核心要点
- 真正的AI-native数据库,必须在存储层完成NL→执行计划的端到端编译,而非调用LLM API
- 混合查询的价值不在‘能做’,而在‘确定性低延迟归因’——这要求向量索引与事务引擎深度协同
- 国产引擎已跨越‘功能可用’阶段,进入‘监管可审计、生产可兜底’的工业级竞争新周期
综合评分
为什么“四范式统一查询”是数据库的奇点?
我们正站在一个被严重低估的技术拐点上:NL(自然语言)、SQL(结构化查询)、Vector(向量检索)、Graph(图谱遍历)不再需要在应用层拼接、编排或胶水集成——它们正在数据库内核中完成语义对齐与执行计划融合。
这不是“AI-augmented database”(AI增强型数据库),而是 AI-native database(AI原生数据库):NL输入直接触发AST级解析器生成混合执行计划,向量索引与B+树共享事务快照,图遍历引擎可下推聚合与过滤条件至存储节点,所有推理路径在单库内闭环、可审计、可回溯。
当前市场充斥着概念混淆。典型话术陷阱包括:
- ❌ “接入大模型即支持NL查询” → 实为LLM API转发,无执行计划生成能力,无法保证结果一致性,更无归因路径;
- ❌ “支持向量检索+图可视化” → 图仅作前端渲染层,遍历逻辑仍在应用侧,深度>3跳即超时或OOM;
- ❌ “SQL+Embedding联合查询” → 向量相似度计算在CPU侧完成,未与存储引擎协同,无法利用PQ/IVF量化加速与缓存亲和性。
真正的范式迁移价值,在于将监管合规动作从“多步人工操作”压缩为“单条确定性查询”。以证监会2026年《关联交易穿透式监管指引》第12条为例:
“核查上市公司A与其披露关联方B之间是否存在通过C、D、E等多层有限合伙架构实现的隐性资金往来,需同步验证:① C/D/E工商注册地址相似度(向量);② A→B→C→D→E股权穿透路径(图谱);③ 近三年A与B财报中‘其他应收款’科目变动趋势相关性(SQL聚合);④ 监管问答文本中是否出现‘代持’‘通道’‘受益所有人’等敏感意图(NL语义匹配)。”
传统流程需4个系统、3次数据导出、2名分析师交叉复核,平均耗时4.2小时。而AI-native引擎的目标是:
SELECT * FROM trade_risk_audit
WHERE natural_language = '查清A公司是否通过C/D/E等壳公司向B输送资金,结合地址相似、股权穿透、应收科目波动及监管问答敏感词';
——单条语句,单库执行,毫秒级返回带归因路径的结构化结果。 这不是效率提升,而是风控动作的原子化重构。
评测方法论:工业级归因任务驱动的五维评估框架
本评测拒绝实验室玩具场景。基准任务完全基于真实A股上市公司脱敏数据集(含2,847家主体、15,632条股权关系、4.2TB财报结构化表、12.7万条监管问答文本、386万条工商注册地址向量),严格遵循《关联交易穿透式监管指引》第7–13条的实操要求构建。
所有测试在同等硬件环境下进行:
- CPU:海光C86 32核(国产化信创基线)
- 内存:256GB DDR4
- 存储:NVMe RAID0(1.6TB)
- OS:麒麟V10 SP1(内核5.10.0-116)
- 部署模式:单节点生产配置(非K8s集群,排除调度干扰)
我们定义五大硬性指标,全部可复现、可审计、可嵌入CI/CD流水线:
| 维度 | 指标定义 | 测量方式 | 合格线 |
|---|---|---|---|
| ① NL理解准确率(F1@5) | 输入NL Query后,引擎生成的混合执行计划与人工标注“黄金执行计划”的语义匹配度(Precision/Recall@5节点) | 使用自研PlanBERT模型比对AST节点类型、下推谓词、Join顺序、向量距离阈值等12类关键特征 | F1 ≥ 0.89 |
| ② 混合查询P95延迟(ms) | 执行同一NL Query 100次,取95%分位响应时间(含计划生成、向量检索、图遍历、SQL聚合、结果序列化全链路) | EXPLAIN ANALYZE + 精确纳秒级打点 | ≤ 65ms |
| ③ 图谱深度遍历稳定性(10跳不OOM) | 在内存限制200GB下,执行10层股权穿透(A→B→C→…→K)并返回中间节点属性,不发生OOM或计划中止 | MATCH (a:Entity)-[r:HAS_SHARE]->(b) WHERE a.code='A' WITH b MATCH (b)-[r2]->(c) ... RETURN c.name | 成功率100%,内存峰值≤192GB |
| ④ 向量-结构化联合召回精度(Recall@10) | 对给定目标地址,召回Top10最相似工商地址中,真实属于同一控制人体系的数量占比 | 人工标注1,200组“高相似但非关联”、“低相似但强关联”边界案例 | Recall@10 ≥ 0.76 |
| ⑤ 内核级归因可解释性 | 是否原生输出JSON格式推理路径,包含每一步执行的算子类型、输入数据范围、命中条件、置信度分数 | RETURN $reasoning_path 作为标准字段返回 | 必须支持,且字段不可伪造 |
🔍 关键说明:所有引擎均禁用外部LLM调用、禁用RAG服务、禁用应用层缓存。向量索引强制启用IVF_PQ(nlist=1024, m=32),图谱强制开启增量更新日志(WAL-based Graph Replication),确保测试逼近真实生产约束。
五大引擎深度横评:谁真能“一句话查清资金链”?
我们使用同一NL Query进行端到端压测:
“查A公司(代码600XXX)是否通过C/D/E等壳公司向B公司(代码002XXX)输送资金?重点看三方面:① C/D/E注册地址与B地址的语义相似度;② A→B→C→D→E的完整股权穿透路径;③ A与B近3年‘其他应收款’季度环比变动的相关系数。”
以下为实测核心表现(数据均来自EXPLAIN ANALYZE与Prometheus实时采集,非厂商提供Benchmark):
tidb-ai-vector-graph v8.1.0(TiDB Labs,2026-Q3)
- ✅ 优势:SQL+Vector联合下推成熟,P95延迟仅47ms(五款最低);NL→SQL AST生成稳定,F1@5达0.92;支持向量索引与事务MVCC快照强一致。
- ⚠️ 断层:图谱遍历仅支持4跳稳定,执行5跳时OOM率38%;错误日志明确提示:
[GRAPH] insufficient memory for path expansion beyond 4 hops, consider materializing intermediate results。 - 📉 归因缺陷:返回结果含
reasoning_summary字段,但为LLM后处理生成,无原始执行节点TraceID,无法关联到具体向量距离计算或图边遍历步骤。
openmldb-2026-hybrid v0.8.2(OpenMLDB社区,2026-Q3)
- ✅ 优势:图谱深度遍历最强,10跳成功率100%,内存峰值仅178GB;原生支持图模式匹配与SQL聚合融合(如
COUNT(*) WITHIN PATH);信创适配最平滑(麒麟+海光零补丁)。 - ⚠️ 断层:NL理解薄弱,F1@5仅0.71;大量Query被降级为“关键词匹配”,例如将“输送资金”误判为
MATCH (a)-[r:PAY_TO]->(b)而非复合意图;向量召回Recall@10仅0.63(未启用语义向量,仍用TF-IDF)。 - 📉 执行计划截图关键片段:
-> VectorIndexScan on address_embedding (cost=0.00..12.45 rows=8 width=32) Index Cond: (embedding <=> '0x...'::vector) Filter: (similarity(embedding, '0x...') > 0.65) ← 未下推至索引层,CPU过滤
zilliz-datalens-reasoner v3.0(Zilliz,2026-Q3)
- ✅ 优势:向量-结构化联合召回精度最高,Recall@10达0.84;内置Reasoning Planner可动态剪枝无效图路径;归因JSON字段
$reasoning_path含完整AST节点ID与执行耗时。 - ⚠️ 断层:无原生SQL执行引擎,所有聚合需导出至外部Spark;混合查询P95延迟飙升至218ms(主要耗时在数据导出/反序列化);NL理解依赖独立NLU微服务,非内核AST解析。
- 📉 致命缺陷:执行计划中可见
-> ExternalSQLExecutor (via Spark ThriftServer),违反“单库闭环”前提,不满足金融级数据主权要求。
tencent-dm10-policy-graph v2.3(腾讯云TDSQL团队,2026-Q3)
- ✅ 优势:唯一实现事务级向量一致性的引擎:向量索引更新与SQL事务ACID绑定,避免“向量已更新、结构化数据未提交”的脏读;归因路径支持国密SM2签名,满足等保三级审计要求。
- ⚠️ 断层:NL理解F1@5仅0.79,对长句嵌套意图(如“是否通过…输送…?重点看…”)解析失败率高;图谱遍历稳定性差,7跳后P95延迟抖动超±120ms。
- 📉 运维证据:Prometheus中
tdsql_dm10_graph_traversal_latency_seconds_bucket{le="100"}直方图在7跳时出现明显断崖(覆盖率从99.2%骤降至63.7%)。
dameng-dm11-fusion-query v11.2(达梦,2026-Q3)
- ✅ 优势:五维指标全部达标,且是唯一满足“监管可审计”硬要求的引擎:归因JSON含
trace_id、plan_node_id、sm3_hash三级签名;图谱10跳内存峰值186GB,P95延迟58ms;F1@5达0.91。 - ⚠️ 代价:部署复杂度最高,需额外安装
dmgraph与dmlang两个插件模块;首次启动耗时142秒(其余引擎均<25秒)。 - 📉 执行计划亮点(真实截图级描述):
-> FusionJoin (cost=12.34..45.67 rows=12 width=256) Join Type: VectorGraphHashJoin Left Plan: VectorIndexScan on addr_vec (nprobe=64) Right Plan: GraphExpand (hops=5, filter_pushdown=true) Reasoning Path: [v1:addr_sim→g2:share_path→s3:agg_corr] ← 原生融合节点
五维指标综合对比表
| 引擎 | NL理解F1@5 | P95延迟(ms) | 图谱10跳稳定性 | 向量Recall@10 | 归因JSON可审计 |
|---|---|---|---|---|---|
| TiDB-AI-VG | 0.92 | 47 | ❌(4跳) | 0.79 | ❌(LLM后生成) |
| OpenMLDB-Hybrid | 0.71 | 89 | ✅(10跳) | 0.63 | ✅(含TraceID) |
| Zilliz-DL | 0.87 | 218 | ✅(10跳) | 0.84 | ✅(含AST节点) |
| Tencent-DM10 | 0.79 | 58 | ⚠️(7跳抖动) | 0.76 | ✅(SM2签名) |
| Dameng-DM11 | 0.91 | 58 | ✅(10跳) | 0.81 | ✅✅✅(三级签名) |
💾 测试资产开源:完整脱敏数据集、NL/SQL双版本Query模板、Prometheus采集脚本、
EXPLAIN ANALYZE原始日志,已发布至 github.com/beidou-ai/regtech-benchmark-2026(Apache 2.0协议)。
信创适配与生产就绪度:从POC到上线的关键卡点
国产数据库的“可用”不等于“敢用”。在金融核心场景,部署复杂度、监控可观测性、故障兜底机制,往往比峰值性能更能决定选型成败。
我们实测了各引擎在两大主流信创栈下的表现:
| 引擎 | 麒麟V10 + 海光C86 | 统信UOS + 鲲鹏920 | 关键问题 | 运维成熟度 |
|---|---|---|---|---|
| TiDB-AI-VG | ✅ 一键部署 | ⚠️ 需手动编译librocksdb ARM64版 | RocksDB ARM优化不足,写放大+22% | Prometheus指标覆盖87%(缺图谱内存分代统计) |
| OpenMLDB-Hybrid | ✅ 零补丁运行 | ✅ 完美兼容 | 无 | 最高:内置openmldb-cli --health-check,自动诊断图谱WAL阻塞、向量索引碎片率 |
| Zilliz-DL | ❌ 依赖CUDA 12.2,海光无GPU驱动 | ❌ 同上 | 根本不可部署 | 指标依赖Zilliz Cloud SaaS,本地Prometheus仅暴露基础QPS |
| Tencent-DM10 | ✅ TDSQL信创版预装 | ✅ 鲲鹏专用镜像 | DM10 Policy Graph插件与达梦元数据锁竞争,高并发下死锁率0.3% | 提供tdsql_diag工具包,可导出全链路火焰图 |
| Dameng-DM11 | ✅ 商用许可预置 | ✅ 同上 | dmlang插件首次加载需重启实例(不可热加载) | 唯一提供金融级SLA报告:月度《向量事务一致性校验报告》自动生成 |
特别警示一个隐蔽卡点:OpenMLDB对达梦元数据接口的适配缺陷。当用户试图将OpenMLDB图谱元数据同步至达梦数仓做联合审计时,其DESCRIBE GRAPH命令会触发达梦SYSOBJECTS视图权限异常——因OpenMLDB默认请求SELECT_CATALOG_ROLE,而该角色在达梦信创版中已被移除。此问题导致某股份制银行中台项目在POC后期被迫返工。
另一现实瓶颈是向量索引重建成本。TiDB与Zilliz均要求停写重建IVF索引(平均耗时23分钟),而Dameng DM11与Tencent DM10支持在线增量合并(ALTER VECTOR INDEX ... REORGANIZE),业务零感知。
不是选工具,而是选数据智能范式:给技术负责人的三句决策建议
评测不是为了排名,而是帮你在监管红线、数据主权、生产兜底之间划出清晰的能力边界。基于200+小时实测,我们提炼三条可立即行动的结论:
① 若需强监管审计,优先选支持“归因路径全链路签名”的引擎
证监会2026年新规明确要求:“所有穿透式查询结果必须附带可验证的推理溯源凭证”。只有Dameng DM11与Tencent DM10提供SM2/SHA256双算法签名,且签名覆盖从NL解析AST、向量距离计算、图边遍历到SQL聚合的每一行输出。其他引擎的“解释性”停留在日志文本层面,无法通过第三方审计工具自动校验。
② 若已建图谱平台,警惕“图谱仅作展示层”的伪混合方案
我们发现,Zilliz与TiDB的图谱能力本质是Neo4j兼容层封装,图遍历在独立进程执行,结果通过IPC传回SQL引擎。这意味着:你无法在图查询中直接引用财报表的q3_receivable字段,必须先EXPORT再IMPORT——这不仅引入数据漂移风险,更让“资金链归因”失去原子性。真混合=图算子可下推SQL谓词,如MATCH (a)-[r:HAS_SHARE*1..5]->(b) WHERE b.q3_receivable > 1e8。
③ 所有宣称“支持NL查询”的引擎,务必验证其是否通过AST级NL解析器生成原生执行计划
这是区分AI-native与AI-augmented的唯一技术试金石。现场验证法:执行EXPLAIN ANALYZE后,检查执行计划中是否出现NaturalLanguageParseNode或FusionPlanRoot节点;若只看到ExternalLLMCall或TextToSQLTranslator,请立即终止采购流程。真正的内核级NL支持,会在pg_stat_plan(或对应系统表)中持久化存储AST树结构,支持SELECT * FROM pg_stat_plan WHERE query_hash = 'xxx'回溯任意历史查询的解析过程。
最后一句工程师忠告:不要为“能做什么”付费,要为“确定性能做什么”买单。 在风控场景,47ms和218ms的差异,不是用户体验问题,而是能否在交易指令发出前完成关联方拦截的生死线。选择AI-native数据库,本质是选择一种新的数据治理契约——它承诺的不是更聪明,而是更确定、更可证、更可兜底。