當(dāng) PostgreSQL 遇見 AI，數(shù)據(jù)庫的 AI 進(jìn)化論

AI 正以前所未有的速度滲透進(jìn)每一個角落，“數(shù)據(jù)+智能”的化學(xué)反應(yīng)，數(shù)據(jù)庫與 AI 的深度融合，正在重塑我們對數(shù)據(jù)庫設(shè)計與應(yīng)用的想象。以 PostgreSQL 為核心的開源技術(shù)大會 HOW 2026 將于 4 月 27~28 日于濟(jì)南舉辦，這是第一期「Yolanda 科技見聞」與 HOW 2026 大會的特別聯(lián)動直播。

墨創(chuàng)數(shù)跡創(chuàng)始人汪丹（Yolanda ）邀請三位大會出品人，前 PostgreSQL 分會會長及中文社區(qū)主席、IvorySQL 專家顧問委員蕭少聰，佰晟智算（深圳）技術(shù)有限公司聯(lián)合創(chuàng)始人 CEO、IvorySQL 專家顧問委員白鱔，獨(dú)立開源貢獻(xiàn)者、 igsty 作者、IvorySQL 專家顧問委員馮若航，圍繞數(shù)據(jù)庫演進(jìn)、AI 時代的變量、DBA 發(fā)展路徑等話題進(jìn)行了一場深度對話。

核心觀點(diǎn)

·2023 年是 PostgreSQL AI 化的分水嶺。時機(jī) + 生態(tài) = 彎道超車：動態(tài)擴(kuò)展撬動 30 年成熟內(nèi)核，直接碾平專用向量數(shù)據(jù)庫賽道。

·數(shù)據(jù)庫不是海馬體，而是 AI 的整體狀態(tài)平面。PostgreSQL 的開放架構(gòu)讓多模態(tài)數(shù)據(jù)處理可以在同一個數(shù)據(jù)庫內(nèi)實現(xiàn)。

·PostgreSQL 已經(jīng)是做 AI Agent 的最佳起步數(shù)據(jù)底座了。

·AI 原生數(shù)據(jù)庫的終極形態(tài)，或許是 AI 自己能夠擴(kuò)展和定制的數(shù)據(jù)庫。

·AI 不會完全取代 DBA，但會重新定義 DBA 的價值邊界。操作性知識會被壓縮，而品味、架構(gòu)能力、判斷力和學(xué)習(xí)能力的溢價會更高。

以下為直播實錄精華。

01

當(dāng) PostgreSQL 遇見 AI，數(shù)據(jù)庫和 AI 正在發(fā)生化學(xué)反應(yīng)

最近幾年 AI 應(yīng)用大爆發(fā)，我們發(fā)現(xiàn)關(guān)注 PostgreSQL 的人越來越多，PG 不再是一個存儲數(shù)據(jù)的地方，這個誕生于 30 多年前的關(guān)系型數(shù)據(jù)庫，正在成為 AI 時代最炙手可熱的數(shù)據(jù)底座。這背后，是一場關(guān)于數(shù)據(jù)庫如何與 AI 共生的深刻變革。

馮若航：我一直在追蹤 PG 生態(tài)，關(guān)注整個數(shù)據(jù)庫生態(tài)的快速演進(jìn)。一個很明顯的信號是 2023 年初，PG 正好趕上了 ChatGPT 發(fā)布之后的 RAG（檢索增強(qiáng)生成）浪潮。具體來說，Neon 和 Supabase 這兩個 PG 生態(tài)公司敏銳地發(fā)現(xiàn)：向量嵌入可以存儲在數(shù)據(jù)庫中進(jìn)行相似性檢索。這就等于范式被開發(fā)出來了，而 PG 生態(tài)里有一個 PGVector 擴(kuò)展在 2021 年就已問世，正好趕上了這波浪潮。這之后，很多需要用到向量數(shù)據(jù)庫的地方，就開始使用 PG 了。

Stack Overflow 有一個連續(xù) 7 年的開發(fā)者調(diào)研，我們從中去看 PG 的使用率和流行度，發(fā)現(xiàn)在 2023 年左右出現(xiàn)了一個爆炸式的階躍增長。2023 年是一個分水嶺，向量數(shù)據(jù)庫這一波帶飛了 PG，AI 把 PG 的增長拉到了一個新階段。

蕭少聰：我覺得未來 PG 會是一個非常重要的工具，或者說是承載 AI 數(shù)據(jù)底座的基石。其實在剛剛過去的 2025 年，我觀察到這樣一種情況，有些原生的 AI Agent 應(yīng)用，并不一定在用 PG。我們重新去看這種情況，發(fā)現(xiàn)這樣的應(yīng)用大多跟傳統(tǒng)業(yè)務(wù)沒有直接關(guān)系，有很多新嘗試。但當(dāng)這個 Agent 做到一定程度以后，或者說 Agent 的使用達(dá)到一定規(guī)模后，就必須跟傳統(tǒng)的業(yè)務(wù)進(jìn)行整合，這時候 PG 又會成為一個最佳選擇，因為它天生把向量和標(biāo)量整合了在一起，有足夠強(qiáng)大的體系級底座，不管在權(quán)限還是在各種功能整合上，它都可以通過一個數(shù)據(jù)底座幫助開發(fā)者解決各種問題。

我從 Agent 應(yīng)用開發(fā)的角度發(fā)現(xiàn)，最開始階段基本不用考慮數(shù)據(jù)庫。當(dāng)數(shù)據(jù)積累到一定體量，且開始出現(xiàn)各種各樣的問題時，PG 已經(jīng)是做 AI Agent 的最佳起步數(shù)據(jù)底座了。再加上它的分布式特性，豐富的擴(kuò)展能力，當(dāng)數(shù)據(jù)量更大的時候，也有很多解決辦法。當(dāng)然了，對于一些特殊應(yīng)用，也需要專門的 AI 數(shù)據(jù)庫或者處理方法，我相信整個世界就是開源開放的。

白鱔：黑格爾說過，任何一個偉大的歷史事件都會發(fā)生兩次。我想第一次就是 2023 年的 OpenAI ChatGPT，第二次就是去年的 DeepSeek。這兩次歷史事件發(fā)生以后，AI 浪潮就已經(jīng)真正地進(jìn)入到我們的生活中。其實 2023 年最開始用向量數(shù)據(jù)庫的時候，我的一些項目沒用 PG。但是后來我發(fā)現(xiàn)，很多宣稱是 AI 原生數(shù)據(jù)庫的，用起來并不方便，因為我不僅僅是要處理向量，我還要處理地理信息、圖數(shù)據(jù)、時序數(shù)據(jù)等等，這時候就發(fā)現(xiàn)還是得用 PG，所有的數(shù)據(jù)都可以放在一個數(shù)據(jù)庫里面，整個應(yīng)用架構(gòu)就簡化了很多。再往后，PG 的插件架構(gòu)又帶來了更多、更大的可能性，我覺得這是 PG 非常獨(dú)特且強(qiáng)大的方面。

02

數(shù)據(jù)庫不是海馬體，而是 AI 的狀態(tài)平面

社區(qū)里有人把數(shù)據(jù)庫比作 AI 的海馬體，數(shù)據(jù)存儲在哪里，智能就在哪里生長。比喻的目的往往不是為了準(zhǔn)確，而是多一種理解維度。AI 時代，數(shù)據(jù)庫的價值到底是怎樣的？具體場景下怎么選擇？

馮若航：如果用海馬體這個概念的話，我會把數(shù)據(jù)庫里的一個組件比喻成海馬體，比如向量查詢引擎，或者是全文檢索引擎這樣的組件。整個數(shù)據(jù)庫其實就相當(dāng)于大腦本身或者至少是記憶部分，一個數(shù)據(jù)庫有各種各樣的引擎，比如向量查詢、全文檢索、地理空間、存儲、事務(wù)等等，他們一起來完成一個完整的工作，所以數(shù)據(jù)庫更像是一個 AI 的狀態(tài)平面。

順著海馬體的比喻，這里展開說說 PGVector 這樣的向量組件/擴(kuò)展。PGVector 最開始是 2021 年的時候，一個社區(qū)的個人愛好者自己做的一個項目，后來大廠投入了很多資源，讓它成為了一個生產(chǎn)級別的向量組件。和這幾年的很多專門的向量數(shù)據(jù)庫對比，PGVector 實現(xiàn)了同樣的 SOTA 級性能表現(xiàn)，它更大的亮點(diǎn)是易用程度。PGVector 最開始只有 2000 行代碼，到現(xiàn)在也就是 8000~9000 行代碼，用這種擴(kuò)展的方式，很快就能實現(xiàn)完整的向量功能。從這個維度看，我認(rèn)為 PGVector 是把整個專用向量數(shù)據(jù)庫的賽道直接給碾平了。對于 PG 來說，這是一個彎道超車的故事，一方面，它有歷經(jīng) 30 年打磨的高度穩(wěn)定的數(shù)據(jù)庫內(nèi)核；另一方面，像 PGVector 這樣擴(kuò)展出來的增量功能經(jīng)過大廠的投入也超過了專用向量數(shù)據(jù)庫。從 2023 年開始，我就已經(jīng)在生產(chǎn)環(huán)境看到很大規(guī)模的 PGVector 部署，當(dāng)下在做 AI 應(yīng)用的時候，大家已經(jīng)默認(rèn)選擇 PG 里面的 PGVector 了。

白鱔：對，PG 的開放式架構(gòu)，社區(qū)活躍，整體的發(fā)展也很快。像 PGVector 這樣的插件，可以讓我們在開發(fā)一些簡單應(yīng)用的時候，不需要借助其他東西。我覺得未來的趨勢就是怎么樣，可能今后我們的應(yīng)用都是面向 AI 的，也是用像 Claude Code 的這樣的 AI 工具寫的，怎么樣讓 AI 應(yīng)用的開發(fā)成本更低，就成為一個很關(guān)鍵的問題，那么代碼量越小，AI 應(yīng)用的成本就會越低，這時候 PG 的優(yōu)勢是相當(dāng)明顯的。

蕭少聰：我知道在業(yè)界對 PG 的一些特性或者能力是有一些詬病的，比如它很占內(nèi)存，但實際上這些問題已經(jīng)解決了。我想從另外一個角度來聊聊，就是現(xiàn)在很多 AI 操作直接就不去折騰 SQL 這件事了。就是通過一些提示詞，或者一些更簡單的調(diào)度方法，可以很輕松地做一些向量提取、獲取分析等操作。這些操作，對于現(xiàn)在很熱的 OPC（一人企業(yè)），或者小團(tuán)隊來說，用來開發(fā)解決具體問題的 Agent，這就已經(jīng)夠用了。

但再往后，我發(fā)現(xiàn)很多人又開始把這樣的應(yīng)用回歸到數(shù)據(jù)庫，回歸到像 PG 這樣的一個系統(tǒng)里來，當(dāng)有這樣需求的時候，就會發(fā)現(xiàn)之前寫的那些短平快的應(yīng)用要遷移到 SQL 變得特別辛苦，因為一開始沒考慮規(guī)范化，那這個陣痛就是必經(jīng)之路，一旦進(jìn)入到一個規(guī)范化角度使用數(shù)據(jù)的時候，你可以對接的東西就多了。

雖然我們說未來可能是 Agent 之間在溝通，數(shù)據(jù)庫非必須，但如果這個應(yīng)用最終需要服務(wù)于人類，要讓我們看得懂，還是必須形成一些規(guī)范化的動作，要有結(jié)構(gòu)化，去支撐高可用、穩(wěn)定性等動作，那么 PG 就會是一個天然的支撐體。

03

什么是真正的“AI 原生數(shù)據(jù)庫”？

許多數(shù)據(jù)庫標(biāo)榜自己是“AI Native”，但大多只是加了向量功能。真正的 AI 原生數(shù)據(jù)庫應(yīng)該具備什么能力？PG 的下一步演進(jìn)方向可能會是什么？

白鱔：現(xiàn)在很多都講自己是 AI 原生數(shù)據(jù)庫，其實我個人感覺還沒看到一個真正的原生數(shù)據(jù)庫�？赡芪磥淼某绦蚨际� AI 在寫，它是否需要數(shù)據(jù)庫，需要什么樣的數(shù)據(jù)庫，這些需求還是不充分的，不是說加上一個向量功能就是原生數(shù)據(jù)庫了。

我近兩年一直在做 AI 應(yīng)用，現(xiàn)在處理很多數(shù)據(jù)的時候，已經(jīng)不是完全關(guān)系型的處理模式了，而是用一種邏輯數(shù)據(jù)邏輯的模式。我們在推動一個叫“數(shù)據(jù)驅(qū)動的語義化知識圖譜”，其實是用語義在處理數(shù)據(jù)。在這種情況下，不是所有地方都需要 SQL，有些是語義驅(qū)動，很多中間數(shù)據(jù)就不需要了。以前我們的一個數(shù)據(jù)庫里有成千上萬張表，90% 都是為了處理數(shù)據(jù)而設(shè)計的表，而不是真正的業(yè)務(wù)需要的表。而在 AI 時代，有可能只有 10% 的表就可以描述所有業(yè)務(wù)。這是我現(xiàn)在實踐的一個大概情況，未來數(shù)據(jù)庫肯定會發(fā)生變化，但我還沒有想清楚未來數(shù)據(jù)庫到底會長成什么樣子。

我想 AI 原生數(shù)據(jù)庫就是真正為 AI 應(yīng)用場景去構(gòu)建的。我現(xiàn)在看到的一個路徑，是在像 PG 這樣優(yōu)秀的底座上繼續(xù)做大量改造，動態(tài)地用插件方式來來構(gòu)建新能力，我相信 PG 可以越來越像一個 AI 原生數(shù)據(jù)庫。

馮若航：我可以補(bǔ)充一下我的思考。我覺得 AI Native 數(shù)據(jù)庫或者是 Agent Native 數(shù)據(jù)庫，可以從下面這幾個層面來看。

內(nèi)核層面：第一，把數(shù)據(jù)庫的本職工作，也就是存儲數(shù)據(jù)和檢索數(shù)據(jù)做好，這是基本功。第二，具備可擴(kuò)展性。AI 的需求廣泛，無法預(yù)估 AI 會怎么用數(shù)據(jù)庫，能做好的事情就是把這些接口和鉤子給預(yù)留好。它需要向量，可以加一個向量擴(kuò)展；它需要圖，可以加個圖擴(kuò)展；它需要全文檢索，給它預(yù)留好全文檢索的接口。在內(nèi)核層面真正能稱得上是AI 原生的，就是把多模態(tài)和可擴(kuò)展性給做好，在這個維度上我認(rèn)為 PG 是做得最好的。

發(fā)行版擴(kuò)展層面：現(xiàn)在 RAG 已經(jīng)成為一個標(biāo)配，大家都在用向量，無需多言了。那么新出現(xiàn)的是什么？Agent 的Memory System（記憶系統(tǒng)），現(xiàn)在是百花齊放的階段。已經(jīng)出了各種記憶框架，你會發(fā)現(xiàn)很多底層用的都是 PG。都有哪些記憶呢？有場景記憶、工作記憶、長期記憶、知識性記憶、經(jīng)驗性記憶等等，這些記憶其實最后落到實處都是數(shù)據(jù)庫表，就是傳統(tǒng)的關(guān)系型數(shù)據(jù)；除此之外，還有模糊記憶，用向量來檢索；還有一類就是知識圖譜，就是圖的能力，PG19 應(yīng)該會有相關(guān)的更新；還有全文檢索，比如把 ElasticSearch 的能力，把 BM25 全文檢索的能力放到數(shù)據(jù)庫里。最后你會發(fā)現(xiàn)在一個數(shù)據(jù)庫里，你同時可以做精確 SQL 檢索、做模糊向量檢索、做圖檢索和做 BM25 全文檢索這幾種經(jīng)典的檢索范式。大體上我認(rèn)為 AI 原生數(shù)據(jù)庫要擁有為未來預(yù)留的可擴(kuò)展性。

非功能性能力層面：我當(dāng)下看到兩個最值得去探索的方向，一個是 Serverless，一個是 AI 能力克隆。在 PG18 里其實有一個 Instant folk 能力，你可以在線把一個巨大的數(shù)據(jù)庫原地克隆 N 份，不占額外的存儲成本。對于 Agent 來說，這就等于給了它一個試錯沙箱。當(dāng)我需要變更功能的時候，先在克隆里面操作，驗證無誤之后再把它合并到生產(chǎn)環(huán)境里。我認(rèn)為對于 Agent 來說是這是數(shù)據(jù)庫應(yīng)該提供的一個核心能力。

蕭少聰：我補(bǔ)充一個小點(diǎn)。退回到數(shù)據(jù)庫出現(xiàn)的那一天，它到底在解決什么問題，實際上就是在解決數(shù)據(jù)操作的一致性問題。怎么理解？從自己開發(fā)的一個應(yīng)用，變成團(tuán)隊開發(fā)的應(yīng)用，要給很多人用，也會有其他應(yīng)用來讀取，就需要有一個相同的方法，大家用相同的操作方式去使用這些數(shù)據(jù)，得到相同的效果，這就是一種操作上面的一致性。這時候數(shù)據(jù)庫軟件出現(xiàn)了，叫做通用基礎(chǔ)軟件。

我相信在 AI 時代也是一樣。過去這樣的一個通用基礎(chǔ)軟件的數(shù)據(jù)庫，是給人編寫程序和人類所使用的 App 去使用的，那么未來同樣的需求會出現(xiàn)在 AI Agent 這一端，它會變成什么樣子？我覺得這個還是交給后續(xù)的持續(xù)發(fā)展，跟隨逐步變化再去觀察。說不定因為 PG 足夠開放，你把 PG 協(xié)議扔給 Agent，告訴它需要用的時候自己做擴(kuò)展，它完全可以在這基礎(chǔ)之上做出很多可能人類看不懂、但是對 Agent 溝通非常有效的東西，然后在 Agent 之間流傳。我想，這就是 PG 開放生態(tài)所帶來的東西，未來可能有一堆這樣的擴(kuò)展吧。

如果給 PG 提一個期待，我講一個希望內(nèi)核組趕緊解決的一個問題。我們在用向量和標(biāo)量，現(xiàn)在兩邊都是一個比較獨(dú)立的算子在運(yùn)行。到底是先用向量來過濾數(shù)據(jù)，還是先用標(biāo)量來過濾數(shù)據(jù)，這里頭其實是一個博弈狀態(tài)。后續(xù)的 PG 版本，是否有可能更快地打通兩個算子，能夠讓操作變得更加平滑，可觀測更強(qiáng)，可以按需調(diào)節(jié)，讓開發(fā)者使用起來更加簡單。

04

AI 可觀測性發(fā)展趨勢

AI 可觀測性成為一個越來越重要的話題，現(xiàn)狀如何？未來又有怎樣的發(fā)展趨勢？

白鱔：最近 Harness 特別火，也是因為在做一個 AI 應(yīng)用的時候，不是像以前寫代碼就可以完全控制住它，AI 生成的 Agent 有自己的不確定性。

我們講可觀測性缺失，更多是大模型應(yīng)用方面的問題，還不是數(shù)據(jù)庫內(nèi)部的。比如 PG 數(shù)據(jù)庫，它的底層架構(gòu)特別好，可以看到索引構(gòu)建的進(jìn)度，是很放心的。當(dāng)然，PG 的一些指標(biāo)體系還可以持續(xù)完善，但它有很好的插件機(jī)制，有很多鉤子，我們需要觀測的任何指標(biāo)，在 PG 框架里都是可以解決的。

馮若航：關(guān)于可觀測性，我覺得分兩個問題，一個是 AI Agent 怎么幫助提升數(shù)據(jù)庫的可觀測性，一個是數(shù)據(jù)庫怎么幫助提升 AI Agent 的可觀測性。對于前一個問題，數(shù)據(jù)庫的可觀測性，已經(jīng)不再是一個問題了，比如 PG 有很多觀測視圖，很多擴(kuò)展能力，包括我自己做的 PG 監(jiān)控系統(tǒng)，幾年前就已經(jīng)做到了 PG 里面所有的指標(biāo)應(yīng)收盡收。

更重要的問題是 Agent 本身的可觀測性如何用數(shù)據(jù)庫來解決。一個 Agent 的 Loop，它里面有很多事件，其實大家是想知道它里面到底發(fā)生了什么，它為什么是這么決策的？當(dāng)前 Agent 最大的一個隱患是提示詞注入，它去網(wǎng)上各種沖浪找東西查文獻(xiàn)，文獻(xiàn)里面如果有一行注入提示詞，很可能就把它帶偏了，它可能做出了一個不理智的決策，把你的密鑰發(fā)給別人，這個問題怎么解決？我認(rèn)為 Agent 可觀測性將會成為一個獨(dú)立賽道，就像以前的應(yīng)用可觀測性一樣，大家需要理解 Agent 為什么做出這些決策，這些決策事件應(yīng)該有個地方保存。現(xiàn)在看到的做法還都很粗糙，比如只是存儲日志，沒有把它以專業(yè)的可觀測的決策樹鏈條畫出來，我認(rèn)為這是數(shù)據(jù)庫可以干的事情，在企業(yè)級場景里面，這件事的價值還會持續(xù)升級。

05

DBA 會被 AI 取代嗎？

這是每個數(shù)據(jù)庫從業(yè)者都在思考的問題。答案既殘酷又充滿希望�！袄先恕比绾伪３指偁幜Γ俊靶氯恕钡某砷L路徑在哪里？

白鱔：這個話題幾乎每個活動都會談到。前天我在長沙和用戶也在聊這個問題，聊了三個小時以后，大家信心都很足�，F(xiàn)場的 DBA 都很興奮，一點(diǎn)都沒覺得會被淘汰，反而感受到了自己的價值，能把以往的經(jīng)驗喂給 AI。

前段時間我去一個公司，他們的運(yùn)維團(tuán)隊都在寫 Skills，甚至做了 KPI 要求，叫知識資產(chǎn)化。這是 AI 給我們帶來的一個改變，當(dāng)我們腦子里沒有知識的時候，就只能變成  Token 陪伴大家；但是當(dāng)腦子里還有知識的時候，是不會馬上被蒸餾完的。我們必須往前走，需求在變，能力增長就要變。不過當(dāng)下的殘酷是變化太快了，是一種跨越式的發(fā)展，而不是我剛?cè)胄?DBA 的 90 年代了，那時候能裝個數(shù)據(jù)庫就已經(jīng)是專家了。

去年耶魯大學(xué)有一個學(xué)者說了一個觀點(diǎn)：AGI 時代，勞動價值將被算力成本重新定價。啥意思？傳統(tǒng)經(jīng)濟(jì)學(xué)中工資與技能稀缺性掛鉤，但是在 AGI 時代，勞動者的收入上限取決于復(fù)制其技能所需的算力成本。舉個例子，以前我們經(jīng)常做 AWR 報告，需要專家才能把它分析清楚，你花三五千元請專家到現(xiàn)場，或者說線上給一千元的費(fèi)用，基本沒有專家愿意干。現(xiàn)在 AI 分析這樣一個報告需要多少錢？我們就免費(fèi)開放了一個工具，分析一份報告的實際算力成本是 5 分錢到 1 毛 2。

你看，這就是一個很現(xiàn)實的問題。坦白說，簡單的一線工作，AI 能夠做得很好，基本是完全替代。所以得讓自己成為腦子里有持續(xù)可蒸餾知識的 DBA。還是那句話，我們 DBA 必須往前走，保有被持續(xù)蒸餾的價值。

蕭少聰：我最近也在蒸餾自己，方法不是把我蒸餾完了，是把我每一部分的不同能力蒸餾出來，干不同的活。白老師給了大家很多鼓勵，我說點(diǎn)冷冰冰的話。DBA 分兩種，第一種是真正從數(shù)據(jù)庫的基礎(chǔ)架構(gòu)思考學(xué)習(xí)過來的，打好了堅實的基礎(chǔ)。我想這就是剛才白老師所講的，聽到 AI 這東西來了會興奮的那波 DBA。為什么？臟活累活咱不用干了，那么多 AI 工具先用起來，解放雙手，然后去解決更有意義的價值。第二種 DBA 是對數(shù)據(jù)庫是做什么事情的、解決什么問題的、底層架構(gòu)怎么設(shè)計的這些沒有深刻理解，只會敲幾個命令，今天做備份，明天做恢復(fù)，遇到備份恢復(fù)不了的情況就完全不知道怎么辦，這樣的 DBA 肯定沒活路了，這么說可能很打擊人，AI 都不需要蒸餾你，AI 已經(jīng)能替代你完這些事情了。

前幾天我遇到了一個非常優(yōu)秀的年輕人，送了他一本書《數(shù)據(jù)庫系統(tǒng)概論》，一本老書，我自己做了很多筆記。我覺得面對 AI 也不要慌，還是回到這些最基礎(chǔ)的東西上：一定去學(xué)清楚數(shù)據(jù)庫的底層邏輯，數(shù)據(jù)庫到底在解決什么問題？怎么解決的？有一些這樣的底層思考。

換個角度看，對所有人來說，AI 都提供了一個非常好的機(jī)會。從來沒有一個時代，有這樣一位老師，可以天天陪伴在我們左右，不懂的時候，他可以不停地教導(dǎo)，而且用我們所能理解的語言來講。我現(xiàn)在用 AI 不是純粹問一個問題，會先告訴 AI 我的水平在哪里，AI 就能用我們聽得懂的語言和深度來幫助我們更快速成長，過去是不會有任何一個老師這么來教的。

馮若航：我覺得肖老師說的特別有道理。其實 AI 沖擊最大的是中間的這一部分，最頂尖的專家受沖擊是比較小的，比如數(shù)據(jù)架構(gòu)師依然很有價值，品位、判斷這些都是沒法替代的，100% 會被替代的是運(yùn)營性的操作知識；初學(xué)者或者是行外的研發(fā)與運(yùn)維，受沖擊也沒那么大，對他們來說這是一個全新的機(jī)會。如果我要招人的話，肯定只招兩類人，一類是能驅(qū)動 AI agent/DBA Agent 去干活的老司機(jī)；一類是聰明的實習(xí)生，還是一張白紙，有無限可能。

DBA 還有一個優(yōu)勢在哪里呢？我認(rèn)為相對于前后端工程師，DBA 有一個結(jié)構(gòu)性優(yōu)勢。在整個 IT 技術(shù)棧里，數(shù)據(jù)庫是非常硬核的部分，一個對數(shù)據(jù)庫有深度了解的 DBA 現(xiàn)在用 AI Agent 去做前后端開發(fā)是相對容易的。我們應(yīng)該抓住這個優(yōu)勢，在這個機(jī)會窗口利用好它，VibeCoding，做 Agent，以數(shù)據(jù)庫作為基石，打造全棧產(chǎn)品。

過去的環(huán)境是用 5~10 年專門鉆研一個數(shù)據(jù)庫，從小白成長為專家。但當(dāng)下，在生產(chǎn)環(huán)境中打磨的這條路徑已經(jīng)被 AI Agent 鎖死了，不會有這樣的環(huán)境給我們來干這些事了，那年輕人入行怎么彎道超車？我的建議是站在前人的肩膀上。什么意思？比如我把自己作為 DBA 的經(jīng)驗蒸餾出至少 70% 做成軟件，那年輕人就可以直接站在這些蒸餾出來的專家經(jīng)驗的基礎(chǔ)上，最佳策略就是直接用這些軟件，去培養(yǎng)自己的體感知識和判斷力。也就是說，在 AI 的幫助下培育你自己的直覺和觀感，這是我認(rèn)為當(dāng)下最務(wù)實的路徑，專家沉淀出來的工具將會成為新人入門的一個可行路徑。

結(jié)語

整合與進(jìn)化的力量

三位專家的精彩分享與碰撞讓我們看見 PostgreSQL 的 AI 進(jìn)化脈絡(luò)，它揭示了一個深刻的真理：在技術(shù)演進(jìn)中，整合與進(jìn)化往往比專業(yè)化更有生命力。

2026 年，我們正站在一個轉(zhuǎn)折點(diǎn)上。PostgreSQL 不再只是“也能做 AI”的數(shù)據(jù)庫，而是在重新定義什么是“AI 原生”的數(shù)據(jù)基座。它告訴我們：真正的智能不是推倒重來，而是讓已有的系統(tǒng)學(xué)會思考。在追逐新技術(shù)的同時，不要忘記那些經(jīng)過時間考驗的基礎(chǔ)設(shè)施，它們往往蘊(yùn)含著更大的進(jìn)化潛力。系統(tǒng)如此，人亦如此。在 AI 時代，新一代 DBA 也正在重新定義自己。

4 月 27 - 28 日，1 場主論壇+12 大主題分論壇，覆蓋數(shù)據(jù)庫技術(shù)的關(guān)鍵路徑與前沿方向，一次性展開 PostgreSQL 在當(dāng)下與未來的完整技術(shù)版圖。歡迎報名參加，我們濟(jì)南見。