五笔钱对三笔钱：数据不出库和出库方案，成本差在哪

大家好，我是数据库小学妹👋我踩过的坑，你别再踩。

上个月参加一场方案评审。做合同审查的企业要接AI问答，数据在业务库，方案是把文档抽出去做向量化。安全部门看完只问了一句：数据能不能不出库。技术负责人当场答不上来，因为调研时算的都是性能，没人算过这笔账。

后来方案又改了两轮。真正卡住的不是技术，是成本说不清。一边说外挂一套向量库更便宜，一边说不出库更省事，两边都没拿出数字。这篇把这件事拆成一笔笔账，看它贵在哪，省在哪。算完你至少能判断，自己那个场景该不该留在库里。

AI数据库，是把语义、计算推理和数据安全放进库内核的一类数据库，核心主张是数据不出库、AI也能用。它和外挂向量库的差别，不在检索效果，在成本结构。

先说结论：出库省的是算力，不是总成本

"数据不出库，AI也能用"，是金仓在10月30日发布会讲的核心特色。它的技术含义不复杂。把向量化、相似检索、权限管控放进数据库内核，让数据不用搬出去就能服务AI应用。我理解这句话的重点不止在安全。安全是结果，成本是每天要面对的那本账。数据搬出去，算力确实便宜了，但要多养一条链路、一份副本、一套权限、两套运维。这些钱不打在硬件报价单上，全落在人头上。

所以判断标准只有一个。看搬数据的那几笔隐性成本，是不是超过库内多花的算力钱。超了，留在库里划算。没超，外挂也说得过去。

一张表：AI数据库和外挂向量库的成本结构

先把两种方案摆到同一张表上。这张表只算账，不讲谁先进。

表里最贵的两项不在第一行。算力是明账，能报价。权限和运维是暗账，报价单上看不见。

数据出库：AI应用要付的五笔钱

第一笔：同步链路，建起来容易守起来贵

数据要出去，先得有链路。增量同步要做位点、要做断点续传、要做延迟监控。上线那天不难，难的是后面每一天。同步一慢，问答就答旧数据。同步一断，还得从断点补。补得对不对，又要一套对账。这些工作量，验收时没人提，出事时全算在数据团队头上。链路本身不贵，守着它的人贵。

第二笔：副本，容量翻倍只是开头

原文存一份，向量存一份，元数据还要一份。文档量大的企业，这一份副本比业务库还大。冷数据也不能不存，因为不知道哪天会被问到。

更麻烦的是更新。业务文档改了，向量得跟着改；文档删了，向量也得删。两个库之间没有事务，只能靠链路保证。这条线上少一次补偿，检索结果里就多一条废数据。备份和容灾也跟着翻倍：业务库有一套策略，向量库得再备一套，恢复时间还得对齐。

第三笔：权限，这笔最难重建

库里的权限是一层层叠出来的。行级权限、列级脱敏、审计留痕，都跟着表和数据走。数据一出去，这套东西得重建。重建还不一定建得全。更麻烦的是，向量库只认识集合和接口密钥，它不认识你的组织架构。同一份合同，在业务库里只给法务看，出去以后可能变成一个谁都能调的接口。审计也麻烦，日志分在两个系统里，出事要两边拼。

库内那套权限、脱敏、审计，还作用在库里的数据上。金仓这次讲的库内原生数据安全管控，落到验收就是这一句。

第四笔：审批，走一次没事，天天走就停业务

金融、医疗这类行业，数据出库要走审批。季度评审走一次，能接受。业务每天新增几千份合同，天天走审批，流程本身就成了瓶颈。很多方案最后不是被技术否掉的，是被这句"每天都要批"否掉的。这一笔账最软，也最硬。

第五笔：两套系统，故障时先分锅

两套库就是两套备份、两套监控、两套升级窗口。人还是那几个人。半夜告警响了，第一件事是先判断是业务库的问题还是链路的问题。这个判断，往往比修更花时间。我见过更别扭的：同一个知识点，业务库查出来是新的，向量库查出来是旧的。两边都不报错，用户看到的就是不一致。

AI数据库库内的三笔钱

翻过来算。库内做推理不是不要钱，只是钱花在另外三个地方。

第一笔：算力，向量化要资源

向量化是在库里跑模型。金仓在发布会讲的是集成ONNX推理框架，库内完成向量化和多模态检索。支持文本、图片、音视频，100多种语种，20多个内置嵌入和重排模型。这些活要占CPU和内存。文档入库那一刻，索引构建的内存峰值最明显。量大的时候，这一笔得单独规划，不能按日常均值估。KES 这次给的自研索引走的是磁盘路径，就是为了把内存依赖压下来，规模大时不必全堆在内存里。

第二笔：隔离，AI计算和生产分开跑

发布会给的部署方式是独立租户或独立集群节点，把AI计算和生产业务隔开。这是资源规划，也是稳定性设计，两边不互相拖。这笔资源要提前算进来。库内省掉了链路的钱，但要多备一份算力。这笔是明账，反而好算。

第三笔：调优，参数得有人管

向量索引有参数，召回和延迟是一对跷跷板。调高召回，延迟跟着涨，得有人持续看。还有索引维护。更新频繁的表，索引会膨胀，要定期重建或合并。这些事不写进方案，上线三个月就会变成待办事项。

一个假设场景，把两种账摆在一起

假设一家企业要做合同审查问答。合同正文、客户、金额、有效期都在业务库，法务问"某客户去年框架协议的续签条款怎么写"。

外挂方案是这样走的。合同切片送出去，向量化入向量库。问答时先检索，拿回合同ID，再回业务库查客户和有效期，最后拼提示词。链路两步，权限两套，更新两条线。反过来，库内方案是这样走的。合同表加一个向量列，语义在库里定义好客户、金额、有效期这些口径。一条查询里，先按客户和时间过滤，再做语义检索，最后按权限返回。

结构上差在哪？差在"过滤、检索、权限"是不是同一层。外挂方案里，这三件事分属两个系统，靠应用拼。库内方案里，它们在同一个执行计划里。示意一下，具体写法以金仓官方文档为准。

-- 示意：同一层里完成过滤、语义检索和权限约束
SELECT contract_id, clause
FROM   contracts
WHERE  customer_id = :customer_id
  AND  sign_year   = 2025
ORDER BY clause_vector <-> :query_vec
LIMIT  5;

这段SQL没什么花活。重点在WHERE和ORDER BY同一层，权限条件也能一起下推。少一次跨系统调用，少一类顺序问题，少一套权限重建。

那成本呢？外挂方案第一年便宜，机器少买几台。到了第二、三年，链路要人守，权限要人补，审批要人跑。库内方案第一年贵，资源一次到位。后面省下来的，是人的时间。这笔时间账，按年看更清楚。两种方案的钱不是花在同一处，而是花在不同阶段。

量级各家不同，结构看得清：外挂方案成本随时间往上走，库内方案前期集中、后期平缓。这一条跟具体量级无关。

AI数据库怎么选：四问决策框架

别急着站队。我一般先问四个问题，答完再谈方案。

四个问题里有三个答"是"，方案基本就定了。只有"能出库、权限简单、更新少、团队养得起两套"这种情况，外挂才划算。这种场景真实存在，不用为了一个概念改架构。

常见问题：关于AI数据库的三个疑问

AI数据库一定比外挂向量库贵吗？

不一定。第一年外挂便宜，机器少买几台。三年以后，链路、权限、审批、双套运维的钱会追上来。算五年总账，答案常反过来。

库内计算推理会不会拖慢生产库？

部署上是隔开的，独立租户或独立集群节点。资源单独规划，推理不跟业务抢CPU。这一笔是明账，提前算得出来。

什么情况下不该上AI数据库？

数据本来就能出库，权限简单，更新不频繁，团队又养得起两套系统。这种场景外挂向量库更划算，不用为了一个概念改架构。

避坑清单：AI数据库最容易算错的三件事

第一，别只算机器钱。硬件报价单好算，链路、权限、审批、人力不好算。方案评审时，把后四项写成工时，讨论会诚实很多。

第二，别拿一个标准当结论。有些数据本来就可以出库，也有团队愿意为了纯语义召回养一套向量库。选型是算账，不是选立场。

第三，别忽略索引维护。有次方案只写了检索效果，没写维护。上线三个月，索引膨胀，同一个问题慢了一倍。业务拿着badcase来找我，我才补上重建窗口。现在我写方案，索引维护和备份策略一定单列一行。

写在最后

回到那场评审。最后方案定在库内，理由不是安全，是算完账以后，五年的总成本更低。安全只是顺带满足的条件。

金仓这次发布的AI数据库，三大核心能力是库内语义构建、库内计算推理、库内原生数据安全管控。三个词听起来分散，落到账本上是一条线。语义省掉重复解释口径的人力，计算推理省掉搬数据的链路，安全管控省掉权限重建的活。

库内多花的这笔算力，有数可查。发布会公布过一组：1亿条768维向量、98%召回率条件下，峰值内存开销较业界降低95.4%，查询延迟降低80%。测试环境是128核国产ARM、256GB内存、麒麟V10，工具用VectorDBBenchmark。整套跑在国产软硬件上，同召回率、同硬件比出来的数，才拿得出手。

AI数据库这个概念，各家讲法不一样。我的判断标准很土。数据在哪，谁能看，出了事怎么查，账算不算得平。四条都答得上，方案才算立住。

你们现在做AI应用，向量是外挂还是留在库里？算过权限重建这笔钱吗？评论区聊聊。

我是数据库小学妹，帮你少走弯路少踩坑，咱们下篇见👋