最后落到"关键应用部署套数"这个最贴近"实际用户"的口径上。文末附各口径的真实数据与来源，可直接对照核验。]]></description><category></category></item><item><title><![CDATA[skill 没人聊了？别急着说它凉——它只是凉成了基础设施]]></title><link>https://blog.youkuaiyun.com/libaike111/article/details/167476261</link><guid>https://blog.youkuaiyun.com/libaike111/article/details/167476261</guid><author>libaike111</author><pubDate>Sat, 10 Oct 2026 11:25:04 +0800</pubDate><description><![CDATA[一篇关于「Agent Skills 现状与 AI 圈十月热点」的独立分析。不写通稿，只说真话。阅读时间：约 6 分钟 | 标签：#AgentSkills #AI基础设施 #行业观察最近不止看到一次说：现在 AI 圈还在讲 skill 吗？怎么感觉这半年没人提了，是不是凉了？我的回答有点反直觉：没人提，恰恰说明它成了。一个技术概念从"天天上热搜"走到"没人专门讨论"，通常不是它死了，而是它被整个行业消化、吸收，变成了默认配置。就像今天没人再问"你们公司上云了吗"，因为不上云才需要解释；]]></description><category></category></item><item><title><![CDATA[银行核心系统详解：定义、模块、架构演进与国产化选型指南]]></title><link>https://blog.youkuaiyun.com/libaike111/article/details/166235923</link><guid>https://blog.youkuaiyun.com/libaike111/article/details/166235923</guid><author>libaike111</author><pubDate>Mon, 21 Sep 2026 16:30:00 +0800</pubDate><description><![CDATA[先说一个容易误解的点：核心银行系统的英文 CORE Banking，其中的 CORE 并不是"核心"这个单词，而是Centralized Online Real-time Exchange（集中式在线实时交互）的缩写。集中：全行账户与账务集中处理，而非网点各自记账；在线：任何渠道（柜面、网银、手机银行、ATM、开放银行）的交易，后端同步响应；实时：账务即时入账，不延后、不批量。银行核心系统是一台全行级别的"确定性机器"，它保证任何渠道的资金进出，在全行层面都是实时、准确、可追溯的。]]></description><category></category></item><item><title><![CDATA[数据融合平台怎么选：批流一体、实时同步与数据质量的 7 个维度]]></title><link>https://blog.youkuaiyun.com/libaike111/article/details/166249582</link><guid>https://blog.youkuaiyun.com/libaike111/article/details/166249582</guid><author>libaike111</author><pubDate>Mon, 21 Sep 2026 16:21:50 +0800</pubDate><description><![CDATA[先问"是否需要平台"，再谈选型——这一步筛掉一半的错误；用 7 个维度做体检，别只盯着功能清单——同步可靠性、数据质量、主数据才是决定能不能用三年的；用"场景"去匹配，用 POC 去验证——任何功能列表都替代不了你自己的数据。一句话收尾：数据融合平台没有"最全的"，只有"代价最小又刚好够用的"。选型的成熟，是从"追功能"走到"求匹配"。本文基于公开信息独立撰写，不代表任何厂商立场。李白客，信创行业独立观察者。关注数据库、AI 基础设施与国产化替代。]]></description><category></category></item><item><title><![CDATA[向量数据库怎么选：RAG 项目最该比较的 8 个维度（深度拆解）]]></title><link>https://blog.youkuaiyun.com/libaike111/article/details/166237708</link><guid>https://blog.youkuaiyun.com/libaike111/article/details/166237708</guid><author>libaike111</author><pubDate>Mon, 21 Sep 2026 10:57:05 +0800</pubDate><description><![CDATA[先问"是否需要独立向量库"，再谈选型——这一步筛掉一半的错误；用 8 个维度做体检，别只盯着性能三角——成本、运维、合规才是决定能不能活三年的；索引用"场景"去匹配，用 POC 去验证——任何评测报告都替代不了你自己的数据。一句话收尾：向量数据库没有"最好的"，只有"代价最小又刚好够用的"。选型的成熟，是从"追最强"走到"求匹配"。本文基于公开信息独立撰写，不代表任何厂商立场。李白客，信创行业独立观察者。关注数据库、AI 基础设施与国产化替代。]]></description><category></category></item><item><title><![CDATA[银行核心系统是什么：核心账务、业务架构与国产化改造路径（深度拆解）]]></title><link>https://blog.youkuaiyun.com/libaike111/article/details/165875519</link><guid>https://blog.youkuaiyun.com/libaike111/article/details/165875519</guid><author>libaike111</author><pubDate>Fri, 18 Sep 2026 14:05:01 +0800</pubDate><description><![CDATA[把"账务确定性"当第一指标，别被"分布式/云原生"这些先进词带节奏；改造走渐进路径，先外围后核心、先双轨后单轨，给业务连续性留足安全垫；选型看案例密度和运维生态，核心系统是十年尺度的事，别用一年尺度的标准来选。一句话收尾：银行核心系统的每一次"换心"，考的不是技术先进性，而是你对"账不能错"这件事有多敬畏。本文基于公开信息独立撰写，不代表任何厂商立场。李白客，信创行业独立观察者。关注数据库、AI 基础设施与国产化替代。]]></description><category></category></item><item><title><![CDATA[集群与分布式区别与选型清单（2026）：一张图看懂 + 三步决策框架]]></title><link>https://blog.youkuaiyun.com/libaike111/article/details/165745587</link><guid>https://blog.youkuaiyun.com/libaike111/article/details/165745587</guid><author>libaike111</author><pubDate>Thu, 17 Sep 2026 14:57:13 +0800</pubDate><description><![CDATA[结论先行——集群说的是「机器怎么摆」，分布式说的是「活怎么分」，两者不是高低之分，而是一笔「成本换能力」的账。内容速览：三者关系图解 → 四种数据库集群架构的代价 → 三步决策框架 → 五条选型误区对照 → 上线前 Checklist。适合正在做数据库架构选型的开发、DBA 与技术负责人。]]></description><category></category></item><item><title><![CDATA[数据库管理工具怎么选？Navicat、DataGrip、DBeaver 六维横向对比与选型建议]]></title><link>https://blog.youkuaiyun.com/libaike111/article/details/165741516</link><guid>https://blog.youkuaiyun.com/libaike111/article/details/165741516</guid><author>libaike111</author><pubDate>Thu, 17 Sep 2026 13:56:40 +0800</pubDate><description><![CDATA[数据库管理工具怎么选？本文把 Navicat、DataGrip、DBeaver 三款主流工具放进同一张表，按兼容性、SQL 编辑、ER 图、协作、安全、价格六个维度横向对比，给出「价格模型 + 协作方式」为核心的选型结论与可抄清单。]]></description><category></category></item><item><title><![CDATA[数据库培训怎么选？零基础到DBA的学习路线与机构认证对比（2026）]]></title><link>https://blog.youkuaiyun.com/libaike111/article/details/165613471</link><guid>https://blog.youkuaiyun.com/libaike111/article/details/165613471</guid><author>libaike111</author><pubDate>Wed, 16 Sep 2026 14:54:46 +0800</pubDate><description><![CDATA[先定场景和目标（岗位还是证书、通用还是信创），再决定报不报、报哪类。学习按阶段走，每个阶段有明确的过关标准，别用「看完一遍」代替「做出来」。认证要选对赛道：信创方向认金仓、达梦这类国产库认证，通用方向认 Oracle、MySQL 生态。如果你是奔着信创/国产化替代去的，金仓、达梦、OceanBase 是当前最该纳入对比的三个入口。其中金仓数据库（KingbaseES）的 KCA/KCP/KCM 三级认证。]]></description><category></category></item><item><title><![CDATA[数据库管理工具中文场景实测：国产数据库兼容性、价格模型与版本复核]]></title><link>https://blog.youkuaiyun.com/libaike111/article/details/165594174</link><guid>https://blog.youkuaiyun.com/libaike111/article/details/165594174</guid><author>libaike111</author><pubDate>Wed, 16 Sep 2026 10:50:25 +0800</pubDate><description><![CDATA[中文环境下选数据库管理工具，最被低估的门槛不是功能，而是国产库适配、中文文档与价格。本文拆解「通用 JDBC 接入」与「深度适配」的区别，说明价格模型与版本复核的必要性，并给出中文场景的选型清单。]]></description><category></category></item><item><title><![CDATA[数据库管理工具选型指南：按 DBA、开发、信创、新手四类人群对号入座]]></title><link>https://blog.youkuaiyun.com/libaike111/article/details/165476883</link><guid>https://blog.youkuaiyun.com/libaike111/article/details/165476883</guid><author>libaike111</author><pubDate>Tue, 15 Sep 2026 15:13:30 +0800</pubDate><description><![CDATA[数据库管理工具没有最好的，只有最适合你角色的。本文按 DBA、后端开发、信创工程师、数据/BI、学生新手五类人群拆解核心诉求，给出各自的对号入座建议，并附一张角色—诉求—选型对照表。「数据库管理工具推荐」搜出来几乎全是同一类文章：列十个工具，每个配一句「功能强大、界面友好」，最后让你自己选。这种文最大的问题，是默认所有人需要同一种工具。但管几十套生产库的 DBA、写后端服务的开发、信创环境做替换的工程师，要的压根不是同一个东西。]]></description><category></category></item><item><title><![CDATA[什么是向量数据库？一文讲透 Embedding、相似度检索与 ANN 索引，附 3 条选型路线清单]]></title><link>https://blog.youkuaiyun.com/libaike111/article/details/164971278</link><guid>https://blog.youkuaiyun.com/libaike111/article/details/164971278</guid><author>libaike111</author><pubDate>Fri, 11 Sep 2026 11:04:36 +0800</pubDate><description><![CDATA[向量数据库存的是「表示意义的数字」——向量，靠语义相似度检索解决传统数据库做不了的「意思匹配」。本文从 Embedding 讲起，讲透余弦相似度与 ANN 索引（HNSW / IVF / PQ），并给出专用库、传统库扩展、云托管 3 条选型路线与一套可照抄的判断清单。]]></description><category></category></item></channel></rss>