在自己的计算机或服务器上运行数据库时，您需要做很多工作。您需要处理备份、安装安全更新，并确保服务器不会耗尽内存。这称为“自行托管”。

托管式数据库服务可以帮您完成这些工作。您向云服务提供商付费，让其为您运行数据库。他们负责管理繁重的工作，例如设置基础设施、确保软件保持最新状态以及确保系统保持在线。这样，您就可以专注于编写应用代码，而无需担心服务器的内部运作。

Google 表格或 Excel 等电子表格非常适合人工扫描，但当数千人同时使用时，就会变得缓慢而混乱。数据库的构建方式各不相同。它们通过三个主要部分发挥作用：

1. 数据：这是信息本身。它可以是简单的内容，例如文本（姓名和电子邮件地址）、数字（价格），也可以是复杂的内容，例如图片和 AI 嵌入。
2. 查询：这是您向数据库“询问”信息的方式。您可以使用 SQL（结构化查询语言）等语言来准确地告诉数据库您需要什么。例如，您可能会要求“过去一周内注册的所有用户”。
3. 数据库管理系统 (DBMS)：这是充当管理者的软件。它负责处理请求、确保数据安全，并组织信息的存储方式。例如 PostgreSQL、MySQL 和 MongoDB。

选择合适的数据库取决于数据的形式。

关系型数据库通常也称为 SQL 数据库，以结构化表的形式表示数据。如果您需要确保银行事务完全成功或完全失败，则可能会决定使用关系型数据库，因为它严格遵循 ACID（原子性、一致性、隔离性、持久性）属性。

NoSQL 数据库具有灵活性。它们以文档、图表或键值对的形式存储数据。由于它们不需要严格的架构，因此通常适用于移动应用、社交媒体信息流或实时内容管理系统等快速发展的应用。

这是最简单的 NoSQL 数据库形式。它们将数据存储为与值配对的唯一键。由于它们速度快且简单，因此开发者可能会使用它们来缓存会话数据或存储用户偏好设置等。

这些就像字典一样。您有一个键（例如用户名）和一个值（个人资料数据）。它们非常快速，因为它们不必搜索复杂的表来查找您想要的内容。

文档数据库以灵活的格式（通常是 JSON）存储数据。当数据结构频繁变化时，它们会非常有用，例如在内容管理系统中，不同的博客文章可能具有不同的属性。

向量数据库以数学向量的形式存储信息，让计算机能够更好地理解数据的“含义”，而不仅仅是匹配确切的关键字。这项技术为现代生成式 AI 和搜索功能提供支持。

图数据库侧重于数据点之间的关系。它们不使用表，而是将数据存储为节点和边缘。以社交网络为例：“人”是节点，“关注”操作是边。如果您要构建一个依赖复杂连接的推荐引擎，图数据库可以帮助您比标准关系型数据库更快地查询这些链接。

时序数据库专门用于存储按时间编制索引的数据点。它们专为处理大量带时间戳的数据而构建，例如来自 IoT 设备的传感器读数、服务器日志或股市动态。这些数据库擅长“降采样”，即获取较旧的高频数据，并将其压缩为更广泛的摘要以节省空间。

您可以将数据库放在几个不同的位置：

本地：您在自己的办公室或数据中心，使用自己的物理硬件运行数据库。这样，您就可以完全掌控，但需要自行管理所有安全和维护工作。

混合云：这是本地和云的混合。您可以将敏感数据保留在本地以确保安全，同时将面向公众的应用数据存储在云端。

云：数据库位于云提供商的服务器上。这是最常见的选择，因为如果您的应用突然变得热门，您可以轻松扩容。云数据库可以提供以下几项优势：

• 弹性：您可以立即增加存储空间或处理能力
• 可访问性：您的团队可以在世界任何地方管理数据库
• 维护：云提供商管理底层硬件、更新和安全补丁

在不同部署选项之间迁移时，例如从本地设置迁移到托管式云服务，或从混合环境迁移到完全云原生的解决方案，重点应放在基础架构变更上，而不仅仅是数据格式变更。请务必仔细规划数据库迁移，以确保数据完整性、最大限度地减少停机时间并管理连接变更。

过去，开发者通常会将标准应用数据和 AI 数据分别存储在不同的数据库中。这迫使开发者在数据库和单独的 AI 引擎之间来回移动大量数据，导致应用速度变慢，维护难度加大。如今，集成是主流趋势。我们希望数据库能够理解和处理数据，包括 AI 生成的信息。

从宏观层面来看，现代数据库正在通过添加以下核心 AI 功能变得“智能”：

• 向量和语义搜索：数据库以“向量”（表示含义的数字列表）的形式存储数据。这样，您的应用就可以根据含义（而不仅仅是匹配关键字）来查找结果。搜索“犬”可以找到“狗”。
• 检索增强生成 (RAG)：您的数据库会在 AI 模型回答问题之前向其提供最新的私密信息。这可确保 AI 提供更准确、更可靠的回答。
• 多模态功能和搜索：数据库现在可以存储和关联不同的数据类型，例如文本、图片和音频。您可以在这些格式中进行搜索，例如查找与特定商品照片匹配的文字说明或价格。
• 自然语言转 SQL：将“Show me all high-value customers”（显示所有高价值客户）等纯英文问题转换为提取所需信息的准确代码。
• 混合搜索：将传统的关键字搜索与语义搜索相结合。这种方法非常有效，因为它使用精确匹配来查找特定字词（如商品 ID），同时使用向量根据意图查找相关商品。

通过使用支持这些工具的数据库，您可以在一次查询中搜索用户的姓名、历史记录和偏好设置，从而简化技术栈，并帮助您的应用提供更快、更智能的体验。

下面展示了如何在 Python 中执行混合搜索，将特定关键字和语义概念相结合：

在确定具体架构之前，请先问自己以下问题，以确定哪种数据库类型最适合您的项目需求。

即使您的数据库能很好地支持当前的应用，AI 也会带来新的需求。在开始构建下一个 AI 功能之前，请先问自己以下问题，看看您当前的设置是否已为该任务做好了准备：

• 我的数据库可以存储高维向量数据和常规数据吗？
• 如果可以： 您可以使用现有数据库进行 AI 开发，从而保持架构的简单性
• 如果否： 您可能需要向技术栈添加专门的向量数据库或插件
• 我的数据库是否提供内置的相似性搜索功能？
• 如果可以： 您的系统无需额外代码即可快速找到“有意义”的匹配项
• 如果否：您应该构建或管理一个单独的“搜索层”，将数据转换为 AI 可以理解的内容
• 我的数据库是否能够处理数据，而无需将数据移到其他地方？
• 如果回答“是”：您可以节省数据传输费用，并缩短 AI 响应的延迟时间
• 如果否： 您可能会面临性能瓶颈，因为您需要不断地将数据来回移动到外部 AI 模型
• 我的数据库是否能在一个地方处理不同类型的数据（文本、图片、音频）？
• 如果能：您可以使用统一的查询语言构建复杂的“多模态”AI 应用
• If no: You may need to stitch together multiple databases, which makes your code harder to maintain
• 当新数据到达时，我的数据库更新“知识”有多容易？
• 如果可以： 您的 AI 功能可以随着数据的更新立即反映实时变化
• 如果否： 在您手动触发耗时的重新编制索引之前，AI 回答可能过时或不准确
• 我的数据库是否为 AI 查询提供了强大的安全性和访问权限控制？
• 如果回答“是” ：您可以安全地构建 AI 应用，仅向用户显示他们有权查看的信息
• 如果否： 您可能会面临“数据泄露”的风险，即您的 AI 可能会意外地与错误的人分享受限信息