MongoDB收购Firebolt,力求将事务处理与分析整合于同一平台
MongoDB已收购分析型数据库Firebolt,这是该公司再次尝试将事务型和分析型工作负载整合到同一平台上的举措。
模型升级比工程升级能带来更大的智能提升吗?
导语:在 AI 产品与基础设施的讨论中,“换更强的模型”和“把现有模型用得更好”常被放在一起比较。前者是模型升级,后者是工程升级。两者都能带来体验提升,但它们的收益性质、边际成本和可持续性并不相同。本文尝试给出一个判断框架,而不是一个简单的“谁更大”的结论。 先界定两个概念 模型升级 指替换为参数规模更大、训练数据更多、训练方法更新的基础模型,或使用同一厂商的新一代模型版本。它改变的是系统的“能力上限”。 工程升级 指在不更换基础模型的前提下,通过推理优化、检索增强、提示工程、工具调用、缓存、路由、评测体系、数据管线等手段提升系统表现。它改变的是“能力上限被利用的程度”。 两类升级的收益性质不同 模型升级:抬升天花板,但收益不可控 模型升级最直接的价值,是让原本做不到的任务变得可做。例如更强的长上下文理解、更稳
生产环境 Agent 运维:故障回放与可观测性跟上了吗
导语:当 Agent 从 Demo 走进生产环境,问题不再是“它能不能跑通”,而是“它出错时我们能不能查清楚”。故障回放与可观测性,正在成为 Agent 运维最容易被低估的一环。 一、从“能跑”到“敢跑”,中间隔着运维 Agent 类应用的落地路径,通常遵循一个相似的节奏:先在沙箱里跑通任务闭环,再接入真实工具与数据源,最后进入生产环境承接真实流量。前两步考验的是模型能力与工程集成,第三步考验的却是另一套东西—— 当 Agent 的行为不可预期时,团队有没有能力定位、复现和止损 。 传统服务的运维体系建立在相对确定的执行路径上:请求进来、逻辑分支、依赖调用、结果返回,链路清晰,日志与指标可以按固定维度切分。而 Agent 的执行是动态的:它会自主决定调用哪个工具、调用几次、以什么顺序调用,同一输入在不同时刻可能
RAG 的数据库侧优化:把检索精度问题从应用层拉回存储层解决
导语:RAG(Retrieval-Augmented Generation)的效果问题,长期被当作“提示词工程”或“应用层编排”问题来处理。但当检索结果本身就不对时,再精巧的 Prompt 也无法补救。本文讨论一个常被忽略的视角:把检索精度问题从应用层拉回数据库与存储层,在数据组织、索引结构和查询执行阶段解决。 一、问题的起点:应用层在替存储层“还债” 在典型的 RAG 系统中,检索质量不佳时,工程团队的第一反应往往集中在应用层: 调整 Prompt,要求模型“更严格地依据上下文回答”; 增加重排(rerank)模型,对召回结果二次排序; 扩大 top-k,用更多候选弥补召回不足; 拼接多路检索结果,做融合与去重。 这些手段并非无效,但它们有一个共同特征: 在存储层已经返回“错误或不完整候选集”之后,再做补救
反欺诈数据治理:特征共享、黑名单同步与隐私边界
导语:反欺诈的核心矛盾在于,欺诈行为跨平台、跨账户流动,而数据却往往被隔离在各自系统之内。特征共享与黑名单同步是打破数据孤岛的两条主要路径,但每向前一步,都会触碰隐私与合规的边界。本文围绕这一张力,梳理反欺诈数据治理的关键问题与设计取舍。 一、为什么反欺诈需要“数据治理”而不只是“模型” 反欺诈系统通常从模型开始:规则引擎、评分卡、图模型、序列模型。但在实际落地中,模型效果的上限往往不由算法决定,而由数据能否被合规、稳定、可追溯地使用决定。 反欺诈数据治理至少涉及三个层面: 数据可用性 :欺诈样本稀疏、标签滞后,单点数据难以支撑有效识别。 数据流动性 :欺诈团伙会跨平台迁移,孤立的数据难以形成全局视角。 数据合规性 :个人信息保护要求趋严,数据共享必须在授权与最小必要原则下进行。 这三者之间存在天然张力:越强调
当模型成为“底座”:“软件升级”思维能否套用于底层模型迭代?
导语 过去十几年,软件工程沉淀出一套相对成熟的升级范式:版本号、灰度发布、回滚机制、兼容性承诺、变更日志。当大模型逐渐成为各类产品的“底座”,一个自然的问题浮现出来——我们能否把“软件升级”的思维框架,直接搬到模型迭代上?这个问题目前没有现成答案,但可以从框架的适用边界入手,做一次概念层面的梳理。 一、先厘清:“软件升级”框架到底包含什么 讨论适用性之前,需要把“软件升级”拆解为几个可迁移的要素,而不是把它当成一个笼统的比喻: 版本化 :用明确的版本标识区分不同迭代产物,便于追溯与对照。 可回滚 :升级失败时能退回上一稳定状态。 兼容性承诺 :新版本对既有调用方、数据格式、接口行为保持可预期。 渐进放量 :先小范围验证,再逐步扩大影响面。 变更可解释 :有变更日志,说明改了什么、影响什么。 这五点构成了软件升级
底层模型迭代治理框架的不可妥协原则
导语:当底层模型从“一次性交付的算法资产”变成“持续演进的系统组件”,治理框架就不再是流程装饰,而是决定迭代能否安全、可解释、可回滚的基础设施。本文讨论一套迭代治理框架中不应被妥协的底线原则。以下内容为原则性框架梳理,不涉及具体产品版本、性能数据或厂商实践引用。 为什么“不可妥协”值得单独讨论 模型迭代治理的难点不在于缺少流程,而在于流程在压力下被逐项豁免:上线窗口紧,就跳过评估;指标好看,就放宽准入;出问题先恢复,再补记录。每一次豁免单独看都合理,累积起来却会让治理框架失去约束力。 因此,治理框架需要区分两类条款:一类可以按场景裁剪的“最佳实践”,另一类是不因进度、成本或组织变动而让步的“底线原则”。下面这些原则属于后者。 原则一:版本可追溯,任何一次迭代都能定位到来源 底层模型的每一次对外生效,都必须能回答
对话海能达崔鹏:Agent直连数据库风险丛生,用安全网关构建访问护栏
崔鹏最后强调,Agentic AI时代的数据库竞争,正从“谁存得快、算得快”逐步转向“谁能让Agent的数据访问更安全、更可控、更可信”。这既是值得数据库厂商重点投入的方向,也是智能体AI从“能跑”走向“敢用”的关键。安全是一条长链条,独立的AI安全网关与数据库协同,或能更好地为企业AI落地保驾护航。
CoreWeave推出新数据库服务,GPU之外拓展业务版图
CoreWeave现已推出一项托管的PostgreSQL数据库服务。借助全新的CoreWeave Database,客户现在可以在其云平台上运行另一项基础设施服务。
数据库和 Agent 之间,是否需要一个独立的安全网关?
导语 当 LLM Agent 开始直接访问数据库,安全问题就不再只是“给不给权限”这么简单。Agent 会自主规划、连续调用工具、动态拼接查询语句,传统数据库权限模型和人工审批流程很难覆盖这类行为。于是问题被摆上台面:数据库和 Agent 之间,是否应该插入一个独立的安全网关?这个问题目前没有统一答案,但可以从职责边界、风险类型和工程代价三个角度拆开讨论。 一、先厘清:Agent 访问数据库和传统应用有何不同 传统应用访问数据库,路径是确定的:代码里写死的 SQL、固定的服务账号、可预期的调用频率。安全策略主要围绕账号权限、网络隔离和审计日志展开。 Agent 访问数据库则呈现出几个新特征: 查询由模型生成 :SQL 可能是运行时拼出来的,事先无法穷举。 调用链长且自主 :一次任务可能触发多轮查询,中间结果会影
当 Agent 能直接访问数据库,安全该如何保驾护航?
导语 当 AI Agent 从“会聊天”走向“会干活”,直接连接数据库、执行查询、修改数据,已经成为很多团队探索的方向。能力边界一旦从“生成文本”扩展到“操作生产数据”,安全问题的性质就变了:过去担心的是模型说错话,现在要担心的是它删错表、查错人、被诱导越权。本文围绕 Agent 直连数据库这一场景,梳理风险来源与防护思路。需要说明的是, 一、风险从哪里来:Agent 直连数据库的四类隐患 1. 权限放大 Agent 往往需要一个数据库账号来执行操作。如果这个账号沿用开发或运维的高权限账号,Agent 的一次误判就可能等价于一次高危操作。权限越大,模型幻觉和提示注入造成的破坏面越大。 2. 提示注入与指令劫持 Agent 的输入可能来自用户对话、网页内容、文档甚至数据库里的字段本身。攻击者可以在数据中埋入诱导性
大模型 AB 实验与传统服务 AB 测试有何区别?
导语:AB 实验是互联网产品迭代的常用方法,但当实验对象从“服务逻辑”换成“大模型”时,很多团队会发现原有方法论并不完全适用。本文从实验对象、指标设计、流量分配、统计效力和工程实现五个维度,梳理大模型 AB 实验与传统服务 AB 测试的核心差异,并给出可落地的实践建议。 一、为什么大模型 AB 实验不能照搬传统 AB 测试 传统服务 AB 测试的对象通常是确定性的代码逻辑:同一个请求,在相同输入下,服务返回的结果基本稳定可复现。实验的核心是判断“新逻辑是否比旧逻辑带来更好的业务指标”。 大模型的输出具有生成性、随机性和开放性。同一个 Prompt,在不同采样参数、不同上下文、不同模型版本下可能给出差异很大的回答。这意味着大模型 AB 实验不仅要比较“结果好不好”,还要处理“结果不稳定”“好坏难以用单一指标衡量”
新模型版本层出不穷,是否要跟随升级?
导语 大模型、推理框架、开发工具链的版本节奏越来越快,“是否升级”正在从一次性技术选型,变成一项需要持续运营的工程决策。 为什么“升级”不再是默认选项 版本更新通常意味着能力上限提升、接口变化、依赖调整和成本结构变化。对个人开发者,升级可能只是一次依赖替换;对企业系统,升级会牵动评测、回归测试、提示词与工具调用适配、监控告警和预算。因此,是否升级不应由“新版本发布”触发,而应由“业务收益是否明确”触发。 判断是否升级的四个维度 1. 业务收益是否可验证 先明确升级要解决什么问题:是效果不足、延迟过高、成本压力,还是新能力缺失。若无法把目标写成可度量的指标,升级就缺少验收标准。 2. 迁移成本是否可控 关注接口兼容性、调用方式变化、上下文与输出格式差异、工具调用与结构化输出行为变化。成本不只是改代码,还包括重新调
多 Agent 投票机制:降低单点幻觉与提升决策稳定性
导语 在大模型应用从“单次问答”走向“复杂任务执行”的过程中,单点幻觉和决策不稳定成为绕不开的问题。多 Agent 投票机制提供了一种工程化的缓解思路:让多个 Agent 对同一问题独立给出判断,再通过聚合规则形成最终结论。本文围绕这一机制的基本逻辑、常见形态、适用边界与落地要点展开讨论。 一、问题背景:为什么单 Agent 不够稳 单个 Agent 的输出质量受多重因素影响:模型自身的知识盲区、提示词的表述方式、上下文长度带来的注意力衰减,以及工具调用结果的偶然波动。这些因素叠加后,容易出现两类典型问题: 单点幻觉 :Agent 在缺乏依据时生成看似合理但错误的内容,且自身无法察觉。 决策不稳定 :同一问题在不同时间、不同措辞下得到不一致的结论,难以用于需要可复现性的业务流程。 多 Agent 投票机制的核心
Agent 提示缓存与上下文复用:降低重复推理成本
导语 在 Agent 类应用中,模型往往需要在多轮交互、工具调用和任务分解中反复处理大量高度相似的上下文。如果每一次调用都从零开始重新推理,Token 消耗与延迟会随交互轮次快速累积。提示缓存(Prompt Caching)与上下文复用(Context Reuse)正是针对这一问题的两类工程手段。本文围绕其基本思路、适用场景与落地要点展开讨论。 一、问题背景:Agent 为什么容易产生重复推理成本 与单轮问答相比,Agent 的调用模式有几个显著特征: 上下文长且重复 :系统提示、工具定义、角色约束、历史对话在每一轮中几乎原样重复出现。 调用次数多 :一个任务可能触发多次模型调用,包括规划、执行、反思、结果汇总等环节。 前缀高度稳定 :多数请求共享相同的开头部分,差异集中在末尾的用户输入或工具返回结果。 这意味
数据供应商风险评估:准入、持续监控与退出机制
导语:数据供应商已成为企业数据链路中的关键外部依赖,但其风险往往在合作后期才暴露。本文从准入、持续监控与退出三个阶段,梳理一套可落地的数据供应商风险评估框架。 一、为什么数据供应商风险需要“全生命周期”管理 企业采购外部数据时,常见做法是“签约前审一轮、之后靠信任”。这种模式的问题在于: 风险是动态的 :供应商的合规资质、数据来源、服务稳定性会随时间变化,准入时的合格不代表持续合格。 依赖是单向加深的 :数据一旦接入业务系统,替换成本会随集成深度快速上升,退出难度被低估。 责任是共担的 :数据合规与质量问题的后果最终由使用方承担,供应商风险会直接传导为业务与法律风险。 因此,数据供应商风险管理应覆盖 准入评估、持续监控、退出机制 三个环节,形成闭环,而非一次性审查。 二、准入阶段:把风险挡在签约之前 准入评估的
影子 IT 数据发现:未纳管应用与暗数据风险
导语 在企业安全建设中,真正棘手的往往不是“已知的敌人”,而是“不知道存在的资产”。影子 IT(Shadow IT)与暗数据(Dark Data)正是这类问题的典型代表:前者指员工或业务部门绕过 IT 与安全团队自行引入的应用与服务,后者指企业已经收集、存储却未被识别、分类和有效利用的数据。二者叠加,会让数据发现、访问控制与合规审计同时失效。本文围绕影子 IT 数据发现展开,梳理未纳管应用与暗数据的风险逻辑与治理思路。 一、为什么“看不见”本身就是风险 传统安全管理的前提是资产可见:知道有哪些系统、哪些数据、谁能访问。影子 IT 打破了这一前提。 资产清单失真 :业务部门为追求效率自行采购 SaaS、搭建低代码应用或临时数据库,这些资产不进入 IT 台账,安全团队无法对其做基线加固、漏洞管理和日志接入。 数据流
协作工具数据治理:邮件、IM 与文档平台的数据资产化
导语 企业最核心的知识,往往并不存放在数据库或数据仓库里,而是散落在邮件、即时通讯(IM)和文档平台中。这三类协作工具承载了决策过程、业务上下文与人际协作记录,却长期处于“有数据、无治理”的状态:可检索性差、权属不清、生命周期失控、难以被下游系统复用。数据资产化的目标,是把这些协作痕迹从“沟通副产品”转变为“可管理、可追溯、可复用的企业资产”。 一、为什么协作工具是数据治理的薄弱环节 传统数据治理的覆盖范围通常集中在业务系统与数据仓库,协作工具则被当作办公基础设施,交由 IT 运维而非数据团队管理。这导致几个结构性问题: ·非结构化为主:邮件正文、聊天记录、文档内容以自然语言和富文本为主,缺乏统一 schema,难以套用表级血缘、字段级质量规则。 ·权属模糊:一封邮件同时属于发件人、收件人与组织;一份文档可能由
日志数据分级治理:运维日志、行为日志与审计日志
导语 日志是系统可观测性的基础,也是最容易被“一把梭”对待的数据资产:所有日志写进同一个索引、用同一套保留策略、给同一批人开放查询权限。结果是存储成本失控、敏感信息扩散、审计证据链不完整。日志分级治理的核心,不是把日志管得更复杂,而是按用途把日志分成不同等级,分别定义采集、存储、访问与销毁规则。 一、为什么要分级:三类日志的本质差异 运维日志、行为日志、审计日志常被混在同一套管道里,但它们的服务对象完全不同。 运维日志(Operational Log) 面向系统稳定性。典型内容包括服务启动与停止、异常堆栈、依赖调用失败、资源水位、健康检查结果。它的读者是研发与 SRE,目标是排障与容量判断。特征是量大、价值密度低、时效性强——多数条目在数天内就失去排查价值。 行为日志(Behavioral Log) 面向产品与
第三方 SDK 数据治理:采集范围、共享链路与退出机制
导语:App 里的第三方 SDK 往往比自研代码更“看不见”:它采了什么、把数据给了谁、合作终止后数据怎么处理,常常散落在合同、隐私政策和埋点文档之间。本文给出一套可落地的治理框架,围绕采集范围、共享链路与退出机制三个环节展开。 为什么第三方 SDK 需要单独治理 第三方 SDK 通常由外部团队维护,接入方对其内部实现缺乏可见性,却又必须为它产生的数据行为承担合规与安全责任。常见问题集中在三处: 采集边界模糊 :SDK 初始化即采集设备标识、网络信息、位置等字段,接入方未必逐项确认。 共享链路不透明 :数据从 App 流向 SDK 提供方,再流向其关联方或下游服务商,链路长度超出接入方预期。 退出机制缺失 :合作到期或 SDK 下线后,历史数据是否删除、缓存是否清理、权限是否回收,缺少明确约定。 因此,治理不能