HNSW 通过多层导航图结构，将亿级向量检索的延迟从秒级降低到毫秒级，同时保持 95% 以上的召回率。其核心优势在于图遍历的对数级跳数和贪心路由的高效性。乘积量化（PQ）解决了内存瓶颈，将存储压缩 6-64 倍，代价是距离计算精度和召回率的轻微下降。落地路线建议：第一步，根据向量维度和数据规模选择索引类型——亿级以下、维度 768 以内优先 HNSW，更高维度或更大规模考虑 IVF-PQ 混合方案

最近一次性能测试中，我们发现一个令人费解的现象：两个配置完全相同的MySQL实例（同样的硬件、同样的my.cnf、同样的数据），查询延迟却差了一个数量级。测试实例A的平均延迟3毫秒，测试实例B却高达90毫秒。排查了所有数据库层面的差异——执行计划一致、Buffer Pool命中率都是99%以上、连操作系统内核版本都相同。最终通过iostat发现：实例A的磁盘在上（NVMe直连），实例B的磁盘在/d

AI Agent驱动的数据库运维平台不是要取代DBA，而是让DBA的职责从"手动操作"升级为"管理Agent系统"。未来DBA的核心能力不再是记住几百个参数，而是定义Agent的行为边界、审核Agent的决策质量、以及处理Agent无法解决的复杂异常。这条路还很长——Agent的可靠性、安全性和可解释性都远未达到生产级标准。但从"人驱动工具"到"Agent驱动平台"的范式转移已经启动。对于走在技术

AI Agent驱动的数据库运维平台不是要取代DBA，而是让DBA的职责从"手动操作"升级为"管理Agent系统"。未来DBA的核心能力不再是记住几百个参数，而是定义Agent的行为边界、审核Agent的决策质量、以及处理Agent无法解决的复杂异常。这条路还很长——Agent的可靠性、安全性和可解释性都远未达到生产级标准。但从"人驱动工具"到"Agent驱动平台"的范式转移已经启动。对于走在技术

测试硬件统一为 16 核 CPU、64GB 内存、NVMe SSD（1TB），操作系统为 CentOS 7.9，文件系统为 XFS。数据量级分两档：小数据集（10GB，数据全在内存）和大数据集（200GB，远超内存容量）。这是有意为之——在小数据集上，两种引擎都在内存中运行，测的是纯 CPU 效率；在大数据集上，I/O 成为瓶颈，测的是引擎对磁盘的利用策略。负载模型的设计比硬件更重要。负载 A（读

LLM 在数据库异常检测中的角色不是神医，而是经验丰富的分诊护士——它负责快速归类、提取关键信息、给出优先级排序，把真正需要专家介入的疑难杂症高效地递送到正确的人面前。构建这套系统的核心工程决策不是选哪个模型（GPT-4 还是 Claude），而是如何设计上下文编排、如何建立校验闭环、如何控制自动修复的风险边界。

LLM 在数据库异常检测中的角色不是神医，而是经验丰富的分诊护士——它负责快速归类、提取关键信息、给出优先级排序，把真正需要专家介入的疑难杂症高效地递送到正确的人面前。构建这套系统的核心工程决策不是选哪个模型（GPT-4 还是 Claude），而是如何设计上下文编排、如何建立校验闭环、如何控制自动修复的风险边界。

智能索引推荐不能只看单条 SQL。它要结合全局查询负载、写入负载、已有索引、真实执行计划和建索引风险。少建一个错索引，比多建三个看似有用的索引更重要。所以智能索引推荐的最终输出不应该是“建不建”，而是一份收益、成本、风险、验证和生命周期都清楚的变更建议。如果这份建议不能说明影响哪些查询、拖慢哪些写入、占用多少空间、怎么回滚，那它还只是一个猜测，不是可以进入生产的索引方案。生产数据库不缺建议，缺的是

向量数据库评测不能只看查询延迟和召回率。写入放大、删除滞后、索引合并、权限更新和 freshness lag 都要进入测试。查询快只是半张成绩单。写入路径稳定，向量检索系统才算真的能上生产。向量数据库越接近业务主链路，越要把更新、删除和权限变更当成一等场景，而不是查询 benchmark 的附录。

AI 查询计划推荐的正确位置，是扩展候选计划空间，而不是替代优化器拍板。模型可以提出候选，代价模型、规则保护和 shadow 观察必须复核。数据库优化最怕自信的黑箱。智能化可以提高探索效率，但最终计划必须经得起统计信息、代价和生产证据的审问。换句话说，AI 可以参与优化器，但不能成为不可解释的最终裁判。能回退、能复核、能复现，才有资格进入查询执行路径。