胖头鱼的技术专栏-482 Oracle AI DB 23.26.4新特性一览（20261027）

作者：胖头鱼的鱼缸（尹海文）
Oracle ACE Pro: Database
PostgreSQL ACE
10年+数据库行业经验
拥有OCM 11g/12c/19c、MySQL 8.0 OCP、Exadata、CDP等认证
墨天轮MVP，ITPUB认证专家
圈内拥有“总监”称号，非著 名社恐（社交恐怖分子）
全网同名：胖头鱼的鱼缸
ITPUB：yhw1809
除授权转载并标明出处外，均为“非法”抄袭

Oracle AI Database 26ai的2026年4季度补丁（23.26.4）如约而至，本期进行总结，前面版本新特性回顾如下：
数据库管理-第225期 Oracle DB 23.5新特性一览（20240730）
数据库管理-第256期 Oracle DB 23.6新特性一览（20241031）
数据库管理-第287期 Oracle DB 23.7新特性一览（20250124）
数据库管理-第316期 Oracle DB 23.8新特性一览（20250417）
数据库管理-第349期 Oracle DB 23.9新特性一览（20250717）
数据库管理-第376期 Oracle AI DB 23.26新特性一览（20251016）
数据库管理-第404期 Oracle AI DB 23.26.1新特性一览（20260128）
数据库管理-第423期 Oracle AI DB 23.26.2新特性一览（20260504）
胖头鱼的技术专栏-450 Oracle AI DB 23.26.3新特性一览（20260723）

1. ADDM扩展（ADDM Extension）

可扩展ADDM允许DBA把自己的诊断逻辑（PL/SQL编写）注册为扩展，由ADDM执行。逻辑放在用户创建的PL/SQL包里，通过 DBMS_ADDM包的 register_rule API注册。每条注册规则有发布者（publisher）和所有者，可以选择只在所有者手动运行的ADDM任务中启用，或在包括后台自动任务在内的所有任务中启用。扩展始终以注册者的权限执行，即便ADDM自动任务由SYS运行也一样。注册时可以挂在某个父规则之下，也可以作为顶层规则始终执行。 DBMS_ADDM_UTIL包提供了一批实用函数，用于取AWR里的统计值或等待事件、构造ADDM发现或建议样式的字符串等。扩展输出出现在常规ADDM报告中，带发布者标注，与内置规则区分。

很多DBA都攒了一套自己写的性能分析脚本，版本要自己管，每台候选数据库都得跑一遍，又费手工又容易出错。现在脚本注册一次存进数据库，打补丁、升级之后依然可用。

2. 标量量化IVF向量索引（AI Vector Search: Scalar Quantized IVF Indexes）

标量量化通过独立量化向量的每个维度来压缩高维数据向量，本次该能力扩展到全局IVF索引上。

标量量化的IVF索引在保持语义相关性的前提下，大幅降低存储需求，适合以简单、低存储占用为优先的场景。

3. Raft复制的异步跨区域复制（Asynchronous Cross-Region Replication for Globally Distributed Databases Deployed with Raft Replication）

可以在主读写Raft集群之外创建只读Raft集群作为其副本，用于灾难恢复，也用于把只读数据放到离消费者更近的位置。

跨区域灾备强化业务连续性，副本靠近用户和应用，只读数据的访问也更快。

4. DRCP与PRCP隐式池化的自动会话状态恢复（Automatic Session State Restoration for DRCP and PRCP Implicit Pooling）

对DRCP和PRCP的隐式池化，Oracle AI Database默认对支持的隐式池化连接开启自动会话状态恢复。

跨隐式池边界的会话状态管理交给数据库来做，应用侧的负担减轻；需要应用自行处理的状态还可以通过回调介入。

5. BAR_CHART函数（BAR_CHART Function）

BAR_CHART()是一个用数值直接生成条形图的函数。

查询结果里数值的分布可以直观呈现，简单报表不必再拉到应用侧画图。

6. DBMS_AI_GRAPHRAG PL/SQL包（DBMS_AI_GRAPHRAG PL/SQL Package）

DBMS_AI_GRAPHRAG包在标准向量RAG的基础上叠加图遍历能力，用GraphRAG提升RAG的准确性。

相比只靠向量的RAG，GraphRAG在结构和推理上有明显优势：支持多跳推理，复杂查询的准确率更高，答案也更容易解释和审计。

7. Iceberg表的数据类型覆盖（Data Type Override for Iceberg Tables）

建Iceberg表时可以定义每一列映射到的Oracle数据类型，插入时就能用更宽范围的Oracle类型。比如把Iceberg的 LIST或 ARRAY映射为Oracle  VECTOR，把不限长度的Iceberg  STRING映射为定长或扩展的 VARCHAR、或 CLOB。

用户对Iceberg列类型到Oracle类型的映射有了控制权，更多Oracle数据类型可以装进Iceberg表，类型与数据及其用途更匹配。加载前重塑数据的必要性降低，Iceberg数据在Oracle应用和向量工作负载里也更好用。

8. Select AI翻译服务扩展（Extend Select AI Translate for Google, AWS, and Azure Translation Services）

Select AI的translate动作在原有OCI翻译服务（OCI Language）之外，新增Google、AWS和Microsoft Azure的翻译服务。

全球新闻、社交媒体内容、产品文档等场景的翻译能力接入更方便，还能与其他Select AI功能串成流水线，用来处理LLM的局限或按用户、按地区定制输出。

9. Iceberg表属性（Iceberg Table Properties）

Iceberg表属性存储在Iceberg表的元数据中，用于配置和管理影响Iceberg行为与互操作性的表级设置。建表时可以指定，之后也能用SQL更新，不动schema就能定制表的行为。

这是配置表级行为的标准化、灵活方式，不用改表定义或应用代码。Oracle数据库与Apache Iceberg生态的互操作性更好，工作负载可按需调优，Data Lake管理更省事；组织可以在多张Iceberg表之间一致地管理存储、性能与维护设置，同时与其他Iceberg计算引擎保持兼容。

10. Iceberg表支持更新与删除（Iceberg Update and Delete）

通过Oracle AI Database访问的Iceberg表现在支持 DELETE和 UPDATE语句，非分区表和分区表都适用。

应用和管理员用标准SQL就能直接修正、维护、删除Lakehouse数据，不用先把数据拷进Oracle管理的表，也不必依赖另一个独立的处理引擎。

11. 分布式HNSW索引的包含列支持（Included Columns Support for Distributed HNSW Indexes）

分布式HNSW查询在找到最近邻之后，往往还需要回表取业务属性。把常用列纳入索引（包含列）后，查询可以直接从索引返回这些值，省掉回表环节。

对AI应用来说，一次高效检索即可同时拿到相关记录和所需的业务数据，响应更快。

12. JSON到二元性迁移器的增量Schema推断（Incremental Schema Inference for the JSON-to-Duality Migrator）

JSON-to-Duality Migrator此前从一组JSON文档生成初始关系schema和二元性视图。现在可以在此基础上增量引入更多JSON文档集合来扩展schema，支持应用集合的分批接入，同时复用已有的关系结构。

团队可以分阶段迁移和接入JSON集合，减少扰动，避免重复设计schema；复用已有的关系结构和二元性视图，先前的开发投入得以保留，应用现代化更快，数据模型也能随新集合的需求演进。

13. 分布式HNSW索引的增量快照支持（Incremental Snapshots Support for Distributed HNSW Indexes）

分布式HNSW索引此前的刷新机制是全量重建：DML越积越多，重建越来越慢，索引检索能力也跟着受限。增量快照只应用上次快照以来的变更。

该特性显著加快索引刷新，对持续更新的AI工作负载至关重要。

14. MLE WebAssembly模块与JavaScript WebAssembly API（MLE WebAssembly Modules and JavaScript WebAssembly API）

Oracle AI Database的多语言引擎（MLE）集成WebAssembly（Wasm）之后，由Rust、C、C++等语言编译而来的可移植、语言中立模块可以在数据库内安全运行。

能直接进数据库的现有库和开发者技能池变大了，专门的算法不必再为入库重写一遍、也不必经外部进程接口绕一圈。

15. SELECT * 与其他列、表达式混用（Mixed SELECT * and other columns/expressions）

SELECT *现在可以与其他列名、常量或表达式组合使用。

SELECT子句的投影写法更灵活，补列不用再整串重写。

16. HNSW索引的多向量检索（Multi-Vector Search with HNSW Indexes）

多向量检索把近似向量检索扩展到分层查询：不再返回一个扁平的top-K列表，而是在多个层级里找出"最好的分区里的最好的行"，比如最好的书里最好的段落里最好的句子。它在分区行数限制查询上增加了基于HNSW的访问路径， PARTIAL与 FULL两种promotion模式控制分区如何入选、返回多少行，HNSW索引需包含partition-by键。实现上复用现有的过滤、可见性、量化和rescore能力，磁盘结构与数据字典均无变化。

应用可以直接用SQL表达分组语义检索，省去多次查询和客户端重新分组。HNSW加速支持分区感知遍历与提前终止，降低延迟与资源消耗；沿用既有语法与基础设施，采用成本低、风险小，结果也更贴近实体级的业务需求。

17. 通知指令（Notification Directives）

通知指令提供了一种高效方式，用来记录（journal）并查询数据库事务对JSON关系二元性视图及其底层表的变更。记录的通知按事务提交时间排序，内容与提交时刻的数据一致。

典型用途有三类：把修改过的二元性视图文档或表行复制到另一个数据库（包括文档库和其他非Oracle数据库）；维护中间层的二元性视图文档缓存；生成变更通知事件供微服务消费，比如新采购订单文档的创建可以触发履约、支付等微服务的后续动作。

18. Oracle ODBC驱动支持AC与TAC（Oracle ODBC Driver Support for Application Continuity and Transparent Application Continuity）

Oracle ODBC驱动此前用不了OCI会话池，应用也就享受不到更短的连接时间，以及Application Continuity、Transparent Application Failover、Transparent Application Continuity这些能力。现在ODBC驱动提供选项使用会话池及其配套功能，DRCP也因此对这类应用可用。

支持AC、TAF、TAC之后，应用在计划内或计划外停机时都能不被打断地继续工作。

19. 顶层过程执行时预取隐式结果集（Prefetch Implicit Results with Top-Level Procedure Execution）

PL/SQL过程执行时返回的隐式结果集现在支持预取。提供两种方式：沿用 OCI_ATTR_PREFETCH_ROWS，所有隐式结果集合计预取行数不超过该设置；新增 OCI_ATTR_PREFETCH_IMPL_CURSOR，单个隐式游标的预取行数不超过该设置。

从DB2和SQL Server迁移过来的应用，过程返回多个隐式结果集时往往要付额外的数据库往返，因为Oracle ODBC驱动此前不预取这些结果。该增强把预取提前到过程执行时，往返减少，性能随之改善。

20. 乘积量化HNSW索引（Product Quantized HNSW Indexes）

乘积量化（Product Quantization）将每个高维向量切分为若干子向量，用训练出的码本中最接近的质心编号替代原始向量值，从而在HNSW图中存储紧凑的压缩表示。建索引时指定期望的压缩率，由数据库确定对应的量化参数；相似度检索时索引在压缩表示上运行，还可选rescore因子用原始未量化向量对top-K结果做精修。

该特性降低向量检索工作负载的内存占用，同样的内存可以索引和检索更大的向量数据集。压缩率可按工作负载自行选择，配合rescore在内存、检索性能与精度之间灵活取舍。

21. 无会话事务提升为XA事务（Promotion of Sessionless Transaction to XA Transaction）

用户和外部事务管理器可以把数据库中已有的无会话事务提升为XA事务：无会话事务里已做的全部修改纳入XA事务范畴，按XA的两阶段提交语义提交或回滚。用户界面和XA的两阶段提交语义都没有变化。

事务启动时不必绑定数据库会话，等工作扩展到多个系统时再无缝提升为XA事务。分布式业务操作由此获得更强的一致性、更好的可扩展性、更简单的应用设计和可靠的故障恢复。

22. 含外部表的物化视图支持运行时过期检测与快速刷新（Runtime Staleness Detection and Fast Refresh for Materialized Views Containing External Tables）

定义在外部表上的物化视图（比如数据来自云对象存储的那类）现在支持快速刷新和查询重写。

只刷变化的数据、不再全量刷新，资源消耗和刷新时间都明显下降。云端数据湖架构里那些体量大、更新频繁的外部数据集，用起来更容易也更高效。

23. SELECT FOR UPDATE支持行数限制（SELECT FOR UPDATE with Row Limit）

Top-N查询（ FETCH FIRST）现在可以使用 FOR UPDATE [SKIP LOCKED]子句。

应用一次锁定并取走有限的几行，多个worker就能并行分批处理同一个数据集，不必互相等对方手里的锁。

24. Select AI支持自然语言转图查询（Select AI Support for NL to Graph Queries）

Select AI把"自然语言转SQL"的范围从表扩展到数据库原生属性图，可以回答诸如"找出认识的人收藏过同一篇帖子的人"或"通过3到7个中间人找到的人名"这类问题。

开发者用熟悉的数据库和自然语言接口就能暴露图相关的洞察，减少定制集成与查询开发工作量；业务用户不用学图查询语言，也能探索复杂的关系、依赖与模式，分析更快、决策更快，数据库的安全与治理同样保留。

25. Select AI支持客户自托管环境的私有端点自定义LLM（Select AI Supports Specifying Custom LLM via Private Endpoint in Customer-Hosted Environment）

可以在自己组织控制的虚拟机上运行LLM，把它的私有端点配置进AI Profile供Select AI使用。

模型选择、定制、数据驻留和安全都掌握在自己手里，数据尽量不出私有环境。开发者通过熟悉的AI Profile配置接入组织自有的模型，业务用户则得到贴合本领域策略的AI体验。

26. 简化宏（Simplified Macros）

宏此前要求用PL/SQL来构造并返回SQL字符串，能力很强，但简单常见的用法也被搞得冗长复杂。现在提供了简化的宏语法，写简单宏不必再绕PL/SQL接口，友好得多。

宏的本质是可跨SQL语句复用的参数化表达式，标量值和表值都可以；允许表值参数之后，还能用它定义参数化视图。

27. 流式窗口表函数（Streaming Windowing Table Functions）

新增一组表函数，把行切分进基于时间的窗口： TUMBLE（滚动）、 HOP（滑动）、 CUMULATE（累积）和 SESSIONS（会话）。

批处理模式下按时间分析数据用得上，窗口的设计参照了Flink SQL的窗口表值函数。

28. 预编译器经会话池支持AC与TAC（Support for AC/TAC in Precompilers Using Session Pool）

Pro C、ProCOBOL这类预编译器用嵌入式SQL连接数据库、执行语句，此前创建的是专有连接，用完即毁。会话池把连接的建立与销毁成本摊薄，运行时执行完SQL立即释放连接，并通过显式请求边界支撑TAF、AC、TAC这类高可用能力。

预编译器应用用上会话池后，计划内和计划外停机都能被平滑处理。

29. OCI会话池的透明分片（Transparent Sharding in OCI Session Pools）

该特性把透明分片支持加进OCI会话池：应用拿到的是逻辑会话，OCI按需建立并路由物理数据库连接到相应的分片或catalog。还支持单分片执行（Single Shard execution）：会话在第一条语句后绑定到选定分片，直到释放；对事务，新的会话属性可让语句直接路由到目标分片而不经过catalog，单分片事务保持绑定到该分片直至提交或回滚。

应用不用再显式管理分片键或实现分片路由逻辑，开发和维护成本明显下降。运行大规模、高度分布式事务处理系统的企业，用很小的代码改动就能采用分片数据库，扩分片、保高可用都更顺。

30. 见证副本（Witness Replica）

在基于Raft的分布式系统里，见证副本是一个轻量级节点，不保存完整的数据库副本，只接收并应用Raft日志来跟踪共识状态变化，同时参与领导者选举和事务提交的法定人数投票。

它以不复制数据的存储开销实现容错与可扩展性，很适合大规模部署，最多可节省33%的存储。

31. ezTLS（ezTLS）

ezTLS是一种用TLS保护Oracle数据库客户端与服务器之间通信的简单方式，不需要客户配置证书或钱包。

它被设计为原生网络加密（NNE）的简便替代：保留NNE简单的部署模式，底层用TLS协议做网络加密。SQL*Net数据在传输中被加密，不必创建或部署钱包，也不必配置证书或证书权威，少量配置改动即可开启加密；现有的数据库认证方式（用户名密码、Kerberos等）照旧单独使用。

总结

Oracle AI Database 26ai的2026年4季度补丁（23.26.4），向量检索相关的增强占了大头：两种量化（标量、乘积）、包含列、增量快照、多向量检索，全在给大规模AI工作负载铺路；GraphRAG、Select AI的图查询与私有LLM接入把AI能力又往数据库里推了一层；Iceberg表的DML支持则补上了Lakehouse场景的关键一环。

老规矩，知道写了些啥。