前沿 | 医疗机构网络信息安全重要风险分析及对策建议
2026-11-17
建议 | 金融业新型网络数据安全风险靖】潆应对建议
2026-11-16
暗网数据泄露谍报精选周报(2026.11.07-2026.11.13)
2026-11-13
仅一个半月,就有上亿条信息泄露!
2026-11-13
通知 | 工信部:加强智能体终端设备进网治理
2026-11-12
存储域
数据库加密 诺亚防勒索接见域
数据库防水坝 数据库防火墙 数据库安全审计 动态脱敏流动域
静态脱敏 数据水印 API审计 API防控 医疗防统方运维服务
数据库运维服务 中央件运维服务 国产信创刷新服务 驻场运维服务 供数服务安全征询服务
数据出境安全治理服务 数据安全能力评估认证服务 数据安全风险评估服务 数据安全治理征询服务 数据分类分级征询服务 幼我信息风险评估服务 数据安全查抄服务2026DTCC大会顺利进行,瓦力游戏科技产业教育中心执行院长施嘉伟受邀参与,作为DTCC大会的“老伴侣”,结合大会整体议题及自己从业经验,写下如下感悟:
今年参与 2026 中国数据库技术大会,多了个身份,Data+AI 专场主持人。
做数据库这些年,大会没少跑。前几年是国产化、散布式、云原生、HTAP。今年再看,Data+AI 已经铺到好几个分会场。
主持那半天,我既要盯流程和功夫,也要听台上讲数据库、模型和 Agent。几个议题听下来,我脑子里一向有个问题:库越来越聪明,运维能不能轻松一点?
至少眼下不会。AI 能削减一部门沉复劳动,同时也把更多系统带进了运维领域。

从前几年,数据库和 AI 放在一路讲,沉点险些都在用 AI 把库管好。辅助诊断、SQL 优化,今年还有人讲,也还用得上。今年多了一类议题:数据库怎么把 AI 利用撑住。
AI 一旦进了企业,要处置的数据和传统业务差得很远。以前重要是结构化业务数据,字段明显,模型固定。此刻多出来文档、向量和高低文,好多器材没法直接建表。数据库照样要管存储、查问和事务,还得思虑几个新问题:模型用的数据从哪来,谁能取,取走之后有没有留痕。
安全这条尤其麻烦。公安、医疗这些行业,主题数据不能出域,知识库只能建在内网。权限充公干净的话,一个检索接口就可能把分属十几种角色的数据一路交给模型。接上 AI 以来,原来权限没管住的数据,模型也能看见。
组件一多,
出了问题不知路找谁
以前企业数据架构一张图能讲完。利用连数据库,数据库管存储和查问。AI 进出产之后,这条链被拉得很长。业务库、知识库、向量检索、对象存储、大模型服务,再挂上 Agent。一套利用七八个组件,已经不稀罕。
组件一多,接缝就多。数据怎么同步,权限在哪一层收口,出事了从哪查起,这个组件归谁管。做过跨组件排障的都知路,好多功夫都耗在没人认领的那一段。各个组件可能都没报错,业务却跑不通,几个团队一时也说不清该由谁处置。
这两年,数据库厂商起头把向量检索等周边能力收进产品。职能放进统一套产品后,运维照样要处置数据同步、权限和故障定位,只是必要多盯一层。
这个问题每隔几年就来一遍。云数据库来的时辰问过,库起头讲自治的时辰又问过。此刻轮到 AI。
大模型和 Agent 越做越强,库能不能自己诊断、自己处置故障?不外我偏守旧,目前看起来还很难。
我们能够先把一部门沉复劳动交给 AI。查日志、翻指标、看执行打算、写汇报,都适合让工具来做。
可在出产上守过夜的人都明显,复杂故障很少只有一个尺度答案。库慢了,原因可能压根不在库上。存储和网络都有可能,衔接池、某条 SQL、某个锁都有可能;褂幸恢指鸦穑呵耙惶焱砩弦滴穹⒘烁霭姹,库这边看起来像无故变慢。你按库的思路查下去,最后根因在法式调换。
企衣凤同时跑好几套库,排查起来更麻烦。优化器、备份复原机造,各家都不一样。统一个景象,放到两套库上,根因可能齐全分歧。再接上 AI 的数据链路,要查的领域又往表扩了一层。
此刻做数据库技术服务,不是守护好一种数据库就好了。一个企业内部,贸易库、开源库、国产库、云上事俘同时在跑,已经很常见。各有各的汗青原因,不成能为了方便运维就全数换成一种类型数据库。手上还压着国产化迁徙、版本升级、容灾和安全治理。到了 Data+AI,运维又要接触知识库、向量检索和模型服务。故障一来,团队很难一眼判断该找谁。
业务响应慢,可能要找 DBA,也可能要找开发,网络和存储团队也时时被拉进来。AI 利用成效忽然变差,还得查抄模型、数据、索引,以及底层表最近有没有调换。只盯着某一款数据库,时时查不到根因。
工程师也得多懂几层。除了装库、备份和调参数,还要懂 SQL、架构、操作系统和存储。再往上,至少要看懂 AI 利用怎么用数据,向量检索在干什么,RAG 的数据怎么流。Agent 为什么必要那么多高低文,我以前没怎么当真想过。今年听下来,这个问题躲不开。
大模型降成本,
路子很像数据库优化
专场里有一场讲企业级大模型落地,重要谈的是成本。
这些痛点很眼熟:API 挪用和推理的账单压不住,主题数据不能出域,通用模型又不懂行业蹊径。企业想自己调优,还要思考能不能养得起团队。
嘉宾教员给的准则很直接:先 RAG,搞不定再微调,最后才做全量训练。指标是用极度之一的成本做出一套够用的规划。讲师还介绍了几种具体做法,PEFT 把原模型冻住,只训很少一部门参数,通过量化缩幼模型,再把推理放到边缘设备上,数据也能留在本地。
各位同业,这个处置思路是不是很熟悉?跟处置数据库问题差不多。先看 SQL、加索引,不能再调参数,再不能才动表结构和架构。每往下一步,成本微风险城市增长。层级判断错了,团队可能把一个加索引就能解决的问题,折腾成一次架构刷新。是不是险些就是数据库优化的日常。
这场大模型成本分享里,有靠近一半的内容都在讲数据怎么组织。RAG 要走通,私有化知识库得先建起来。数据要留在域内,权限要收得住,知识内容变动后,索引还要实时更新。最后接下这些活的,还是数据库和数据团队。
AI 能分析,
出产调换还得人来把关
AI 最切实的益处,是查资料没那么费劲了。以前碰上没见过的报错,要翻官方文档,搜知识库和社区,再结合现场慢慢试。此刻把日志、报错和执行打算交给 AI,很快就能拿到几条像样的排查思路。
拿到建议以来,现场工程师还要做调换评估。AI 说某个参数能够调,工程师得判断此刻能不能改、会影响哪些业务、有没有联动参数;灰惶谆肪,答案可能齐全分歧,回退规划也要结合现场环境来造订。
数据库存的是企业最主题的数据。一次误操作造成的影响,跟通常利用故障不在一个量级。规划写得再好,进出产前该走的评审、验证和回退都省不掉。我也没见过哪家会由于模型壮大,就跳过调换窗口。该有的步骤一个都不能少!
以前做巡检、翻日志、写汇报,好多时辰都靠工程师自己来。此刻,不少工作能够交给自动化工具和 AI,好比信息网络、初步诊断和规划初稿。
工程师能够把省下来的功夫用在复杂故障判断、容灾设计和迁徙割接上。AI 能整顿资料、补充查抄项,也能列出风险。规划能不能用,还得看业务影响和调换窗口,最后由工程师来定。
瓦力游戏这几年做数据库服务,也在把 AI 接入巡检、日志分析和汇报整顿。工具先处置沉复工作,工程师盯复杂故障和沉大调换?突ё詈罂吹氖橇司郑何侍夥⑾值檬欠袷凳,排查和措置问题快不快。
每年参与数据库大会,议程上城市换一批新词。今年国产化还在推动,Data+AI 又成了焦点。企业最后关切的还是那些具体问题:数据不能丢,权限不能乱,业务还得不变运行。
AI 能助运维省下不少沉复劳动。故障一旦牵扯数据库、存储、检索和模型服务,工程师仍要把整条链路串起来排查。今年参与 DTCC 之后,我更确定数据库运维的领域还会持续往表扩。以来接到一个“数据库慢了”的电话,我们可能要从利用一路查到存储、检索和模型服务。
施嘉伟:
瓦力游戏科技产业教育中心执行院长/技术运维部经理,Oracle ACE Pro、PostgreSQL ACE,OCM/PGCM/KCM认证。 IvorySQL 专家照拂委员、KVA、崖山YVP、KWDB MVP、PolarDB开源社区/HaloDB技术照拂、TiDB社区技术布路师、青学会MOP技术社区专家照拂。