当 80% 的数据库由 AI 自动创建，我们需要一个什么样的 PostgreSQL？

01、前言Agent 需要的不只是向量库Agent 应用正在重新定义数据库的角色。过去谈 AI 应用视线大多停在模型调用、向量检索、RAG 与提示词工程上。真正进入生产后会发现向量库只是 Agent 数据体系的一角——Agent 还要管理任务状态、权限边界、执行结果和异常记录同时直面提示注入、数据污染等新型风险面arXiv 2503.05445 研究显示仅 0.44% 的污染数据即可让针对数据库的投毒攻击成功率达到 79.41%。从行业趋势看PostgreSQL 已成为 AI 与 Agent 场景的主流选择。Databricks 收购 Neon 的官方公告披露Neon 平台上超过 80% 的数据库已由 AI Agent 自动创建而这一比例在 2023 年 10 月还只有 0.1%——不到两年数据库的建库方式正在被 AI 重写。与此同时Stack Overflow 2025 开发者调查显示PostgreSQL 采用率达到 55.6%同比提升 7 个百分点成为开发者中使用最广的数据库。回到开头的问题——当 80% 的数据库由 AI 自动创建我们究竟需要一个什么样的 PostgreSQL基于阿里云内部 Agent 应用的实践经验Agent 场景对数据底座提出了三个新要求——多租户隔离能力、秒级数据分支能力、多模态数据管理能力。这三个方向也构成本文后续几节的核心议题。作为阿里云瑶池数据库家族面向事务型 Agent 场景的核心产品RDS PostgreSQL以下简称 RDS PG继承了 PostgreSQL 在事务、生态与扩展能力上的长期积累围绕上述场景提供了面向生产环境的增强能力。02、数据库基础能力RDS PG 的综合优势Agent 系统首先要能稳稳地管理状态。一次 Agent 请求往往会拆成多个步骤、调用不同工具数据库需要记录任务进度、执行结果与重试状态避免同一操作被重复触发与此同时Agent 还会源源不断地产生 prompt、模型响应、工具参数、trace metadata 等结构不固定的数据成为故障恢复、问题排查与日常运维的第一手素材。PostgreSQL 可以把这些规则固化在数据库层事务与并发控制避免状态冲突唯一约束、外键与检查约束限制错误数据写入jsonb灵活承接结构不固定的数据并结合索引查询DDL 可纳入事务、支持随事务回滚WAL、PITR 与复制能力为数据恢复和容灾兜底。RDS PG 基于云上高可用架构兼容开源 PostgreSQL 生态通过备份恢复、监控报警、故障切换、在线大版本升级等企业级能力提供稳定可靠的数据库服务并提供跨可用区高可用与任意时间点PITR恢复能力帮助用户为 Agent 应用构建高可用、可观测、易运维的数据底座。接下来三节聚焦 Agent 场景下 RDS PG 的三项关键增强多租户隔离、数据分支、多模态检索。03、多租户AI 数据库的租户隔离能力Agent 应用几乎必然会演进为 SaaS 形态。一个 Agent 平台可能同时服务多个企业、多个团队、多个用户。以海外 Vibe Coding 平台为例Lovable 官方披露 2025 年年中平台每天新建的用户项目已超过 10 万个每个项目都要求独立的数据库、认证与存储国内 Agent 平台面对的租户规模同样在快速膨胀。不同租户之间的数据要隔离权限边界要清晰访问行为也需要具备可审计性。PostgreSQL 支持多种多租户模式包括 shared table tenant_id、schema per tenant、database per tenant。权限层面可以通过 role、grant、默认权限、对象级权限和 RLS 进行隔离覆盖 database、schema、table、column、function、sequence 等对象便于构建细粒度的访问控制。轻量场景可以用共享表或独立 schema企业级 Agent 平台更适合 database per tenant——每个租户独立数据库隔离边界更明确备份恢复、迁移升级、资源统计与故障隔离都能落到租户维度。面向企业级 Agent 平台典型的 SaaS 多租户形态RDS PG 提供以下增强能力缓存淘汰优化面向大量表对象和多租户访问场景优化系统缓存管理降低多表、多库场景下缓存膨胀和频繁失效带来的性能影响。PgBouncer 连接池面向大量租户和大量短连接场景通过连接复用降低后端连接数量和进程开销提升高并发访问下的连接管理效率。SQL 限流面向多租户共享实例场景对高并发、重负载或高消耗 SQL 进行访问控制降低单个租户或单类请求对整体实例稳定性的影响。快速大版本升级面向 database per tenant 等多库场景降低大量数据库逐库升级带来的时间成本提升多租户实例的大版本升级效率。database per tenant 隔离增强针对 database per tenant 模式RDS PG 支持限制普通租户仅可见与自身相关的 database 和 role减少跨租户信息暴露风险帮助用户构建安全、稳定、可管理的多租户 Agent 平台。从初创 Agent 应用到企业级 Agent 平台多租户模式可在同一 RDS PG 实例内自由组合、按需升级。04、数据分支AI 数据库的试验与沙箱能力Agent 时代的数据环境会更强调可复制、可试验和可回退。很多 Agent 任务并不适合直接修改生产数据。更稳妥的方式是先创建一个沙箱环境让 Agent 在其中执行 SQL 或代码比较执行前后的变化再决定是否影响生产——自动化程度越高这种先试运行、再确认的能力就越重要。数据分支同样适用于开发测试、灰度验证、回滚恢复、迁移演练也可以为不同 Agent 提供隔离工作区。传统 dump-restore 方式在数据量增大后副本创建会从秒级劣化到分钟级甚至小时级无法支撑 Agent 高频创建—使用—销毁的迭代节奏。PostgreSQL 18 新增的file_copy_method参数结合 XFS reflink、Btrfs、APFS 等写时复制文件系统使CREATE DATABASE退化为一次文件克隆操作——近乎瞬时完成、初始磁盘占用接近零。RDS PG 基于文件系统 clone 与阿里云 ESSD 云盘快照的写时复制架构通过秒级 CREATE DATABASE 提供数据分支能力将数据分支创建时间从分钟级降至秒级、初始磁盘占用接近零、按变化数据块计费。这种能力适合 Agent 沙箱、灰度验证、回滚点和租户级测试库等场景结合 database per tenant平台可对单个租户做更细粒度的测试、恢复和升级让 Agent 高频“创建—使用—销毁”的迭代节奏在生产环境中真正跑通。05、多模态AI 数据库的统一数据入口Agent 处理的数据不再只是文本。它可能需要处理业务表、文档、图片、音频、视频、地理位置、时间序列和向量等多种数据类型不只是“检索一段文本”还要理解这些数据之间的关系并在权限允许的范围内执行动作。PostgreSQL 适合承接这些数据的基本信息、索引、权限与关系普通表保存业务对象和状态jsonb保存模型输入输出和工具参数全文检索处理文档内容pgvector保存 embedding并可以结合AGE图插件管理实体关系。面向向量检索场景RDS PG 在开源pgvector的基础上围绕索引压缩、查询加速和执行器架构等关键路径进行了深度优化提供以下增强能力IVFFlat RaBitQ 量化将 RaBitQ 量化技术应用于 IVFFlat 索引在实现 32× 压缩的同时将查询性能提升 20×让海量向量检索兼顾轻量存储和快速响应。HNSW 多比特 RaBitQ 量化针对 HNSW 索引内存开销大的问题实现多比特 RaBitQ 量化方案在 4× 压缩、降低内存占用的基础上查询性能进一步提升 50%在高召回率场景下兼顾内存效率与查询速度。向量检索内核优化针对向量检索的查询执行路径和索引构建过程进行精细化调优减少关键路径上的冗余开销提升整体吞吐并降低响应延迟。向量与标量混合检索优化 PostgreSQL 执行器框架支持向量相似度与标量过滤的混合检索在一次查询中完成语义相近 条件过滤的复合搜索提升查询表达能力和结果准确性。以千万级向量索引为例相比常规 HNSW 索引索引空间从 689 GB 压缩至 16 GB32× 压缩索引创建时间从 4 天 1 小时缩短至 4 小时 23 分23× 提速写入延迟从 469 ms 降至 6.4 ms73× 提升Top100 查询延迟从 1789 ms 降至 359 ms5× 提速召回率损失控制在 1% 以内并支持最高 16000 维向量索引可适配多模态 embedding 场景。面向图数据和关系分析场景RDS PG 在社区版本 Apache AGE 的基础上提供以下增强能力图查询与 DML 优化对图查询和 DML 热点路径进行性能优化和工程增强通过减少查询冗余投影和执行开销、优化点边更新删除路径在兼容 openCypher 的基础上实现百倍查询性能与 10 倍 DML 性能提升。并积极与社区贡献feature。图 RAG 与本体建模支撑图 RAG 和基于本体论的 Agent 知识建模将结构化数据、实体关系、语义网络、规则依赖和推理链路统一沉淀在 RDS PG 中为 Agent 提供可检索、可解释、可更新、可推理的企业级数据底座。行业场景落地图能力已在智能驾驶数据挖掘、财务经营分析、零售业务诊断、地产数据治理和智能运维故障诊断等场景中落地验证帮助企业将分散在业务系统、数仓、日志平台和配置中心中的对象与关系转化为 Agent 可理解、可推理的业务语义网络。06、结语RDS PG 作为 Agent 的核心数据底座Agent 时代需要新的核心数据底座。综合来看Agent 应用既需要可靠的事务一致性和运维能力也需要面向多租户、数据分支和多模态数据管理的扩展能力。RDS PG 在 PostgreSQL 基础能力之上进一步增强了多租户隔离、数据分支、向量检索和图关系分析等能力是当下 AI Agent 应用云上数据底座的重要选项。从数据底座走向 Agent 开发平台。但数据底座不是终点。生产级 Agent 应用需要的是一整套开发平台而不只是一个数据库。阿里云 RDS 已推出基于 PostgreSQL 的 AI Agents 开发能力——面向 AI Agent 场景以 RDS PostgreSQL 为数据底座提供BaaS服务、Knowledge Graph、Agent Runtime三大能力的开放、高效的一站式开发环境。配套的三大核心组件我们简称为“Agent 三件套”Supabase——面向应用层的 BaaS 后端提供 Auth、Storage、Edge Function、Realtime 等模块让 Agent 生成的全栈应用可以直接上线无需额外部署数据接入层Knowledge Graph——面向语义层的知识中枢提供知识库 RAG、Ontology 本体建模、Skill Hub 能力沉淀三重能力让 Agent 理解业务关系、约束行为边界、以确定性推理替代概率猜测In-DB Agent Runtime——面向执行层的运行时环境Sandbox 与 Edge Function 双模式覆盖长时任务与事件触发任务让 Agent 具备贴数据的动作执行能力。三件套共同建立在 RDS PG 之上数据不搬家、SQL 方言不切换、心智模型不漂移。Agent 团队可通过一个 RDS PG 实例覆盖向量检索、图关系、对象存储、函数计算、认证鉴权等多项能力替代传统架构中的多套独立组件从根本上消除跨系统同步链路与一致性负担。这就是我们理解的、AI Agent 时代的 PostgreSQL —— 一个原生承担多租户、数据分支与多模态的云上数据底座。对于三件套的详细能力剖析与协同方式以及在真实业务场景中的落地路径与工程实践将在阿里云瑶池数据库微信公众号后续的文章中详解。欢迎登录阿里云RDS控制台体验RDS PG Agent开发能力。