VLDB 2026核心议题解读:当负载被AI改写,数据库的内核该往哪走?

简介: 国际数据库顶级会议VLDB 2026将“AI Agent时代的数据系统”列为核心议题,数据库研究正在转向“如何让数据被AI Agent理解和使用”。当负载被AI改写,数据库需要重新设计什么?DBA的技能储备需要往哪个方向延伸?

大家好,我是小耶,写功课只是为了我踩过的坑,你们别再踩了!

8月31日到9月4日,数据库领域历史最悠久的顶级会议VLDB在美国波士顿举行。

今年的大会有一个核心议题:“AI Agent时代的数据系统” (Agentic Data System)。

围绕这个议题,大会设置了专门的论坛和研讨会,多篇论文聚焦Agentic数据系统和数据库与大模型协同的方向。

中国人民大学张峰教授、浙江大学李环研究员、华东师范大学杨程程研究员的议题最终汇成同一个问题:当负载被AI改写,数据库该如何重新设计?

这不是一个学术圈的“内部话题”。它释放的信号足够清晰:数据库的评估标准,正在发生变化。

一、范式转移:从“查得快”到“被理解”

过去几十年,数据库技术的核心叙事一直是性能——如何存得更快、查得更快、扛得更多。

索引优化、执行计划调优、Buffer Pool管理、分布式扩展——所有的技术演进都围绕一个目标:在更短的时间内处理更多的数据。

但VLDB 2026展示的研究方向出现了一个明显的转向。大会的多篇论文反映:数据库研究的关注点正在从“如何存得快、查得快”转向“如何让数据被AI Agent理解和使用”。

这背后的逻辑并不复杂。当AI Agent开始扮演“数据库的用户”,它对数据系统的要求发生了根本性的变化:

  • 传统应用:开发者写SQL,数据库执行,返回结果集。路径是确定的。

  • AI Agent:Agent自主决定要查什么数据、以什么方式访问、需要哪些上下文。路径是动态的、不可预知的。

简单说:过去是人告诉数据库“做什么”,现在是Agent自己决定“要什么”。 数据库需要理解的不再只是SQL语法,而是Agent的意图。

这意味着数据库需要在几个层面做出改变:数据访问模式需要适配Agent的探索式查询习惯、多模数据管理需要支持Agent对结构化与非结构化数据的混合访问、异构硬件(GPU/RDMA)的运维逻辑需要重新设计。

对DBA而言,未来3-5年的技能储备需要从“调SQL参数”扩展到“理解AI Agent的数据访问模式”。

二、数据库的“长稳能力”为什么重新被关注

当数据库的负载特征从“人驱动的确定查询”变成“Agent驱动的动态负载”,一个被长期忽视的能力重新浮出水面:长期稳定运行的能力。

传统应用场景下,数据库的负载相对可预测——业务高峰期、低峰期、跑批窗口,运维人员可以提前规划。

但Agent驱动的负载完全不同。Agent可能在任意时间发起任意规模的查询,负载特征不再可预测。这意味着数据库的内核机制需要具备更强的“韧性”——不是扛住一次峰值,而是扛住长期的不确定性。

KES V9R2C16版本在这方面做了一个值得关注的动作:把事务号从32位扩展到64位。

为什么这件事值得单独拿出来讲?

关系型数据库的并发控制依赖事务号加MVCC机制。32位事务号满打满算40多亿个,在高并发OLTP场景下——一天几百万事务——跑上几年就会逼近上限。快到顶时,数据库必须做冻结处理,把老事务标记为对所有人可见。这一步要是没跟上,轻则性能陡降,重则业务中断。

事务号耗尽不是一个“理论风险” 。对于金融计费、交通结算这类需要长年累月不间断运行的核心系统,40多亿个事务号真的不够用。金仓把事务号扩到64位,等于把地址空间从四十多亿直接抬到天文数字。

同时调整的还有两个参数:autovacuum_freeze_max_age从2亿调到100亿,autovacuum_multixact_freeze_max_age从4亿调到200亿,都是50倍的量级。这不是拍脑袋调大的,背后是冻结调度逻辑的整体重新评估——放宽阈值意味着底层对长事务的容忍度做了重估,跑批、月结、报表这类动辄跑几个小时的业务,不再容易卡在回收临界点上被打断。

“现在能用”和“能一直用下去”是两码事。当AI Agent把数据库的负载不确定性推高到一个新的层级,内核层面的长期稳定性,会从“加分项”变成“准入门槛”。

三、Agent来了,Oracle迁移的账还没算完

AI Agent带来的另一个变化,是它对已有数据资产的访问需求。

企业里跑了十年的Oracle系统,积累了海量的存储过程、自定义函数、特殊数据类型。这些东西不会因为上了AI Agent就消失——Agent要“读懂”企业数据,首先得能访问这些存量资产。

所以,Oracle兼容这件事,在AI Agent时代反而变得更加重要了。

KES V9R2C16在Oracle兼容上做了一个分层设计。传统做法是“一股脑堆功能”,能兼容多少算多少;分层做法则是按业务场景的重要程度和迁移紧迫性,逐层补齐兼容能力——先保核心交易路径,再补外围功能,让迁移风险可控。

这种思路的本质是:兼容不是目的,让存量数据资产在AI Agent时代继续产生价值才是。

四、一个正在发生的转向

VLDB 2026的议题设置和KES V9R2C16的内核调整,把它们放在一起看,指向的是同一个方向:

数据库的评估标准正在从“性能指标”转向“AI-Ready架构” 。性能仍然重要,但不再是唯一维度。数据库能否支撑Agent的探索式访问、能否在多模数据之间自由切换、能否在长期不确定负载下保持稳定——这些正在成为新的评估框架。

对于DBA和开发者来说,这意味着技能储备需要同步延伸。不只是把SQL调优做深,还要理解AI Agent的数据访问模式、多模数据的管理逻辑、以及异构硬件的运维方式。

VLDB 2026只是释放了信号。接下来的问题不是“要不要跟上”,而是“跟上的速度够不够快”。

小耶在手,SQL 不愁

还有什么想了解的,欢迎留言!小耶一定知无不言言无不尽……我们下次见~

相关文章
|
23天前
|
SQL Java 数据库连接
1万行插入13秒到0.9秒:ORM批量插入只差一个参数
从一次列表接口慢的排障讲起,发现2000多条一模一样的N+1查询。文章拆开ORM生成慢SQL的三类典型病:N+1懒加载、逐条批量插入(只差一个rewriteBatchedStatements参数)、隐式转换让索引白建。给出JOIN/批量IN/@BatchSize的取舍、MyBatis与JPA各自的修法,以及用performance_schema按SQL指纹抓N+1、测试环境打印真实SQL的协作办法。
|
19天前
|
缓存 人工智能 关系型数据库
大模型调用成本降62%?语义缓存的阈值与命中率实测
客服机器人上线两周,用户问题高度重复,每次都走完整套RAG,数据库读QPS翻三倍,大模型账单飞涨。文章讲清语义缓存怎么用"向量相似度"代替"字符串相等"去命中重复提问,落地时数据该存哪、相似度阈值怎么定,以及多租户隔离、知识库更新失效、别缓存低质量回答这几个真正的难点。附两周实测:命中率约57%,大模型成本降约62%,命中时首字延迟从3.2秒降到0.45秒。
|
23天前
|
人工智能 Cloud Native 数据库
向量数据库选型实战:从 Embedding、ANN 索引到三条落地路线
本文直击向量数据库本质:不堆概念,不列产品,专讲它“是什么”、三条选型路径(专用库/关系库扩展/云托管)如何取舍,以及开发者落地必须关注的召回率、延迟、更新一致性等真实问题。聚焦RAG实战,强调“先用pgvector跑通再升级”,拒绝盲目上马。
120 0
|
1月前
|
存储 SQL 容灾
共享存储集群 vs 分布式多副本:同城双活两条技术路线怎么选?
同城双活正在成为金融、政务等核心系统的容灾标配——RPO=0、RTO<30秒。但真正的落地远不止“两个机房各放一套数据库”那么简单。网络延迟的容忍度、脑裂预防机制、同步复制的性能代价、以及故障切换后的数据回滚,每一个环节都可能成为“最后一公里”的绊脚石。本文从容灾架构演进入手,拆解同城双活的核心技术原理、关键挑战与应对方案,并结合同城双中心方案及实测数据进行深度解析。
|
1月前
|
SQL 运维 关系型数据库
2026年分布式数据库有哪些主流选择?先评估这5个维度再决定
分布式数据库选型,99%的文章在列表格比参数——但真正的决策关键不在厂商PPT里,在上线后的真实运维里。本文从网络延迟容忍度、SQL兼容性验证、在线扩容能力、全局索引代价、运维工具链成熟度5个维度出发,给出可落地的评估方法和决策建议,帮助你在选型阶段避开那些“只有上线后才会发现”的坑。
|
26天前
|
SQL 监控 关系型数据库
MySQL索引合并优化器陷阱:为什么复合索引比索引合并快一个数量级?
MySQL优化器有一个“自作聪明”的行为——当单列索引无法完全覆盖查询时,它可能选择索引合并(Index Merge) ,同时使用多个单列索引,把结果集合并起来。听起来很合理对吧?但索引合并有严格的适用条件,用错了比全表扫描还慢——尤其是UNION类型的索引合并,需要对多个结果集去重和排序,代价极高。本文拆解索引合并的3种类型、3个踩坑场景,以及什么时候该用复合索引替代。
|
27天前
|
SQL 关系型数据库 MySQL
别再盯着EXPLAIN的rows列了,8.0.18之后有更好的选择
EXPLAIN是DBA最常用的工具之一,但大多数人还在看type、rows、Extra这些传统字段——然后靠经验猜。MySQL 8.0.18开始引入的EXPLAIN ANALYZE,直接把实际执行时间和行数输出给你看,不用猜了。本文对比传统EXPLAIN和EXPLAIN ANALYZE的差异,展示如何用新工具把执行计划分析这件事从“猜”变成“看”。
|
24天前
|
SQL 运维 算法
订单表上亿行,我按用户ID拆成128片之后怎么样了
从单表几千万行慢查询的痛点出发,讲清垂直拆分与水平拆分的区别、分片键怎么选、分片算法(hash取模/range/一致性hash)怎么权衡,以及分库分表带来的分布式ID、跨片查询、分布式事务等问题,给出避免过度拆分的避坑清单。
|
1月前
|
SQL 存储 关系型数据库
分区裁剪失效、DDL卡死、元数据爆炸:分区表的3个真实代价
很多人觉得分区表是“轻量级分库分表”——数据分开放、查询只扫一个区、过期数据直接DROP分区,听起来很完美。但分区表有严格的适用边界和隐藏代价:分区键选错导致所有查询都扫全部分区、分区数量过多导致DDL巨慢、跨分区查询比普通表还慢……本文从分区表的核心原理出发,拆解4种分区类型、3个真实踩坑场景,以及分区表与分库分表的本质区别,帮你一次性搞清楚到底该不该用。
|
1月前
|
JSON 关系型数据库 MySQL
MySQL 5.7升级到8.0之后,JSON查询的性能瓶颈真的解决了吗?
MySQL 5.7引入原生JSON类型,8.0支持多值索引,至今已近十年。但大量开发人员仍在把JSON当“万能兜底字段”——不管什么数据都往里塞,等查询慢到怀疑人生才想起来排查。本文拆解JSON字段查询的5个高频踩坑场景,给出虚拟列索引、多值索引等正确的优化方案。