各位,我是老张。今天从一次实战出发,往下拆一层。
上周一个做 AI 数据库选型的朋友来找我。他说模型换了三回,答案还是飘。我问他业务语义放哪儿,他说在应用层的配置表里。我又问向量存哪儿,他说单独一套向量库。我再问权限谁在控,他停了两秒没答上来。
这三句话凑一起,就是很多 AI 数据库项目最常见的故障顺序。先上模型,再补检索,语义和权限最后补。顺序一错,后面每一步都在还前面欠的债。我把这种搭法叫三件套外挂,语义外挂、检索外挂、权限外挂。
外挂不是不能用,是每件都要额外付运维费。四套系统意味着四份备份、四份监控、四套升级窗口。真出事,你还得先判断是哪一套挂了。这一步通常比修复本身更花时间,所以这篇不聊概念,按库内五层往下拆。
图 1:外挂与库内五层对照
把 AI 数据库的能力放进内核,说的是五件事由库自己扛。语义、推理、检索、图化、安全,一件都不往外搬。代价是选型时得多看一层,收益是后面少还三笔账。这也是 AI 数据库跟"数据库加个向量插件"的分界线。
先看两种搭法差在哪。这张表按五个维度对照,都是我做方案时最先问的几项。维度选得对不对,直接决定后面要不要返工。看完再逐层拆,每层我都会把边界带上。
| 维度 | 三件套外挂 | 库内承载 |
|---|---|---|
| 数据搬运 | 向量、图各存一份,靠任务追 | 原地加工,不复制 |
| 语义新鲜度 | 外置层追 DDL,常滞后 | 语义与物理数据同库维护 |
| 权限与审计 | 原库策略到不了外部系统 | 权限、行级控制、审计沿用 |
| 链路延迟 | 应用、语义层、向量库、模型四跳 | 库内一跳,少三次序列化 |
| 运维对象 | 库、向量库、图库、推理服务四套 | 一套集群,多模承载 |
表里第三行和第四行是联动的。外部系统一多,权限策略就得复制一遍。复制的过程里,最容易丢的是行级控制和审计留痕。等合规检查要看日志,才发现两套系统的账号对不上。所以链路长不只是慢,还难追。
一、语义不搬出库,AI 数据库才谈得上懂业务
语义本质上是另一种元数据,不是文档。表加了字段,口径和规则都得跟着改。外置语义层靠同步任务去追,追得上 DDL 变更,追不上人对口径的临时解释。库内的做法是把语义定义成原生对象,实体、属性、关系、业务口径、规则、标签都算。这些对象和物理数据同库维护,改表时顺手就把语义改了,不用额外发一次同步。外置方案隔着一层网络加一次调度,周期一拉长,答案就开始飘。
构建方式也得说清,不然容易变成纯手工活。先靠规则和识别做推荐,再由人来审核校准。整条路走的是自动识别、人机协同、持续演进三段。人只处理判断,不处理录入,工作量差一个量级。
光能建还不算完,语义是会长的东西。业务口径三个月一小改,半年一大改,所以还要有变更订阅和版本管理。语义资产得跟着业务一起演进,这条要求看着软,实际最见真章。改一次口径要动三个系统的配置,外置方案最先崩。
二、推理放进 AI 数据库,钱才不花在搬运上
AI 数据库里的原始数据,大多是 CLOB、BLOB 这类形态。要参与检索,先得向量化。向量化放在库外,等于读出来、转一遍、再写回去。来回三趟 IO,还要多一次序列化。
库内的做法是集成 ONNX 推理框架,向量化就地完成。它支持独立租户或独立集群节点部署,意思是推理负载不跟交易抢资源。这点很关键,批量向量化会带来 IO 抖动。抖一下,线上查询就跟着慢。
向量检索这块,有一组数字必须连条件一起看。KES 用的是 DiskANN 索引,自主实现了向量的删除与更新机制。相同召回率下,内存占用降低 95.4%。条件是 1 亿条向量、768 维、98% 召回率,环境是 128 核 ARM、256GB 内存、麒麟 V10。
条件不写全,这个数字就没法用。所以我照抄了一遍,一个都不省。这 95.4% 怎么省出来的,得从索引结构讲起。这里只给结论。结论只有一句:容器规格能压到哪一档,一算就清楚。
除了向量检索,库内还有融合检索这条路。关系条件、文本关键词、向量相似度可以在一次查询里给出结果。外置方案做同样的事,得先把三份数据对齐,再在应用层拼结果。拼出来的排序对不对,很难验。这也是融合检索在 AI 数据库里更稳的原因。
三、图留在 AI 数据库,表变图不用搬数据
图这块的思路跟向量不一样。多跳关联用二维表硬算,执行路径会退化。跳数一多就成了嵌套循环。搬去图库能算,但数据要复制一份。
库内的做法是视图映射,让关系数据直接参与图计算。表变图即变,数据一步都不动。一致性就不需要额外机制去保证,多跳查询还能跟关系查询共用统计信息。图化机制我在另一篇里拆过,这里只说边界。
边界要说清,免得把话说满。库内图计算的优势在多跳关联和路径分析。超大规模型的全图算法是另一条路,那类任务本来就该用专用产品。判断标准很简单,就看数据要不要实时。只要实时,就别搬。
顺带一句,这也是确定性计算和模型推理的分工点。模型擅长理解和生成,算数、关联、聚合这些交给库。两边各干各的,结果才可复现。AI 数据库的价值,一半就在这个分工上。
四、权限跟着 AI 数据库走,审计才不断链
这条放在 AI 数据库上尤其要紧。数据复制到外部向量库、图库之后,原库的权限和审计策略就管不到那边了。等于在体系外又开了一套数据副本,治理成本要再付一遍。两份副本的脱敏口径也很难保持一致。大模型自身的安全防护也不够,它能被绕,也能被提示词带偏。所以边界不能画在模型上,画在那儿等于让被看管的人自己定规矩,得画在数据访问那一层。
库内的做法是把既有机制全部沿用。权限管理、访问控制、行级控制、操作审计,一样不少,SQL 防火墙也在这套体系里。AI 负责理解和任务规划,涉及企业数据的访问仍受库约束。权限可继承、执行可管控、行为可追溯,落到实现上就是三张表加一套日志。
这条对智能体尤其重要。智能体能自己拆任务、自己连库。权限画不清,就是给一个会自己找路的程序开了后门。所以我一直说,AI 数据库的权限体系得比传统库更严,不是更松。
五、AI 数据库接智能体,工具数量不是重点
这套库给了两样东西。第一样是 KES MCP Server,把语义获取、数据操作、库管理做成工具接口,数量 10 个以上。第二样是 Skills 技能包,开发、部署、优化、诊断、迁移都藏在里面,数量 30 个以上。两样加起来,覆盖接入和操作两段。
数量只是入口,后面还有三层约束。工具清单决定模型能碰到什么。账号权限决定它实际能改什么。审计日志决定事后能不能查清。三层缺一层,这套接入就只能演示,不能上线。
接口这层还有两样常被忽略的东西:RAG 接口和记忆接口。RAG 接口让检索走库内语义,记忆接口把会话上下文留在库里。两者指向同一个原则,数据不往外搬。这也是 AI 数据库接智能体的前提。
再往下是具体场景。NL2SQL 智能体融合库内语义和记忆,千表规模下 SQL 生成准确率 ≥95%,这是实验室测试口径。运维智能体结合内核指标、日志和运维经验。它给出 300 多个指标,复杂问题定位准确率 >90%。同样是实验室口径,同样要带条件。带星号的数字,引用时得把条件一起带上。
场景这层其实已经有人在跑。常见的三类是金融智能风控、政务智能问答、智能运维。三个场景有个共同点:数据敏感、口径复杂、要对人交代。这三条正好是外挂方案最难受的地方。
六、复盘一次顺序错误,AI 数据库该先立约束
说个我见过的顺序,细节做过脱敏。第一步先搭向量库,三个月后发现召回不准。第二步补语义,补在应用层。又过两个月,发现口径改一次要动三处配置。第三步才回头核权限。
核出来才发现,三个业务线的只读账号是同一个。三次返工加起来,工期拉了近一倍。真正的问题不在任何一步的选型,而在顺序:先搬数据,后补约束。第一步要是把语义和权限放在数据旁边,后两次返工不会发生。
我写这个案例,不是要否定外挂。轻量场景、非敏感数据、离线分析,外挂够用还省事。但只要数据敏感、口径常变、审计有要求,顺序就得反过来排。这也是 AI 数据库选型最容易被忽略的一道题。
七、四个问题定方向,AI 数据库选型不用猜
选型时我先问四个问题,不听概念。这张表是我自己的判断口径,问完基本能定方向。四个问题都不长,但每个都能问出实话。方案汇报放到后面看,顺序别反了。
| 判断项 | 偏库内承载 | 可以外挂 |
|---|---|---|
| 数据敏感度 | 客户、财务、身份信息 | 公开数据、测试数据 |
| 口径变更频率 | 每月都在改 | 一年不动一次 |
| 检索规模 | 千万级以上,要低延迟 | 十万级以内,可离线 |
| 审计要求 | 等保、行业监管、可追溯 | 内部自用,无外部审计 |
图 2:四个判断问题
四项里中三项偏左,就别拼四套系统了。反过来,四项都偏右,外挂性价比更高。选型最怕嘴上要合规,手上按最省事的搭。最后两头都不到位。
八、三条坑,AI 数据库落地最容易踩的地方
第一条,把语义层当文档写,不当对象管。文档没有版本,没有依赖,也没有校验。口径一改,没人知道影响了哪些查询。
第二条,按峰值全量建索引,不给推理负载切资源。向量化是批量活,IO 峰值会撞上交易高峰。独立租户或者独立节点这个开关,别省。省下来的资源,最后都变成线上抖动。
第三条,以为接了 MCP 就等于权限可控,其实账号映射没核。工具能调什么是一层,账号能改什么是另一层。两层对不上,审计里就会出现无法归因的操作。这条我是在一次演练里才反应过来的。
最后的判断
AI 数据库这个方向,最能打的不是模型接得多,是数据和约束还在原地。语义同库维护,推理就地跑,图跟着表走,权限沿用老的那一套。五件事少一件,数据就得往外搬一次。这也是我把这五层排在一起的顺序。
金仓这套的落点很清楚。语义定义成库内对象,ONNX 就地做向量化。DiskANN 索引把内存压下来,关系数据用视图映射直接算图。权限审计沿用原来那套,一件都不往外搬。
它的优势不在单点指标,而在把治理成本留在原地。多模、向量、图几条能力线都在一套集群里。备份、升级、监控只需要一套流程。团队也不用分成几拨,运维口径能统一。
换个说法,把 AI 搬进库,省的是搬运和治理。把数据搬出库,省的是改造。两条路都能走通,选哪条看数据重不重要。数据越重,越该留在库里。
各位如果正在纠结向量库要不要单建,可以先回答我一个问题。语义定义现在写在哪,谁在维护。这个答案通常就决定了后面两年要还多少债。评论区说说你的情况,我看得到的都会回。
我是底层玩家老张。咱不聊概念,只聊源码和压测跑出来的东西。