获课：xingkeit.top/18039/

AI浪潮下的PostgreSQL：数据库不是过时学问，是AI的底座

前阵子和一个做AI应用的朋友聊天，他团队用了三个月时间搭建RAG（检索增强生成）系统，把企业文档向量化后存入数据库，再通过大模型做智能问答。上线后发现两个问题：相似性检索响应时间超过3秒，并发用户一多就直接超时。折腾了半个月，解决方案竟然是把PostgreSQL的索引从HNSW换成IVFFlat，并调整了shared_buffers参数，响应时间直接降到200毫秒以内。

这件事让我意识到一个被忽视的现实：AI热潮下，数据库不仅没有过时，反而成为决定应用成败的关键底座。 而PostgreSQL，凭借其扩展性与稳定性，正成为这场变革中的最大赢家。

为什么是PostgreSQL？

选择PostgreSQL不是偶然。在AI应用的数据栈中，需求极为复杂——既需要处理结构化数据（用户信息、订单记录），又需要存储半结构化数据（JSON格式的日志、配置），还需要支持向量数据（文本嵌入、图像特征）。传统数据库难以胜任，专有向量数据库又存在生态割裂的问题。

PostgreSQL的独特价值在于“一站式”。通过pgvector扩展，它直接在关系数据库内核中支持向量存储与相似性搜索，让一个数据库同时承载业务数据和AI特征数据。这意味着无需维护两套系统，无需处理数据同步的复杂逻辑，一套ACID事务就能保证用户行为记录和向量更新的原子性。

我在一个智能推荐项目中，将用户画像表（结构化）与商品向量表（pgvector）放在同一个PostgreSQL实例中。推荐查询时，一个SQL语句同时完成用户偏好过滤和向量相似性匹配，数据一致性天然得到保障。换成任何其他方案，都需要至少两套系统协同。

进阶的真正门槛：懂数据库原理

很多开发者停留在“会用”层面——会建表、会写查询、会做索引，但遇到性能瓶颈就束手无策。进阶的关键在于理解数据库内部的运作机制。

比如执行计划分析，这是性能调优的第一道关。我曾经遇到一个查询从500ms优化到15ms，改动仅仅是调整了WHERE条件的顺序，让PostgreSQL的查询优化器选择了正确的索引扫描路径。理解Seq Scan（顺序扫描）、Index Scan（索引扫描）、Bitmap Heap Scan（位图堆扫描）的区别，远比盲目加索引有效。

再比如并发控制。PostgreSQL的MVCC（多版本并发控制）机制，让读操作不阻塞写操作，这是它的核心优势。但这个优势的前提是事务隔离级别的合理设置。默认的Read Committed级别对大多数场景足够，但如果你在做报表统计时需要一致性快照，就必须用Repeatable Read。不当的事务设计会导致锁等待、死锁，甚至性能雪崩。

性能调优：从“装好”到“调好”

调优没有万能公式，但有方法论。我自己的实操路径分为三层：

第一层：配置调优。 安装完PostgreSQL后，默认配置是为小型服务器准备的。shared_buffers建议设为物理内存的25%-40%，work_mem根据并发数合理分配，effective_cache_size告诉优化器操作系统缓存了多少数据。这些参数调整一个，可能带来数倍性能提升。

第二层：索引策略。 这不仅是加索引，更是选择合适的索引类型。B-tree适合等值和范围查询，Hash适合等值查询，GIN适合全文检索和数组查询，BRIN适合超大表的稀疏索引，而pgvector的向量索引（HNSW/IVFFlat）则需要根据数据量和召回率要求选择。我见过太多开发者给所有字段一律加B-tree索引，结果写入性能严重下降。

第三层：查询重写。 最容易被忽视的一层。很多时候性能瓶颈不在数据库配置，而在SQL写得不够好。比如用EXISTS替代IN、用UNION ALL替代UNION、避免在WHERE中使用函数包裹索引列——这些基本功在数据量增大后会显现出巨大差异。

AI不是替代，是放大

有个现象值得思考：AI并没有减少数据库的使用需求，反而放大了对数据库性能的要求。 RAG系统需要毫秒级向量检索，AI Agent需要事务性记忆存储，多模态应用需要混合查询能力——这些都在将压力传导给数据库层。

PostgreSQL社区对AI的回应是积极且务实的。pgvector从诞生到成为明星扩展只用了不到两年，TimescaleDB对时序数据的支持、PostGIS对空间数据的处理，都在扩展PostgreSQL的能力边界。它走了一条和专有数据库完全不同的路——通过丰富的扩展生态，在一个稳定内核上生长出满足新场景的能力。

最后

如果你正投入AI应用开发，我的建议是：不要忽视数据库这个看似“传统”的组件。它可能是你系统中最核心的性能瓶颈，也可能成为最大的竞争优势。花时间深入理解PostgreSQL的执行计划分析、索引机制、参数调优，这笔投资的回报远超预期。

AI浪潮会洗牌很多技术栈，但数据管理的底层逻辑不会改变——高效存储、快速检索、一致可靠，这些需求是永恒的。PostgreSQL的价值不在于它追上了什么热点，而在于它用几十年的时间打磨出了应对任何热点的稳健底座。掌握它，你就不需要在技术潮流的起伏中频繁换船。