正在走向自律头像
AI数据库不是新词了:我在金仓上从建表一路跑到向量检索封面图

AI数据库不是新词了:我在金仓上从建表一路跑到向量检索

前几天技术群里有人转文章,标题挺唬人,《数据库这生意,还能不能干了?!》。底下吵翻了。有人觉得大模型连软件都要重写一遍,数据库凭什么躲得过去;也有人反驳,企业天天卖货、对账、给供应商打款,数字总得有个地方放,还必须放准,这活儿 AI 替不了。

两边的话我都听进去了,但都不全同意。

存数这件事确实没变。变的是"存完给谁用"。以前数据库只伺候两种人,写代码的,和写 SQL 的。现在多了第三个——大模型。大模型这东西看着聪明,真把它扔到一套陌生的生产库跟前,它连"订单金额"和"应收金额"都分不清,更别提你们公司内部"活跃用户"的口径是"30 天内有支付且未退款"这种事,它上哪儿知道去。

10 月 30 日金仓那场发布会我全程蹲完了,主题就叫"Hello,AI 数据库"。讲的东西不复杂:语义、推理、安全,三件事往库内核里塞。下午的开发者大会像是把上午的 PPT 拆开,一条条讲怎么用。我听完的感受挺直接——AI数据库这个词,总算从 PPT 里走出来,落到了 SQL 上。

所以这篇文章我不打算复述发布会。我想干件笨事:拿一套真实业务的表结构,从建表开始,增删改查、索引、事务、语义、向量,一段一段跑。看看所谓"AI 数据库",到底多写了哪几行代码,又替我省了哪几件麻烦事。

环境是金仓 KES,Oracle 兼容模式。下面的 SQL 都是我亲手敲过的,跑不通的地方我直接告诉你坑在哪。

一、先看清楚自己站在哪

先说个入门就摔跤的地方。不少人拿到环境就急着建表,结果第一句 CREATE TABLE 就被类型报错拦住。原因很简单:金仓建库时要选兼容模式,Oracle、MySQL、SQL Server 各一套,选了哪个,后面能直接抄哪种方言就定了。

连上库先别急着写,问一句:

# 命令行工具 ksql,默认端口 54321
ksql -h 192.168.10.21 -p 54321 -U system -d kingbase
-- 看当前库跑在什么模式下
SHOW database_mode;

-- 顺手看看版本和字符集
SELECT version();
SHOW server_encoding;

返回 oracle,那我后面写的 NUMBER、VARCHAR2、INSERT ALL、ROWNUM 就都能用。要是返回 mysql,你就得把 NUMBER 换成 INT/BIGINT,VARCHAR2 换成 VARCHAR,语句逻辑不变。

这步看着像废话。但我真见过有人拿着 Oracle 脚本往 MySQL 模式的库上怼,报错之后开口就骂国产库兼容性差。兼容模式不是装饰品,它是语法开关,得先看清楚。

二、建表:注释写给别人,也写给模型

建表最能看出一个人的功力。

我见过不少库,表建完只有当初那个人看得懂。字段叫 flag1、flag2、col_a,注释一条没有。人一走,表就成黑盒了,接手的人只能靠猜。

现在多了个更麻烦的问题:模型连猜都懒得猜,准确说,它猜了也不告诉你。所以我现在给自己定了条规矩,建表必须过三关:每个字段有注释,每个枚举有约束,每个业务口径在库里找得到出处。过不了不建。

先来张部门表练手:

CREATE TABLE t_dept (
    dept_id     NUMBER(4)      NOT NULL,
    dept_name   VARCHAR2(64)   NOT NULL,
    parent_id   NUMBER(4),
    status      CHAR(1)        DEFAULT '1' NOT NULL,
    created_at  TIMESTAMP      DEFAULT CURRENT_TIMESTAMP,
    CONSTRAINT pk_t_dept      PRIMARY KEY (dept_id),
    CONSTRAINT uk_t_dept_name UNIQUE (dept_name),
    CONSTRAINT ck_t_dept_stat CHECK (status IN ('0','1'))
);

COMMENT ON TABLE  t_dept            IS '组织架构表,支持多级';
COMMENT ON COLUMN t_dept.dept_id    IS '部门主键';
COMMENT ON COLUMN t_dept.parent_id  IS '上级部门,顶级为 NULL';
COMMENT ON COLUMN t_dept.status     IS '1=启用 0=停用';

员工表,外键和金额检查加上:

CREATE TABLE t_emp (
    emp_id     NUMBER(8)      NOT NULL,
    emp_name   VARCHAR2(32)   NOT NULL,
    dept_id    NUMBER(4)      NOT NULL,
    salary     NUMBER(10,2)   DEFAULT 0,
    hire_date  DATE           NOT NULL,
    email      VARCHAR2(64),
    CONSTRAINT pk_t_emp       PRIMARY KEY (emp_id),
    CONSTRAINT fk_t_emp_dept  FOREIGN KEY (dept_id) REFERENCES t_dept(dept_id),
    CONSTRAINT ck_t_emp_sal   CHECK (salary >= 0)
);

COMMENT ON COLUMN t_emp.salary IS '月基本工资,税前,不含绩效';

salary 那行注释我多啰嗦了一句。因为"工资"这个词在财务那儿至少有五种解释:应发、实发、税前、税后、含不含绩效。注释里不写清,回头做语义层就得来回扯皮。写清楚一次,省后面十次沟通。

订单表是重点。数据量大的业务表不分区,等于给自己埋雷:

CREATE TABLE t_order (
    order_id      NUMBER(18)     NOT NULL,
    order_no      VARCHAR2(32)   NOT NULL,
    emp_id        NUMBER(8)      NOT NULL,
    amount        NUMBER(14,2)   NOT NULL,
    order_status  VARCHAR2(16)   DEFAULT 'NEW' NOT NULL,
    created_at    TIMESTAMP      DEFAULT CURRENT_TIMESTAMP NOT NULL,
    CONSTRAINT pk_t_order PRIMARY KEY (order_id, created_at)
)
PARTITION BY RANGE (created_at) (
    PARTITION p202609 VALUES LESS THAN (TO_DATE('2026-10-01','YYYY-MM-DD')),
    PARTITION p202610 VALUES LESS THAN (TO_DATE('2026-11-01','YYYY-MM-DD')),
    PARTITION p202611 VALUES LESS THAN (TO_DATE('2026-12-01','YYYY-MM-DD')),
    PARTITION pmax    VALUES LESS THAN (MAXVALUE)
);

这里有个容易忽略的约束:分区表的主键必须把分区键包进去。上面我把 created_at 拉进主键,就是为了这个,不做的话建表直接报错。按月分区的好处不用我多说,归档的时候 ALTER TABLE ... DROP PARTITION 一秒钟的事,比 DELETE 几千万行体面多了。

订单号用序列生成:

CREATE SEQUENCE seq_order_id
    START WITH 1000000
    INCREMENT BY 1
    CACHE 100
    NOORDER;

CACHE 100 这个参数单独说两句。缓存开得小,高并发下序列争用会成为瓶颈,我们压测时把 20 调到 100,TPS 涨了 7% 左右。代价呢?实例崩溃会跳号。业务要是要求订单号绝对连续,那就别用序列,老老实实上独立号段服务。

三、增删改查:七成的日常活儿

插入

单条没什么可说的:

INSERT INTO t_dept (dept_id, dept_name, parent_id) VALUES (10,  '销售中心', NULL);
INSERT INTO t_dept (dept_id, dept_name, parent_id) VALUES (20,  '技术中心', NULL);
INSERT INTO t_dept (dept_id, dept_name, parent_id) VALUES (1010,'华东大区', 10);
COMMIT;

批量在 Oracle 模式下用 INSERT ALL:

INSERT ALL
  INTO t_emp (emp_id, emp_name, dept_id, salary, hire_date, email)
       VALUES (1001, '张伟', 1010, 18500.00, DATE '2021-03-15', 'zhangwei@corp.com')
  INTO t_emp (emp_id, emp_name, dept_id, salary, hire_date, email)
       VALUES (1002, '李娜', 1010, 21300.00, DATE '2019-07-01', 'lina@corp.com')
  INTO t_emp (emp_id, emp_name, dept_id, salary, hire_date, email)
       VALUES (1003, '王强', 20,   26800.00, DATE '2018-11-20', 'wangqiang@corp.com')
SELECT 1 FROM dual;

DATE '2021-03-15' 这种字面量比 TO_DATE('2021-03-15','YYYY-MM-DD') 干净,而且不依赖会话的 NLS 日期格式。这话是有教训垫底的:我们有个脚本在开发环境跑得好好的,搬到客户现场就炸了,一查,那边会话格式是 DD-MON-RR。打那以后我的日期一律写全。

库要是 MySQL 模式,多值写法更省事:

INSERT INTO t_emp (emp_id, emp_name, dept_id, salary, hire_date) VALUES
  (1004, '赵敏', 20, 19800.00, '2022-05-09'),
  (1005, '孙鹏', 1010, 15200.00, '2023-02-13');

更新

带子查询的普通更新:

UPDATE t_emp e
   SET salary = salary * 1.08
 WHERE dept_id IN (SELECT dept_id FROM t_dept WHERE dept_name = '技术中心');

真正高频的是"有就更新,没有就插入"。上 MERGE:

MERGE INTO t_order t
USING (SELECT 'SO20261109001' AS order_no, 8800.00 AS amount FROM dual) s
   ON (t.order_no = s.order_no)
WHEN MATCHED THEN
    UPDATE SET t.amount = s.amount
WHEN NOT MATCHED THEN
    INSERT (order_id, order_no, emp_id, amount, order_status)
    VALUES (seq_order_id.NEXTVAL, s.order_no, 1001, s.amount, 'NEW');

MERGE 比"先查再判断"强在哪?强在它是一条语句,原子性数据库兜底。两个人同时同步同一张单子,用 MERGE 不会撞主键,用应用层判断就说不准了。

删除

小批量直接删:

DELETE FROM t_order WHERE order_no = 'SO20261109001';

大表清历史数据,千万别一条 DELETE 闷头删到底。几千万行塞进一个大事务,undo 撑爆、锁表、主从延迟,三件套一起找上门。分批:

-- 循环执行,每次 5000 行,直到影响行数为 0
DELETE FROM t_order
 WHERE order_status = 'CANCELLED'
   AND created_at < DATE '2026-01-01'
   AND ROWNUM <= 5000;

COMMIT;

Oracle 模式下 ROWNUM 能用,MySQL 模式换 LIMIT 5000。真要清空整表就 TRUNCATE,快,不进日志,但不可回滚——这句话请当红线记。

查询

日常统计:

SELECT d.dept_name,
       COUNT(*)                    AS emp_cnt,
       ROUND(AVG(e.salary), 2)     AS avg_salary,
       MAX(e.salary)               AS max_salary
  FROM t_emp e
  JOIN t_dept d ON e.dept_id = d.dept_id
 WHERE d.status = '1'
 GROUP BY d.dept_name
HAVING COUNT(*) >= 2
 ORDER BY avg_salary DESC;

每个部门薪资前三,窗口函数:

SELECT emp_name, dept_id, salary, rn, dept_total
  FROM (
        SELECT e.emp_name, e.dept_id, e.salary,
               ROW_NUMBER() OVER (PARTITION BY e.dept_id ORDER BY e.salary DESC) AS rn,
               SUM(e.salary)  OVER (PARTITION BY e.dept_id)                    AS dept_total
          FROM t_emp e
       ) t
 WHERE rn <= 3;

窗口函数没什么兼容性坑,标准写法,Oracle 老脚本基本原样搬。

分页三种写法都支持:

-- 写法一
SELECT order_no, amount, created_at
  FROM t_order
 ORDER BY created_at DESC
 LIMIT 20 OFFSET 40;

-- 写法二(老 Oracle 习惯)
SELECT * FROM (
    SELECT t.*, ROWNUM rn FROM (
        SELECT order_no, amount, created_at
          FROM t_order ORDER BY created_at DESC
    ) t WHERE ROWNUM <= 60
) WHERE rn > 40;

-- 12c 之后的分页语法
SELECT order_no, amount FROM t_order
 ORDER BY created_at DESC
OFFSET 40 ROWS FETCH NEXT 20 ROWS ONLY;

我的习惯是新代码用 LIMIT OFFSET,短,好读;从老系统迁过来的别急着改,ROWNUM 那套照抄,风险反而最小。顺带一句,深翻页(OFFSET 一百万)在哪家库上都慢,正解是拿上一页的排序键做游标翻页,这里不展开了。

四、索引和执行计划

上面那张订单表,按员工查订单,没索引就是全表扫。补索引:

-- 普通索引
CREATE INDEX idx_order_emp ON t_order (emp_id);

-- 分区表上的本地索引,每个分区各建一棵
CREATE INDEX idx_order_emp_time ON t_order (emp_id, created_at DESC) LOCAL;

-- 函数索引:查询条件里带函数时非常有用
CREATE INDEX idx_emp_upper_name ON t_emp (UPPER(emp_name));

复合索引的字段顺序有讲究。(emp_id, created_at) 能服务 WHERE emp_id=? 和 WHERE emp_id=? ORDER BY created_at,但服务不了单独的 WHERE created_at > ?。最左前缀,不是玄学。

写完索引,看执行计划:

EXPLAIN
SELECT order_no, amount
  FROM t_order
 WHERE emp_id = 1001
   AND created_at >= DATE '2026-10-01'
 ORDER BY created_at DESC
 LIMIT 10;

输出里要是看到全表扫描的节点(Seq Scan 之类,各版本措辞不完全一样),说明索引没用上;走 idx_order_emp_time 的索引扫描,或者带分区裁剪的节点,才对。

我踩过最典型的坑是隐式类型转换。emp_id 是 NUMBER,查询写成 WHERE emp_id = '1001'(带引号),某些情况下优化器会把列转成字符串再比,索引直接废掉。几十万行的表你看不出来,上了千万行,就是几百毫秒和几十秒的差距。

还有个更隐蔽的:统计信息过期。大批量导完数据不 ANALYZE,优化器对这张表的认知还停留在导入前,给出的执行计划能离谱到你怀疑人生。

ANALYZE t_order;
ANALYZE t_emp;

我们生产上有个定时任务,每天凌晨把当天变更超过 20% 的表收一遍统计信息。这不是金仓的怪癖,所有基于成本的优化器都吃这口饭。

索引还会膨胀,知道的人不多。订单表每天插几十万行、删一批过期的,索引页里全是空洞,物理体积涨得比数据快。症状是"索引还在,但越跑越慢",执行计划还看不出来,得看物理大小,我用 KStudio 的容量分析看占比。体积明显不对就重建:

REINDEX INDEX idx_order_emp_time;

REINDEX 会锁,生产上挑窗口,或者用在线重建(版本支持的话)。上一次重建这张表,40 分钟,索引从 61GB 缩到 23GB,几个按时间范围查的接口 P99 从 800ms 回到 90ms。这种收益不用改一行代码,但得有人愿意凌晨三点盯着。

五、存储过程与事务

国产化迁移里最磨人的不是 SQL,是那堆几百行的 PL/SQL 包。金仓 Oracle 兼容做得算深的,常规存储过程基本能平移。拿转账举例,t_account 表就 acct_id、balance 两个字段,建表语句省了:

CREATE OR REPLACE PROCEDURE sp_transfer(
    p_from IN NUMBER,
    p_to   IN NUMBER,
    p_amt  IN NUMBER
) AS
    v_bal NUMBER(14,2);
BEGIN
    SELECT balance INTO v_bal
      FROM t_account
     WHERE acct_id = p_from
       FOR UPDATE;

    IF v_bal < p_amt THEN
        RAISE_APPLICATION_ERROR(-20001, '账户余额不足');
    END IF;

    UPDATE t_account SET balance = balance - p_amt WHERE acct_id = p_from;
    UPDATE t_account SET balance = balance + p_amt WHERE acct_id = p_to;

    COMMIT;
EXCEPTION
    WHEN OTHERS THEN
        ROLLBACK;
        RAISE;
END;
/

FOR UPDATE 加行锁、RAISE_APPLICATION_ERROR 抛业务异常、EXCEPTION WHEN OTHERS 兜底。Oracle 存储过程的骨架就这三样,这儿齐了。

调用:

CALL sp_transfer(10001, 10002, 500.00);

-- 或者用匿名块
BEGIN
    sp_transfer(10001, 10002, 500.00);
END;
/

保存点,写批处理的人必须会用:

SAVEPOINT sp_before_batch;

UPDATE t_order SET order_status = 'PAID' WHERE order_id = 2001;
SAVEPOINT sp_after_first;

UPDATE t_order SET order_status = 'PAID' WHERE order_id = 2002;

-- 第二条出问题,只回滚这一条,前面那条保留
ROLLBACK TO SAVEPOINT sp_after_first;
COMMIT;

补一个经验:过程里的 COMMIT 要克制。上面 sp_transfer 里写了 COMMIT,独立调用是方便,可它一旦被别的过程调用,会把外层事务一起提交掉。规范做法是把事务控制权留给调用方,过程里只做 DML。这个坑跟用哪家库无关,但迁移的时候老被带过来,然后你就会遇到"明明报错了、数据却改了一半"这种灵异事件。


六、语义层:让模型知道"活跃用户"是啥

前面写的都是老本行。这节开始才是这次真正想聊的。

大模型用不了生产库,第一个障碍是看不懂。你问它"上个月华东区活跃客户多少",它眼里只有 t_customer、t_order、cust_status 这些名字。cust_status='A' 是啥意思?不知道。"活跃"的口径是 30 天内有支付?不知道。华东区按 region_code 前两位算还是按 dept_id 归属?还是不知道。

这些知识现在散落在哪?需求文档、产品 wiki、老员工脑子里,还有某位离职同事留下的半截注释。人一走,知识就断。

金仓这轮做的库内语义层,就是把这些解释变成库里的对象:实体、属性、关系、指标口径、业务规则、标签。跟着数据一起存、一起做版本管理。

有一点得说明白:语义对象不是让 DBA 手写 DDL 硬建出来的。产品给了工具链,采集元数据,AI 辅助推断业务含义,最后人工审核拍板,落进系统表。所以这节我不贴具体建表语句——贴了就是编的,各版本字段结构都不一样,我不想糊弄你。

从使用侧看,效果是这样:你问"上个月华东区活跃客户数",NL2SQL 拿到的上下文就不只是表结构了,还有——

  • 活跃客户,指标,口径:COUNT(DISTINCT cust_id),条件是最近支付在 30 天内
  • 华东区,维度,映射到 t_dept.dept_name IN ('华东大区','华东南区')
  • 上个月,时间范围,按财务月算,不是自然月

语义层还有个价值,好多人没注意到:它顺便解决了业务知识没人接盘的问题。以前换个乙方,口径就得从头对一遍;现在口径写在库里,带版本号,能追溯、能回滚。我甚至觉得这件事的意义超过 AI 本身——AI 只是让这些知识终于有了个被迫整理的理由。

七、向量与混合检索

RAG 项目我做过四五个,最烦的从来不是模型,是数据流。业务数据在关系库,向量在向量库,中间靠一堆脚本粘着。数据一更新就出幺蛾子:同步延迟、重复灌、版本对不上,全靠人盯。

库内向量把这条链子砍短了。不过建表之前,有件事比表结构更要紧:切片怎么切。

我试过 256、512、800、1200 四种长度。结论跟网上说的一致,但得自己踩一遍才信:中文文档 500 到 800 字一段最合适。太短,语义残缺,检索回来半句话;太长,向量被稀释,一段塞三件事,相似度反而不准。段与段之间留 10% 到 15% 重叠,防止关键句正好被切。

还有个我当时没想到、后来被现实教育的点:表格和图片说明必须单独切。合同里的付款条款经常是一张表,按段落切,表格被拆得七零八落,检索出来根本没法用。所以我的 kb_chunk 里多了个 chunk_type 字段,text、table、title 分开处理。这条是纯工程经验,跟用哪家库没关系,但它决定 RAG 效果的上限。

建表:

CREATE TABLE kb_chunk (
    chunk_id    BIGINT        NOT NULL,
    doc_id      BIGINT        NOT NULL,
    dept_id     NUMBER(4)     NOT NULL,
    chunk_type  VARCHAR2(16)  DEFAULT 'text' NOT NULL,
    content     TEXT,
    embedding   VECTOR(768),
    updated_at  TIMESTAMP     DEFAULT CURRENT_TIMESTAMP,
    CONSTRAINT pk_kb_chunk PRIMARY KEY (chunk_id)
);

COMMENT ON COLUMN kb_chunk.embedding  IS 'bge-m3 生成的 768 维向量';
COMMENT ON COLUMN kb_chunk.dept_id    IS '归属部门,用于检索时的权限过滤';
COMMENT ON COLUMN kb_chunk.chunk_type IS 'text/table/title,检索时按类型加权';

向量索引,选 DiskANN:

CREATE INDEX idx_kb_chunk_vec ON kb_chunk USING diskann (embedding vector_cosine_ops);
CREATE INDEX idx_kb_chunk_dept ON kb_chunk (dept_id);

为什么不是全内存的 HNSW?账很好算:768 维 float32 一个向量 3KB 左右,一亿条就是 300GB,全压内存,成本扛不住。DiskANN 把索引主体放磁盘,内存只留导航点,亿级向量才在普通机器上有得谈。发布会上那组数——1 亿条 768 维、98% 召回率,峰值内存比业界方案低 95.4%,延迟低 80%——我信,磁盘索引的 trade-off 摆在那儿。代价是查询要读盘,所以 SSD 是硬要求,拿机械盘试你会怀疑人生。

检索:

-- :qvec 是查询文本经过嵌入模型后的向量,由应用侧传入
SELECT chunk_id,
       SUBSTR(content, 1, 80)                    AS snippet,
       ROUND(CAST(1 - (embedding <=> :qvec) AS NUMERIC), 4) AS score
  FROM kb_chunk
 WHERE dept_id = 1010
 ORDER BY embedding <=> :qvec
 LIMIT 8;

<=> 是余弦距离,越小越像。注意 WHERE dept_id = 1010 不是可选项,它一肩挑两个职责:业务过滤,加权限过滤。少这条,检索就跨部门串数据了。

纯向量在真实业务里常常不够使。用户问"这份合同的账期多久",向量能召回语义相近的段落,可合同编号 HT-2026-0871 这种,精确匹配反而更靠谱。混合检索:

WITH vec_hit AS (
    SELECT chunk_id, embedding <=> :qvec AS dist
      FROM kb_chunk
     WHERE dept_id = 1010
     ORDER BY dist
     LIMIT 50
),
kw_hit AS (
    SELECT chunk_id
      FROM kb_chunk
     WHERE dept_id = 1010
       AND content LIKE '%账期%'
)
SELECT c.chunk_id,
       SUBSTR(c.content, 1, 100) AS snippet,
       v.dist,
       CASE WHEN k.chunk_id IS NULL THEN 0 ELSE 1 END AS kw_match
  FROM kb_chunk c
  JOIN vec_hit v ON c.chunk_id = v.chunk_id
  LEFT JOIN kw_hit k ON c.chunk_id = k.chunk_id
 ORDER BY v.dist - CASE WHEN k.chunk_id IS NULL THEN 0 ELSE 0.15 END
 LIMIT 8;

思路很简单:向量先捞 50 条候选,关键词命中的往前排(距离减 0.15)。0.15 是拍脑袋拍的,得拿自己语料调。生产上更常见的做法是召回之后丢给重排模型,别硬编码权重。

顺手试了下多模

合同这种东西,条款结构五花八门,硬建宽表得几百个字段,大半是 NULL。干脆把差异部分塞 JSON:

CREATE TABLE t_contract (
    contract_id  NUMBER(18)   NOT NULL,
    contract_no  VARCHAR2(32) NOT NULL,
    party        JSONB,
    signed_at    DATE,
    CONSTRAINT pk_t_contract PRIMARY KEY (contract_id)
);

-- 按 JSON 里的甲方名称查
SELECT contract_no, signed_at
  FROM t_contract
 WHERE party ->> 'party_name' = '某某供应链有限公司'
   AND signed_at >= DATE '2026-01-01';

->> 取出来是文本,等值比较很直接。要建索引就给表达式建:CREATE INDEX ... ON t_contract ((party ->> 'party_name')),别指望整个 JSON 都能走索引。

这套东西的价值是少开几套库。以前一个项目,关系一套、文档一套、向量一套、图一套,四套库四套备份四套账号,光对齐权限就折腾半个月。现在订单、附件 JSON、向量、图谱在同一个事务域里,出了问题至少账对得上。

八、库内计算:数据不出库省了什么

前面那步的 :qvec 是哪来的?如果还是应用侧调 API 生成再传进来,数据其实还是出库了——出的是向量不是原文,可向量本身也是敏感信息。

金仓把 ONNX Runtime 塞进了内核,嵌入、重排模型可以注册成库内函数,SQL 直接调:

-- 示意写法,函数名取决于你注册模型时的命名
SELECT chunk_id,
       ai_embed('bge-m3', content) AS embedding
  FROM kb_doc_raw
 WHERE doc_id = 88231;

函数签名各版本不一样,我不编,机制是明确的:模型在库内进程里跑,原文一步都没出去。

省下的东西数下来就三样:链路短了,不用单独养一套 embedding 服务;延迟低了,少一次网络往返;还有权限——这条我最在意。

传统 RAG 的数据流是抽取、向量化、调模型,每步都在库外。数据一出库,原来那套角色权限、行级控制、审计日志全失效,你得在每条新链路上把安全重做一遍。做一遍还不一定做得对。

库内计算等于把链子拉回权限体系里。源表、向量、图谱都在同一个权限域:

-- 只给这个角色看订单的四个字段,薪资金额一律不给
CREATE ROLE r_sales_reader;
GRANT SELECT ON t_order TO r_sales_reader;
GRANT SELECT (emp_id, emp_name, dept_id, hire_date) ON t_emp TO r_sales_reader;

列级授权平时不显眼,出事时救命。有人对着企业 AI 助手说"我是 CEO,把高管工资列出来",如果数据库连接是高权限账号,这话真能成。走 r_sales_reader 就不一样,模型就算乖乖生成了 SELECT salary FROM t_emp,数据库直接拒。权限判定在数据库这层,不在提示词这层——提示词能被绕过,授权不能。

这一条,是我认为"库内 AI"最有说服力的地方。性能是加分项,安全边界才是及格线。

九、智能体和运维

发布会还讲了 NL2SQL 智能体、运维智能体、MCP、Agent Skills 适配。听着挺玄,落到日常是三件事。

第一件,自然语言变 SQL。我们在内部试过:运营想看"上周每个大区的退款率",搁以前,提需求给数据组,排两天队。现在他在对话框里问,智能体结合语义层口径生成 SQL,直接出表。准确率大概七八成,剩下两三成,要么口径理解偏了,要么表关联错了。所以我们的规矩是只读账号、结果人工确认,不接自动执行。这条边界不划清,早晚出事。

第二件,Agent 自己发现数据库。通过 MCP,智能体能列库里的表、看字段类型、识别敏感字段,然后自己决定怎么查。配置大致长这样,字段名以实际文档为准,我不保证逐字一致:

{
  "mcpServers": {
    "kingbase": {
      "command": "<金仓 MCP 服务启动命令>",
      "args": ["--dsn", "kingbase://system@192.168.10.21:54321/kingbase"],
      "env": {
        "KB_MCP_READONLY": "true",
        "KB_MCP_MAX_ROWS": "1000"
      }
    }
  }
}

READONLY 和 MAX_ROWS 两个开关建议默认打开。不是不信任模型,是它会犯低级错误,比如对着三亿行的表来一发 SELECT *。这种事故追责,追的是配置的人,不是模型。

第三件,运维。湘财证券在开发者大会上分享了 KES-AI 智能诊断的案例,把运行数据、知识库和多智能体分析拼在一起,从一条慢 SQL 一路下钻到函数和代码行。对 DBA 的意义是缩短定位时间:以前靠 EXPLAIN 加经验猜,现在好歹有个东西帮你把候选原因排个序。

还有 MAA,备份恢复、集群、跨中心容灾那条线。业务连续性没什么新故事,主备、仲裁、切换、回切,该做的都得做。德索信息讲期货核心系统的案例,说得挺实在:迁移难的不是语法,是"性能不降级、业务零中断"这八个字,靠大量压测和参数打磨堆出来。我完全同意。谁跟你说"改个连接串就迁完了",你得多留个心眼。

十、迁移踩坑清单

几条迁移最常翻车的地方,都是拿真金白银换的。

空字符串和 NULL: Oracle 里 '' 就是 NULL,迁到不这么处理的库上,WHERE col = '' 语义会变。上线前查一遍历史数据里有没有空串,比事后排查业务逻辑便宜太多。

日期格式: 别写 TO_DATE('2026-11-09') 这种省格式串的,换个客户端就报错。用 DATE '2026-11-09',或者把格式串写全。

分页: 三种写法都支持,但深翻页哪家都慢。迁移的时候顺手把 OFFSET 特别大的查询改成游标翻页,能省掉后面一堆投诉。

自增: MySQL 的 AUTO_INCREMENT 迁过来,要么 IDENTITY,要么序列加默认值。前者省事,后者可控性好,缓存、步长、循环都能调。

大小写: Oracle 默认大写,MySQL 在 Linux 上表名区分大小写。迁过来之后要是建表加了双引号,查询时不加引号就找不到表。这条坑极费时间,报错还看不懂。

PL/SQL 包: 单独的存储过程问题不大,Oracle 的 PACKAGE、PACKAGE BODY、全局变量、包级初始化块,复杂包要重写。评估工作量时把这块单独拎出来,别混在"存储过程数量"里充数。

十一、说点不客气的

跑完这一圈,说点不客气的。

AI 数据库不是新品类,是数据库长出了新器官。底下存储引擎、事务、优化器一样都不能弱,弱了,上面全白搭。发布会讲向量讲语义讲得热闹,可真正让客户敢把核心系统放上去的,还是执行计划稳不稳、切换丢不丢数据、慢 SQL 调不调得动。金仓这块的底子是二十多年攒的,所以它敢同时讲"平替"和"AI"两条线。换一家没做过核心替换的厂商,这口号喊出来容易闪着腰。

语义层是这轮里最有价值、也最容易被做烂的。价值在于它解了 AI 用数据根上的问题;风险在于重人力——采集、识别、审核、维护,每步都得业务方搭手。指望买套软件就自动长出语义层?不现实。"上线即闲置"的数据资产项目我见太多了,全死在没人维护上。我的建议是别贪大,挑一个指标口径最乱的部门试点,跑通了再铺。

向量也别神化。精确编号、金额区间、状态过滤,SQL 一直是最优解。RAG 里真正难的是路由:什么问题走向量,什么走精确查询。这个判断做不好,向量库加再多也白搭。

最后是钱。库内跑模型听着优雅,推理吃的是数据库主机的 CPU 和内存,业务高峰撞上推理高峰,DBA 会很难受。稳妥的做法是推理走独立只读节点,或者干脆错峰。这笔账方案阶段就得算,别等上线了才发现备份窗口被推理任务挤没了。

AI 数据库这个词现在有点热。热不等于虚——至少我上面写的每一段 SQL,都能在客户端里敲进去、回车、出结果。技术这东西,最后还是看这个。

回到开头那个问题:数据库这生意还能不能干?能干。只是从今往后,光会存数不够了,还得让存进去的数,机器也读得懂。

转载自 CSDN-专业IT技术社区

原文链接:https://blog.csdn.net/beautifulmemory/article/details/170348064

文章来源转载

评论

评论列表

微信小程序
QQ小程序

关于作者

点赞数:0
关注数:0
粉丝:0
文章:0
关注标签:0
加入于:--