【引言】

近日，"达梦同行者"DM9技术征文大赛落幕：105篇投稿，63篇入围，20篇获奖。我是评委之一，投稿逐篇读过。

读完这些来稿，有个感受越来越清晰：AI这趟大潮冲下来，变的表面上是软件、是人、是明天，往深处看，归根到底绕不开一个东西——数据库。顺着这个感受往下想，一层一层，想到最后，给数据库画一张像。

1 第一层：软件遍地生，建库如取水

以前开发软件，从提需求到能用，得按月算；现在AI辅助开发，从说想法到看见东西，快了一个数量级。软件从此遍地生：小工具、小程序、小应用，要多少有多少。软件一多，每个背后都要一个数据库，数据库就得建库如取水：拧开水龙头就有，装得快、部署快、数据流转快。

来稿里有个印证：《当我让AI agent去安装DM9时会遇到哪些问题》——有作者干脆让AI助手去装DM9，往后机房里的安装部署越来越多就是AI在干，他等于把未来提前预演了一遍。结果还真出了事：AI理直气壮地回了四个大字——安装成功。他过去一查，库里空空如也，装了个假的——好比快递员把签收单送了回来，包裹压根没出仓库。他换了四种路径、换一台机器、三次复现，把病根挖到脚本层，撂下一句话值得抄下来："不要用退出码定义成功，要用产物定义成功。"软件遍地生的时代，装库都轮不到人动手——这一层的要求就此落地：随时待命、谁来都能用。

也有作者把这事儿做到了极 致：《DM9 Linux图形化安装部署实战指南》把安装写成了保姆级的指南，从环境检查到报错处置一条龙，连一次实例创建失败的排错闭环都完整跑通——新手照着做，真能装上、真能用上。

眼下这套还免不了磕绊——装个假的，要人查出来。再往下一步，或许连验收都能交给机器自己掐表。这类磕绊，下一代版本里应该会越来越少。
软件不光变多了，还变了脾气。

2 第二层：软件顺人意，库要懂语义

以前的软件，功能多是预设好的：开发商做什么，您用什么，想改个花样，得等下一版。现在的软件变了脾气：越来越多地从按菜单办事，变成按意图办事。

软件越来越按意图办事，数据库就得懂语义。来稿里这一类的印证一抓一大把——
有位作者拿DM9给AI搭问答系统的弹药库，章法极严：先钉死"什么算答对"再动手，还故意埋了一道"语义漂移"的陷阱题——资料明明在库里，问法一绕就找不到。单用一种找法，100次提问只答对2次；把关键词、语义、分类三种找法融合起来，78次。最难看的成绩摆在第一页，一路做到优秀——这篇叫《达梦DM9混合检索RAG召回层实测》，把"AI用数据库"讲到这个颗粒度的，全场仅此一篇。

《用DM9当向量数据库，给自己建个RAG知识库》的作者，把官方手册连同95篇个人笔记喂进DM9，搭了个能对话的知识库，问一句人话就能捞出答案，代码全部开源，谁都能照着重做。

《用DM9向量数据库给收藏文本做语义检索》的作者，只喂数十篇收藏文章，解决"明明存了就是搜不到"的老大难——关键词明明没写，靠意思照样能找到。

《把RAG检索层放进数据库》的作者把官方手册切成3000多片做测试，测出近似检索偶尔会丢掉本该排第一的结果、把精度参数拉满也没用——这份较真值得点赞，他没藏着，白纸黑字写进了文章。

还有一篇《从二维坐标到DM9向量检索》，拿高中数学的余弦定理开场，一路讲到384维的向量，把原理讲出了故事感。
软件越来越善解人意，数据库就必须跟得上——向量检索、混合检索，正在从"新特性"变成"基本功"。今天，理解语义还得靠人搭知识库、调参数；明天，也许数据库自己就能学会听懂。作者们今天手工埋的语义陷阱，未来或许会成为数据库出厂前的必修课。

软件变了脾气，上手操作的人也在换——人渐渐退到一边，让AI上手。

3 第三层：杂活归AI干，库要扛高峰

操作的人换成AI，数据库就得迎接一批不知疲倦的新用户：智能体和人类有本质区别——不知疲倦，7×24小时连轴转；不怕复杂，人觉得繁琐的操作对它只是循环；说来就来，调用量和流量洪峰说来就来。凌晨3点您睡得正香，它开工了。

这三样凑齐，过去的老经验就不够用了。许多业务系统的负载，过去多少还随人的作息起伏：白天忙、夜里闲，高峰低谷相对有规律。智能体来了，这种规律被进一步打破——一批智能体同时开工，调用量可能被放大到远超人工操作的水平。

而且洪峰不止一种：流量之外，还有数量的洪峰——应用一多，库、账号、表跟着爆，很多库不是被流量压垮的，是被自己的花名册压垮的。性能扛不住，前面全白搭。所以数据库得把劲儿使在刀刃上：高频访问扛得住，复杂计算尽量在库内一次办完，别让AI来回搬运数据。再配上监控、调度、限流、权限——高峰能疏导，异常能隔离。

《把RAG检索层放进数据库》的作者用一条SQL把找资料、排序、拼答案一次办完——计算往库里收，这就是给新用户们铺路；《DM9并发更新场景下的锁等待与事务超时》的作者更"过分"，连"程序让等3秒、实际等了4秒"这种犄角旮旯里的出入都摆上了桌面。自然语言查库、MCP对接，DM9已经备好了——就等AI用户成群结队地走进来。如今的洪峰还得靠人预设预案，未来怕是要成常态——数据库的作息表，得照着机器的写。

用户成群结队地进来，有个问题就越来越绕不开：软件越来越便宜，什么东西越来越贵？

4 第四层：软件趋廉价，数据更金贵

软件趋廉价，数据反而更金贵，托住数据的数据库也得把账算细。为什么？因为两样东西的分量不一样：软件是做出来的，做错了可以重做，今天不行明天再来一版；数据是攒出来的，一笔一笔业务攒下的家底，错了不一定改得回去，丢了可能真就没了。数据的一致性、事务的可靠、安全合规的要求、长年累月的存储——哪一样都比一段代码金贵。应用铺天盖地、开发门槛越来越低，底下托着数据的底座，就更得把基本功练硬：快、稳、省。这里说的“贵”，不是数据库要卖得贵，而是它必须配得上数据的贵；应用越多，越要把总体成本算细。

来稿里有两笔硬账。一笔是性能账：《达梦DM9新特性实测》的作者把性能测了个遍——100万行数据眨眼入库，不到1秒——您眨个眼的工夫，它干完了；数据库里的程序语言跑循环，一秒500万次；3个索引一起上，查询快了好几倍，全是拿秒表卡出来的数。

另一笔是资源账：《DM9新特性探索之回滚表空间回收机制对比DM8基线版测试验证》在国产芯片真机上，让三个版本在三档参数、三种规模下跑同一类负载，数数据库干活的“草稿纸”——改数据前先把原样记下来好反悔，行话叫回滚空间。旧版在部分高保留参数场景下，回滚表空间涨到二十多GB；DM9在对应高保留参数场景下约为2GB级，在低保留参数场景下又控制在1GB以内。真正值得看的，不是拿最大数减最小数，而是在可比的测试里看见：DM9把空间增长压得更平缓，也更可预期。

细账这一层，是身价——说到底，快和省不是炫技，是因为底座上放着金贵的东西。

东西越金贵，打它主意的人就越多。更要紧的是，AI把攻击的门槛也拉低了。

5 第五层：AI愈用愈深，安全愈要紧

以前守数据库，更多防的是人——人有精力极限，攻击的成本也摆在那。往后不一样了：守库的是系统，攻库的也可能借助AI，两边都是不知疲倦的机器在跑。智能体本身还成了新的操作入口：权限给大了，风险会沿着工具调用被放大；指令被诱导了，还可能执行人没打算让它执行的操作。权限怎么给、操作怎么审、数据怎么加密，高危动作由谁确认，每一件都要落在数据库的账上，而且必须越做越深。守方的本事要是不涨，等于把钥匙交出去了。

达梦在安全上的家底是厚实的：权限管理、审计追踪、加密保护一应俱全，还有面向高安全场景的安全版本和四权分立机制，专业级的安全能力攒了多年。来稿里也有作者开始涉及这类特性的验证，一条条核对权限边界，一行行把风险写进方案；还有作者连"修改参数会持久化写入配置文件"这类容易忽略的行为都挖了出来——虽未尽善，这个方向的深度值得期待。

守住了安全，还有一件事同样变贵：不能出错，不能中断。

6 第六层：机器不下班，可靠重千钧

智能体不知疲倦，数据库就没有"下班"可言：自动重试、自动重跑，人眼里的一次小抖动，在它那里可能层层放大成连锁反应。
机器不下班，做数据库的谁敢下班——那就比着扛呗。所以可靠性这个"加分项"，到AI时代直接升格成了生死线。
这道防线也得分层次：备份要可用、恢复要演练，同城双活要扛得住机房级故障，异地容灾要兜得住更大范围的极端情况。不同业务的容灾级别可以不同，但有两笔账必须算清：最多能丢多少数据，多久必须恢复。

这一层，来稿的贡献特别扎实：有人搭了同城三中心的共享集群——《DM9 DSC集群安装初体验——同城三中心双活架构》，把三处机房、七块共享盘的部署过程完整走了一遍；有人把单机部署、归档、备份、恢复、卸载整套流程从头走了四轮，步步留痕、处处核对——这份严谨，正是可靠性最踏实的地基。
一个库要装的东西，也在这时候多起来了。

7 第七层：应用终合拢，数据库融合

以前一种数据配一种专用库：交易库、分析库、时序库、图库……路越修越多，占地越来越大，数据还倒腾不过来。AI时代，这套打法的代价越来越高——向量、图、时序、关系、文档、图片、音频、视频，结构化的、半结构化的、非结构化的，一张口就要同时吃。数据库就得让它们在同一套体系里共存：存得省、压得住、查得动、彼此还认得，随取随用、互相访问。这就是融合。融合不是消灭专用库，也不是把所有场景硬塞进一个实例，而是能少搬数据、统一治理、协同查询。要是每种数据都各配一套、彼此又互不相通，一个单位就得养一排系统，装不起、管不动、数据还对不齐——AI时代，这条路会越走越难。

这么多数据挤在一个库，能处得来吗？不容易。一套引擎要同时伺候几种脾气迥异的负载，查询优化、资源调度、存储布局，每一项都得重新琢磨。我近期出版过一本书专门论述这个方向，书名叫《超融合数据库》。这次大赛最让我欣慰的，是这个方向正在DM9身上变成现实：数据和AI一个库里见面，交易和分析一套引擎，向量和混合检索开箱即用，集中式和分布式一套内核自由切换。

那位给自己建知识库的作者，光存储就省了一半还多；《把RAG检索层放进数据库》的作者，几千片文档切进去就查得动。来稿的火力也印证了这条路：向量、混合检索、交易分析一体化，恰恰是用户测得最多的地方。今天的融合，是一件件功能磨出来的；明天的融合，说不定由AI参与设计。DM9已经把路踩出来了，下一代产品怎么走，这届大赛的来稿里全是线索。
再往前想一步：前七层，都是人给数据库提要求；这最后一层反过来——数据库自己，能不能也用AI长自己？

8 第八层：想到最深处，库要自进化

前七层提的要求，建得快、听得懂、扛得动，今天多半还得靠人推着走。这最后一层换个问法：数据库自己，能不能也用AI来长自己？
这事得拆成三级台阶看，台阶的毛坯，来稿里已经摆着。先分清一个边界：按预案执行是自动化，不等于自治；能识别状态、评估风险，并在授权边界内选择动作，才接近自治。
头一级，自愈——修好自己。第六层讲的可靠，很多仍靠人定预案、人做验证：人搭双活、人做备份、人盯着恢复。自愈是机器自己修：哪里断了自己接上，哪块坏了自己绕开。那位搭同城三中心的作者，把架构搭起来了，可真遇到故障，切换仍离不开事先写好的预案和人的验证。从“预案写死”到“在授权边界内自己拿主意”，中间就是自愈要补的课。

第二级，自调——调好自己。这回的来稿里，调参的、抠口径的、拧并行档位的，一大堆，全是人趴在机器上一点点试出来的。往后呢？参数机器自己试，口径机器自己校，人只看结果签不签字。那位让AI装库的作者，其实已经摸到这一级的门把手了——装库都能交出去，调库为什么不行。

第三级，是共进化——人和AI一起，把数据库做成新的自己。这里说的不只是数据库运行时的自治，还包括研发方式的改变：内核研发人机共研，AI写代码、跑回归，人定方向、拍板决策；测试验证由AI在人的框架下不知疲倦地执行：几百个特性同时测、特性组合一起测、七天七夜压测连轴做。机器出力，人出主意；最后能不能进版本，还得人审。

但有一句丑话，必须说在前面：自我进化的前提，是可控。数据库是底座，底座不能自己悄悄变形——每一次自我调整，都得人授过权、全程留着痕、随时退得回。油门可以交给机器，刹车和方向盘必须留在人手里。做不到这一条，自愈、自调、自进化，三级台阶一级都不许上。这话是替所有用户说的：底座上的家底，是人家一笔一笔攒的，轮不到机器自作主张。

想到这儿，整张像忽然翻了个面。前七层，是数据库给AI当底座；这第八层，是AI回过头来，给数据库当脚手架。到底谁是谁的底座？我的答案是：互为底座。引言里我说，AI大潮冲下来，归根到底绕不开数据库。想到这一层才发现，那话说小了——不是数据库一个在变，是它和AI缠在一起变：数据库托着AI往上走，AI拽着数据库往前跑。

还有一个变化跟着来：往后，裁判可能也要换人。当智能体开始参与选型和调度，AI用得顺的库，会被更多调用；用着别扭的，会在一次次调用里被淘汰。数据库想赢，得长成AI喜欢的样子。

八层走到这里，来稿能证明的，主要是前七层。第八层还没有现成答案，但方向已经露出来了：AI能替它装库、拿它查库、帮它压测，下一步，就真该轮到数据库用AI长自己了。
八层，到此走完。

【结尾】八层功夫，一张清单

引言里我应承过，要给数据库画一张像。八层走完，像成了。八层功夫，归拢成一张清单：
一、建得快：装得快、部署快、数据流转快——软件遍地生，它随手可得。
二、听得懂：理解语义，向量与混合检索是基本功——关键词对不上，也能按语义找到。
三、扛得动：高性能应对洪峰，复杂计算库内一次办完——智能体不知疲倦，它扛得起。
四、省得下：资源占用更少，性能经得起实测——数据比代码金贵，快和省都是身价。
五、守得牢：权限、审计、加密一样不能松——攻防都自动化了，门必须看牢。
六、稳得住：备份、恢复、容灾层层设防——机器不下班，可靠二字重千钧。
七、合得拢：多模态数据共存互访，一套体系协同治理——融合不是硬塞进一个库，而是让数据少搬家。
八、长得动：从自愈、自调到人机共研，每次调整都要授权、留痕、可回退——AI既结伴同行，也当裁判。

这张像上，前七层已经有了描线的人：来稿留了印证，DM9也已经交上一份答卷——图纸不是空想，工地上已经有人在干活。第八层则刚起了个毛坯，等人，也等机器。

往后再走一步：等到下一届大赛，兴许参赛的队伍里就有智能体的身影——AI准备材料、跑数据，人坐在评委席上拍板。力气活归机器，主意归人。

到那天，我一定再来——看看这幅画像，被画成了怎样的成品。

要我说，数据库这个行业，过去几十年解决的是“存得下”，往后要解决的是“AI爱用”。所谓“AI爱用”，不是数据库去讨好模型，而是让机器调得动、看得清、验得准、退得回。

八条连起来，一句话：从存数据的软件，到数字社会的公共底座——这就是数据库要走完的路。

八层功夫练到最后，拼的不只是快、稳、省，而是人和机器都敢把数据家底交给它。经得起这份托付，才配叫公共底座。