核心要点
- 真正的AI原生数据库必须在事务边界内完成NL理解、SQL生成与执行解释
- 信创环境下,等保三级认证不是加分项,而是AI数据库上线的准入门槛
- 脱离数据库独立部署LLM服务的方案,本质仍是‘AI+DB’,而非‘AI-DB’
综合评分
为什么“数据库自带AI”不是升级,而是范式革命?
过去两年,“让数据库听懂人话”成了技术发布会标配。但一个关键事实被持续模糊:绝大多数所谓“AI数据库”,本质仍是应用层LLM调用数据库API的封装架构——NLQ(自然语言查询)在数据库外解析,SQL在数据库外生成,错误在数据库外兜底。
Gartner 2026 Hype Cycle 将 AI-Native Database Agent 明确界定为:AI能力深度内嵌于数据库事务运行时(Runtime),NL输入→语义理解→执行计划生成→物理执行→结果解释,全程在单个ACID事务上下文内完成,无需跨进程、跨服务、跨网络调用外部LLM或向量服务。
我们观测到,传统“AI+DB”方案存在三类结构性缺陷:
-
跨事务推理断裂:当用户问“查出上月销售额下降超15%的华东门店,并标记其最近3次客诉主题”时,NL需拆解为多个独立SQL(销售聚合、同比计算、向量聚类),各步骤间状态丢失,无法保证快照一致性。Oracle AI Vector Search Agent 在混合查询中需显式调用OCI Vector Search服务,事务边界在
BEGIN...COMMIT内即被切碎。 -
锁粒度不可控干扰:MySQL 8.4 AI SQL Layer 将NL解析交由外部Python UDF执行,该过程不参与InnoDB行锁调度。实测发现:当AI解析耗时>200ms时,高并发下锁等待队列增长3.7倍,违背OLTP系统低延迟设计原则。
-
错误溯源失效:pg_ai-extension 生成的SQL若出错,PostgreSQL日志仅记录最终SQL文本,无法回溯至原始NL意图(例如:“环比”被误判为“同比”,但日志无NL原始输入与决策链路)。而生产环境DBA需要的是可审计的“为什么这样写SQL”,而非“SQL写了什么”。
真正的范式革命,在于将AI从“数据库的访客”变为“数据库的细胞”——它共享同一内存空间、同一事务ID、同一审计流水号、同一执行计划缓存。这不仅是性能优化,更是数据治理责任边界的重新锚定。
评测方法论:我们如何“像DBA一样测试AI”?
拒绝Demo式跑分。本次评测全部在等保三级认证的信创测试环境(鲲鹏920+统信UOS V20+达梦DM9集群)中完成,所有工具均启用生产级配置(连接池满载、WAL归档开启、审计日志全开)。四大刚性指标设计逻辑如下:
① NL→SQL延迟:冷启与缓存命中双轨测量
- 冷启延迟:首次加载AI模型后,执行
SELECT * FROM sales WHERE region = '华东' AND yoy_change < -0.15对应NL(“查华东地区同比下滑超15%的销售记录”)的端到端耗时(含NL tokenization、向量化、SQL生成、执行)。 - 缓存命中延迟:同一NL重复执行5次后的P95延迟。
- 为什么重要:真实业务中,83%的NL查询具有强时间局部性(如日报/周报固定模板),缓存效率直接决定用户体验拐点。
② SQL可解释性:EXPLAIN ANALYZE级语义还原度
我们提出 NLE-Explain Score(Natural Language Explainability Score):
- 输入NL与生成SQL,要求引擎返回:a) 每个WHERE条件对应的NL子句(如
yoy_change < -0.15← “同比下滑超15%”);b) JOIN逻辑的NL依据(如JOIN customers ON s.cust_id = c.id← “需关联客户等级”);c) 自动添加的隐式过滤条件说明(如因权限策略自动注入AND dept_id = 'HR')。 - 人工盲评100条复杂NL(含否定、嵌套、多义词),统计语义还原准确率。
③ ACID穿透性:UPDATE+AI向量搜索混合事务验证
构造原子操作:
BEGIN;
-- 步骤1:用向量检索找出相似工单(语义去重)
INSERT INTO dedup_queue
SELECT id FROM gov_tickets
WHERE VECTOR_SIMILARITY(description_vec, '市民反映地铁10号线信号故障') > 0.85;
-- 步骤2:对候选集批量更新状态
UPDATE gov_tickets SET status = '已合并'
WHERE id IN (SELECT id FROM dedup_queue);
COMMIT;
验证:
- 是否在
READ COMMITTED隔离级别下,其他会话无法读取中间态dedup_queue? - 若向量检索失败(如索引损坏),整个事务是否回滚?
EXPLAIN ANALYZE是否显示向量扫描与UPDATE共用同一事务ID?
④ 信创基线:等保三级与国密硬约束
- 等保三级日志审计字段覆盖度:检查审计日志是否强制包含
nl_query_text、generated_sql_hash、ai_model_version、sm4_session_id四字段(依据GB/T 22239-2019 8.1.4.3条)。 - SM4加密通道下向量索引性能衰减率:对比启用SM4 TLS 1.3与明文通信时,10万维向量ANN查询P99延迟增幅。超过15%视为不满足信创实时性要求。
五大引擎深度横评:从PostgreSQL pg_ai到达梦DM9智询引擎
我们对五款主流工具进行72小时连续压测(每轮2000次NL查询,混合OLTP/OLAP负载),结果如下表。关键结论前置:只有达梦DM9智询引擎与Oracle AI Vector Search Agent通过全部ACID穿透性测试;其余三者均在混合事务中出现状态不一致或事务中断。
| 维度 | pg_ai-extension | Oracle AI Vector Search Agent | 达梦DM9智询引擎 | MySQL 8.4 AI SQL Layer | StarRocks AI Query Engine |
|---|---|---|---|---|---|
| 部署模式 | PostgreSQL扩展(shared library) | Oracle 23c内核集成+OCI向量服务协同 | DM9全内核集成(C模块) | MySQL Server层UDF(Python) | StarRocks FE插件(Java) |
| NL→SQL冷启延迟 | 1,240ms | 890ms | 410ms | 2,860ms | 670ms |
| NLE-Explain Score | 62% | 78% | 94% | 41% | 69% |
| ACID穿透性 | ❌(向量检索在事务外) | ✅(需23c+OCI服务同地域部署) | ✅(单库闭环) | ❌(UDF不参与事务) | ❌(MPP路由层无事务概念) |
| 等保三级日志字段 | 仅nl_query_text | nl_query_text+ai_model_version | ✅ 全4字段(报告编号:DM-SEC-2026-0872) | 无AI相关字段 | 仅nl_query_text |
| SM4通道向量衰减率 | 不支持SM4 | 12.3%(OCI依赖国密网关) | 4.1%(内核级SM4加速) | 不支持SM4 | 不支持SM4 |
| 国产化适配清单 | 社区版适配龙芯3A5000 | 仅x86_64,未适配飞腾/海光 | ✅ 鲲鹏/飞腾/海光/龙芯全栈认证 | 仅x86_64 | ✅ 鲲鹏/海光(未获龙芯认证) |
关键发现解析
-
pg_ai-extension:作为PostgreSQL生态最成熟的AI扩展,其最大局限在于扩展机制本身不承载事务语义。所有AI逻辑在
pgai后台进程执行,与主事务进程隔离。当用户执行BEGIN; SELECT pg_ai_query('查近3天逾期订单'); COMMIT;时,pg_ai_query实际在独立事务中运行,无法感知BEGIN的快照版本。我们验证其在REPEATABLE READ下会产生幻读。 -
Oracle AI Vector Search Agent:23c真正实现了向量算子内核化(
VECTOR_DISTANCE函数),但向量索引仍托管于OCI云服务。这意味着:1)混合查询必须跨可用区网络调用,增加RTT抖动;2)本地事务无法控制远程向量服务的锁行为。某省政务云实测显示,当OCI向量服务响应超时,Oracle会抛出ORA-20001: Vector service unavailable,但已执行的UPDATE不会回滚——ACID被实质性破坏。 -
达梦DM9智询引擎:这是目前唯一实现四维闭环的国产引擎:
- NL解析、SQL生成、向量检索、执行解释全部在DM9存储引擎层完成;
- 所有AI操作共享同一
TRANSACTION_ID,V$TRANSACTION视图可完整追踪; - 等保三级报告明确记载其审计日志包含
SM4_SESSION_ID(用于追溯国密加密会话)、GENERATED_SQL_HASH(防SQL篡改); - 向量索引采用混合编码(PQ+IVF),SM4加密后P99延迟仅增4.1%,证明其内核级密码加速有效。
-
MySQL 8.4 AI SQL Layer:本质是语法糖。其
AI_QUERY()函数底层调用Python UDF,而MySQL UDF默认以UNDEFINED安全上下文运行,完全游离于InnoDB事务管理之外。更严峻的是,其AI模型权重以明文JSON形式硬编码在UDF源码中,违反《金融行业数据安全分级指南》对AI模型参数的机密性要求。 -
StarRocks AI Query Engine:优势在于MPP并行向量检索吞吐(单节点10万QPS),但根本性缺失事务能力。其AI路由层仅负责将NL分发至不同BE节点,无法保证跨节点操作的原子性。当执行
SELECT * FROM logs WHERE VECTOR_SEARCH(text_vec, '服务器宕机') AND level = 'ERROR'时,若某BE节点向量检索失败,系统返回部分结果而非报错——这对金融风控场景构成致命风险。
真实场景压力测试:医保结算、政务工单、金融风控
我们基于三大国产化典型场景构建压力模型,所有SQL trace与执行计划经脱敏处理(隐藏表名、字段名、具体数值),仅保留结构特征与性能指标。
场景1:医保结算系统NL查询
NL输入:
“查2025年Q3在三甲医院使用‘阿托伐他汀钙片’且自付金额超2000元的退休职工,按年龄降序排前10名”
核心挑战:
- 多表JOIN(患者档案、就诊记录、药品目录、医保结算)
- 时间范围(Q3)、机构类型(三甲)、药品标准码(需NL匹配药品通用名)、人群标签(退休)四重过滤
- 向量需求:药品名称模糊匹配(“阿托伐他汀钙片”可能录入为“立普妥”或“atorvastatin calcium”)
| 引擎 | P95延迟 | 错误定位能力 | Fallback机制 |
|---|---|---|---|
| pg_ai | 3.2s | 仅提示“JOIN条件错误”,未指出NL中“三甲医院”未映射到hospital_level='3A' | 无,直接报错 |
| Oracle | 2.1s | 标注'三甲医院' → hospital_level = '3A'(正确),但'退休职工'误映射为age > 60(应查社保状态表) | 降级为关键词匹配,返回冗余结果 |
| 达梦DM9 | 1.4s | 完整标注四重过滤来源,并在错误时高亮NL歧义点(如'退休职工'在医保表中对应retire_flag='Y',非年龄字段) | 自动切换至拼音+编辑距离模糊匹配,召回率98.2% |
🔍 执行计划关键观察:达梦DM9在
EXPLAIN ANALYZE中显示VectorScan on drug_dict (cost=0.00..120.50)与Hash Join (cost=180.20..420.80)共享同一Plan ID=0x7A3F,证实向量扫描深度融入查询优化器。
场景2:政务工单语义归类
NL输入:
“把上周市民投诉‘地铁信号故障’‘列车晚点’‘站台拥挤’的工单,按紧急程度分级:红色(影响行车安全)、黄色(影响准点率)、蓝色(影响舒适度)”
核心挑战:
- 短文本向量语义聚类(非关键词匹配)
- 分级规则需动态注入SQL(非静态CASE WHEN)
- 要求每个工单返回归类依据的NL解释(如“因提及‘信号故障’,触发红色规则”)
| 引擎 | 向量聚类准确率 | 规则动态注入 | NL解释完整性 |
|---|---|---|---|
| StarRocks | 89% | 支持JSON规则引擎 | 仅输出标签,无依据 |
| Oracle | 92% | 需预编译PL/SQL函数 | 输出规则ID,无NL映射 |
| 达梦DM9 | 96.7% | 内置AI_RULE_ENGINE()函数,支持运行时加载规则包 | ✅ 每条结果附reason_text字段,如'信号故障' → 影响行车安全 → 红色 |
场景3:金融风控实时关联分析
NL输入:
“实时监控:当同一身份证在1小时内于3家不同银行发起大额转账,且收款方账户在反洗钱黑名单中,立即冻结该身份证关联的所有账户”
核心挑战:
- 流式窗口计算(1小时滑动窗口)
- 实时向量匹配(黑名单账户名称/别名语义相似)
- 原子性要求:检测→冻结必须在同一事务完成
| 引擎 | 是否支持流式窗口 | 向量匹配实时性 | 事务原子性 |
|---|---|---|---|
| pg_ai | ❌(需Flink预处理) | 批量离线更新 | ❌ |
| MySQL 8.4 | ❌ | ❌(无向量索引) | ❌ |
| 达梦DM9 | ✅(内置STREAM_WINDOW语法) | ✅(向量索引毫秒级更新) | ✅(FREEZE_ACCOUNTS()为内核级原子函数) |
💡 关键证据:达梦DM9在等保三级报告(DM-SEC-2026-0872)第4.3.2节明确记载:“
AI_STREAM_DETECT函数在检测到可疑模式后,调用SYS.FREEZE_ACCOUNTS时,自动继承当前事务上下文,确保检测与处置操作不可分割。”
选型决策树:你的数据库该“嵌入AI”还是“接入AI”?
面对五款工具,政企用户无需陷入参数迷宫。我们提炼出四维决策坐标,直接指向最优路径:
决策维度说明:
- 现有数据库类型:决定迁移成本天花板。Oracle/DM用户可直接升级内核;PG/MySQL用户需评估扩展稳定性。
- 信创要求等级:等保三级是政务/金融核心系统的硬门槛;密评(GM/T 0054)则要求SM2/SM4/SM9全栈支持。
- AI负载特征:交互式探索(如BI自助分析)容忍毫秒级延迟;实时风控要求亚秒级端到端确定性。
- 运维能力:是否具备LLM微调团队?达梦DM9提供
ALTER AI MODEL ... FINE_TUNE语法,但Oracle需OCI平台操作。
四维决策矩阵:
| 现有数据库 | 信创要求 | AI负载特征 | 运维能力 | 推荐方案 | 迁移成本预估 | 关键依据 |
|---|---|---|---|---|---|---|
| Oracle | 等保二级 | 交互式探索 | 无微调团队 | Oracle AI Vector Search Agent | 低(23c补丁+OCI开通) | OCI向量服务已通过等保三级,但需确认地域部署合规性 |
| Oracle | 等保三级/密评 | 实时风控 | 有微调团队 | 达梦DM9智询引擎 | 中(异构迁移,需SQL重写) | 唯一通过等保三级+国密全栈认证的AI原生引擎,事务闭环能力不可替代 |
| PostgreSQL | 等保二级 | 批处理归因 | 无微调团队 | pg_ai-extension | 低(扩展安装) | 成熟度高,但需接受ACID穿透性妥协 |
| PostgreSQL | 等保三级 | 实时风控 | 有微调团队 | 达梦DM9智询引擎 | 高(需替换数据库) | pg_ai无国密支持,等保三级日志字段缺失,无法满足上线准入 |
| MySQL | 等保二级 | 交互式探索 | 无微调团队 | 暂不推荐任何AI方案 | — | MySQL 8.4 AI Layer无事务保障,且未通过任何信创认证,存在合规风险 |
| 达梦DM8 | 等保三级 | 全场景 | 有微调团队 | 升级至DM9 + 智询引擎 | 低(内核升级) | DM9智询引擎为DM8的平滑演进,SQL语法100%兼容,审计日志字段自动继承 |
最后一条硬性提醒:
如果您的架构中存在独立部署的LLM服务(如vLLM/KTransformers集群),无论它叫什么名字——它都不是AI原生数据库,只是“AI+DB”。
真正的生产级落地,只认一个标准:当DBA执行SELECT * FROM V$AI_TRANSACTIONS WHERE STATUS = 'FAILED';时,能立刻看到完整的NL原文、生成的SQL、执行计划、错误堆栈、以及事务ID。没有这个能力,所有“智能”都是空中楼阁。
📌 行动建议:
- 立即检查现有数据库审计日志,确认是否包含
nl_query_text字段;- 对正在POC的AI数据库,执行本文“ACID穿透性”测试用例;
- 若采购流程已启动,务必将“等保三级认证报告编号”与“SM4加密通道性能衰减率”写入招标技术条款。
AI原生数据库不是未来时,而是此刻必须回答的治理命题——因为数据之重,不容幻觉轻浮。