HOW 2026 分论坛演讲：PostgreSQL 在 AI 的应用及实践

HOW 2026 演讲 PPT 下载方式:https://mp.weixin.qq.com/s/PVPEjr4lagmWleBnN34dpw

本文整理自 HOW 2026 中国数据库开源发展峰会暨 PostgreSQL 高峰论坛的演讲分享，演讲嘉宾：王丁丁， Oracle、PostgreSQL ACE，公众号：IT 邦德。

AI 正在从“能聊天”，进入“能执行”的阶段。

过去，企业讨论 AI，关注的是模型参数、推理能力和算力规模；而现在，真正决定 AI 是否能落地的，开始变成另外几个问题：

  • 数据如何管理？
  • 知识如何接入？
  • AI 如何理解业务？
  • 系统如何稳定运行？

而在这一过程中，数据库的重要性正在被重新放大。无论是 RAG、Agent、智能问数还是 AI 运维，其底层能力都离不开数据库对数据存储、向量检索、上下文关联、状态管理与知识召回的支撑。PostgreSQL 凭借扩展能力、多模数据支持以及成熟的向量生态，正在成为企业 AI 场景中的重要数据底座。

01 AI 时代的数据底座——PostgreSQL 成了最大赢家

当下 AI 赛道火热，各类专业名词层出不穷：LLM、提示词、上下文、Memory、Agents、RAG、Function Calling、Workflow、Skill、Subagent…… 十余种概念让人眼花缭乱。

拨开繁杂术语不难发现，如今绝大多数 AI 技术，最终都围绕 Agent 展开。不少一体化平台更是整合了全套 AI 能力，让普通用户也能轻松上手使用。

AI 技术的四次能力跃迁:从"看见"到"执行"

  1. 感知型 AI 阶段：以语音识别为代表，让机器读懂外界信息；
  2. 分析型 AI 阶段：具备数据研判能力，可为人类决策提供辅助；
  3. 生成式 AI 阶段：生成式 AI 崛起，RAG 技术落地，AI 化身实用知识助手；
  4. Agent AI 智能执行阶段：多 Agent 技术走向成熟，AI 不再局限于内容生成，能够自主接手各类繁琐工作，真正落地执行任务。

1.png

一套成熟、可靠的 AI 系统，离不开三大核心支撑：能思考的大模型、能行动的智能体、具备专业能力的技能库。三者兼备，才能保障 AI 系统安全、稳定地服务于实际业务。

2.png

PostgreSQL 向量能力：从插件走向原生展望

AI 全流程的数据存储、向量检索、效果反馈，都高度依赖数据库。作为核心数据底座，PostgreSQL 的向量能力也在持续进化：

现阶段 PG 并未内置原生向量功能，主要依靠第三方插件，实现向量数据存储、检索等能力，补足 AI 场景需求。反观其他主流数据库，虽已上线原生向量功能，但配套索引能力尚有不足。

目前 PG 仍在持续优化向量检索索引，全面支持向量量化与多维度适配。从行业发展趋势来看，未来 PG 也将推出原生向量能力，进一步完善相关算法与功能体系。

PGVECTOR 索引三剑客，场景各有侧重

搭配向量能力的三大索引，各司其职，覆盖不同业务场景：

3.png

  • IVFFlat（内容友好）：倒排文件索引，通过聚类将向量分桶。内存占用低，构建速度快，适合内存受限场景。
  • HNSW（速度优先）：分层可导航小世界图，查询速度极快，精度高。适合对延迟敏感的业务场景。
  • DiskANN（十亿级）：磁盘优化近似近邻搜索，支持十亿级向量，成本可控。适合超大规模数据集。

PGVECTOR 混合负载能力强大混合负载，一套 SQL 搞定多类型数据

Hybrid Workload:Business Data + JSONB + Vector in One Table

PGVECTOR 提供了业务数据、JSONB 扩展属性与向量数据同表存储的统一数据模型，实现多模数据的混合负载处理。以 products 表为例，对应的混合查询示例如下：

4.png

其核心优势是单库即所有：无需维护多个数据库实例，业务数据、元数据、向量数据共存于同一行，事务一致性天然保障。

  • 事务一致性：ACID 保证，向量与业务数据强一致。
  • 混合查询：向量相似度 + 业务过滤条件一次完成。
  • 简化架构：告别多库同步，降低运维复杂度。
  • 成本优化：节省专用向量数据库 60-80% 的部署成本。

02 多模扩展——重塑数据智能生态

多模型数据库技术架构

Oracle Database 26ai 提供了高吞吐写入、内存分析、图分析、全 SQL 支持等企业级一体化能力，为复杂业务场景提供了完备的内置功能支持。

5.png

PostgreSQL 凭借强大的插件化扩展生态，实现了 “Just use Postgres for Everything” 的架构理念，根据业务需求灵活选配能力，适配各类结构化、文本、XML、CSV 等多类型数据。丰富的扩展生态，能够满足制造业 FDC 系统毫秒级海量数据采集等复杂场景需求。

6.png

面对复杂业务需求，数据库需要兼顾 SQL 通用性与 NoSQL 扩展性、多模开发便捷性，同时承载 OLTP 与 OLAP 混合负载。得益于扩展机制，PostgreSQL 已从出色的关系型数据库，进化为具备全场景适配能力的多模数据库。

图数据与时序融合

Apache AGE 与 TimescaleDB 作为 PostgreSQL 的扩展插件，分别实现了图数据查询与毫秒级时序处理能力。

  • Apache AGE：兼容 Neo4j Cypher 语法，支持关系网络分析与图遍历 + SQL 混合查询，可应用于欺诈检测、社交网络分析、供应链溯源、权限管理等场景。
  • TimescaleDB：提供自动分区管理、连续聚合与高比例数据压缩能力，支持海量时序数据高效写入与快速查询，适配 IoT 设备监控、金融行情数据、应用性能追踪、能源管理等场景。

二者融合后，时序数据记录设备状态变化，图数据呈现设备关联关系，可共同支撑智能故障预测与根因分析等复杂场景。

空间数据与 GIS 应用

PostGIS 作为 PostgreSQL 的开源空间数据库扩展，让 PostgreSQL 成为企业级 GIS 首选方案。它支持数百种空间函数，具备完备的地理数据类型、空间计算、多坐标系与空间索引能力。

依托这些能力，PostGIS 可广泛应用于智慧城市、物流追踪、物联网、应急救援等场景，支撑城市部件管理、路径优化、地理围栏、资源调度等空间相关业务。

以下为空间查询示例：

SELECT name, ST_Distance(location,
  ST_GeogFromText('POINT(116.4 39.9)'))
FROM stores
WHERE ST_DWithin(location,
  ST_GeogFromText('POINT(116.4 39.9)'), 5000)
ORDER BY distance LIMIT 10;

03 RAG 及智能问数——从零搭建企业级智能问答系统

什么是 RAG？

RAG 的架构如图中所示，简单来讲，RAG 就是通过检索获取相关的知识并将其融入 Prompt，让大模型能够参考相应的知识从而给出合理回答。

7.png

因此，可以将 RAG 的核心理解为“检索+生成”，前者主要是利用向量数据库的高效存储和检索能力，召回目标知识；后者则是利用大模型和 Prompt 工程，将召回的知识合理利用，生成目标答案。

8.png

Dify × PostgreSQL 构建企业知识库

Dify 是当前主流的低代码 LLM 应用开发平台，其底层基于 PostgreSQL + PGVector 存储向量数据，可快速搭建企业级生成式 AI 应用，支持复杂工作流编排，无需大量代码开发。其核心价值是：分钟级搭建、可视化编排、数据自主可控、支持企业级部署。

核心功能模块：

  • 可视化 Prompt 编排：通过界面拖拽方式设计对话流程，支持变量注入、条件分支、多轮对话管理。
  • 数据集与知识库：基于 PGVector 实现文档向量化存储，支持多种格式导入，自动分段与索引。
  • Workflow 工作流：可视化节点编排，支持 LLM、代码执行、HTTP 请求、知识检索等节点组合。
  • 运营与可观测性：对话日志记录、标注与持续优化，A/B 测试与模型效果评估。

智能问数

基于 PostgreSQL 数据仓库，结合大语言模型实现对话式数据分析：用户以自然语言提问，系统自动完成查询、分析并输出可视化结果。

9.png

核心价值：

  • 降低分析门槛：非技术人员也能自主完成数据分析，无需学习 SQL 或 BI 工具。
  • 提升决策效率：秒级响应数据查询请求，支持实时业务决策。
  • 释放数据价值：激活企业沉睡数据资产，转化为实际商业价值。
  • 统一数据口径：通过语义层统一管理指标定义，确保数据一致性。

下面的流程图展示了基于 Dify 搭建的智能问数工作流，完整覆盖从用户提问到 SQL 执行、结果回复的闭环：

10.png

需注意：智能问数的落地效果，核心取决于对业务语义的理解深度，而非单纯的模型能力，更适合具备业务背景的专业人员使用。

Text-to-SQL

Text-to-SQL 利用大语言模型的代码生成能力，将自然语言问题自动转换为精确的 SQL 查询语句，让用户无需掌握 SQL 语法即可完成复杂的数据分析任务。其核心优势为：

  • 零 SQL 基础即可查询数据
  • 支持复杂的多表关联查询
  • 自动 schema 感知与优化
  • 企业级安全与权限控制

典型应用场景为业务人员自助数据分析、智能报表生成、数据探索与洞察发现、客服对话式数据查询。

11.png

需注意：企业级落地的 Text-to-SQL 并非仅依赖模型生成，而是以 LLM 为核心，深度融合业务知识、强安全管控与持续学习能力的系统，以解决 “黑盒” 风险，保障可控性与适配性。

全文检索+AI 语义增强

PostgreSQL 原生全文检索依赖关键词精确匹配，难以应对模糊查询与语义关联场景；结合 PGVector 向量相似度能力后，可同时实现关键词精确匹配与语义理解的双重优势，大幅提升搜索结果的相关性与覆盖率。

12.png

通过 RRF 倒数排序融合、加权评分合并、重排序模型优化等方式，将两种检索结果有机结合，实现检索精度、效率与灵活性的三重提升。

04 智能运维与自愈体系 ——AI 反哺运维

针对数百套 Oracle、PostgreSQL、MySQL 数据库的大规模运维场景，AI 自治运维体系可有效解决传统运维的痛点，实现运维效率与稳定性的双重提升。

传统运维的五大困境

传统数据库运维普遍面临五大核心挑战：

  • 被动式救火："故障发生 → 告警触发 → 人工排查"的事后处理模式，业务已受损才开始介入。凌晨 3 点的告警电话，DBA 被迫从睡梦中惊醒排查。
  • 专家经验绑定：慢 SQL 优化、故障根因分析极度依赖 DBA 个人经验。新人上手周期长，资深专家稀缺，人员流动带来运维能力断层。
  • 告警风暴：阈值设低一天几百条告警，真正故障被淹没；设高又严重漏报。
  • 资源浪费：按峰值预留 30%冗余，资源利用率不足 30%，成本居高不下。
  • 安全盲区：高危操作、SQL 注入依赖人工巡检，发现时损失已无法挽回。

AI 自治运维六大核心能力

一套成熟的 AI 运维体系，应具备以下六大核心能力：

  • 智能告警与根因分析：动态基线替代静态阈值，告警误报率降低 80%。自动关联指标、日志、SQL，秒级定位根因："CPU 飙高 → 某 SQL 全表扫描，10 分钟内暴涨 100 倍"。
  • 智能 SQL 优化：自动解析执行计划，识别全表扫描、临时表、索引失效，推荐最优索引甚至自动重写 SQL。大促前全业务线 SQL 体检，优化准确率 95%+。
  • 智能容量规划：基于历史数据和业务周期预测未来负载，自动给出扩容/缩容建议。某银行落地后资源利用率从 28%提升至 65%，年成本降低 40%。
  • 故障预测与自愈：识别磁盘坏道预警、内存泄露趋势、主从延迟异常，提前数小时甚至数天预警。可自愈故障自动修复：kill 长连接、终止死锁、自动扩容。
  • 智能安全审计：识别异常访问行为：非工作时间高危操作(drop/truncate)、异常 IP 批量查询、SQL 注入攻击。实时阻断攻击链路，自动生成合规审计报告，效率提升 90%。
  • 智能备份与灾备：差异化备份策略：热数据高频备份、冷数据低频备份。自动验证备份集可用性，周期性灾备切换演练，确保 RTO/RPO 符合业务要求，可用性 99.99%。

智能诊断运维架构

该体系采用多 Agent 协作架构，实现从监控到修复的全流程闭环：

  • 业务层：提供智能告警、报告解析、自动修复、效果验证等能力，运维人员仅需通过弹窗确认即可执行修复操作。
  • 原理层：由检测 Agent、根因分析 Agent、优化 Agent 等多模块协作，共同完成诊断与处理。
  • 数据源层：采集监控指标、日志数据、网络拓扑信息，为 Agent 提供分析依据。

13.png

自动巡检与结果分析

平台支持大规模数据库的自动化巡检，覆盖 40 + 核心指标，巡检效率与质量大幅提升。巡检指标覆盖：

  • 性能指标：CPU 利用率、内存使用、连接数、IOPS、锁等待、事务吞吐量。
  • 存储健康：表空间碎片率、索引膨胀、WAL 堆积、磁盘坏道预测。
  • SQL 质量：慢查询分析、全表扫描检测、索引缺失、执行计划异常。
  • 安全配置：弱密码检测、权限审计、SSL 配置、高危操作日志。

落地效果上，平台将 300 余套数据库的全量巡检，从传统的一周缩短至 2 小时内完成，同时自动生成包含健康分数、风险分级与优化建议的巡检报告，运维人员可直接根据指引完成闭环处理。

14.png

小结

AI 规模化落地的当下，数据底座成为关键支撑。PostgreSQL 凭借丰富扩展能力，可在单库内统一承载关系、向量、图、时序、空间等多类数据，一站式满足 RAG、智能问数、AI 自治运维等场景需求。其既简化技术架构、降低运维成本，又依托 ACID 保障数据可靠，将持续成为企业智能化建设的核心数据底座。

posted @ 2026-05-26 17:17  IvorySQL  阅读(4)  评论(0)    收藏  举报