Snorkel AI 借助 Databricks 的 Lakebase（无服务器 Postgres）解决 CI 测试需要真实数据的问题。Lakebase 支持写时复制分支，创建分支仅需秒级且不复制数据。Snorkel 通过 DMS 将生产 Aurora 数据持续同步到主分支，每个 PR 自动创建独立分支运行测试，合并后删除并设 TTL 兜底。分支存储仅随改动增长，计算空闲时缩容，成本较低。该模式也适用于 AI 代理：每个任务一个分支，可安全读写、审查或丢弃改动。

P99 CONF 2026 的五场演讲探讨了数据库存储中的权衡：LSM 树在读写放大之间取舍，并适配对象存储；ScyllaDB 的 Logstor 以更大的内存索引换取单次磁盘读取；Valkey 用无锁队列提升 I/O 线程吞吐并改进分片迁移；turbopuffer 用分层聚类与量化压缩支撑千亿级向量检索；TigerBeetle 自建对象存储客户端以提升性能。核心结论是：优化一处瓶颈往往会带来新的成本。

本文介绍在无运行服务器的情况下，从InnoDB、MyISAM和MyRocks文件中提取数据的MySQL数据恢复技术。

文章探讨PostgreSQL成为开发者默认数据库的关键转折点，认为其成功源于多个节点：1986年起可扩展设计与宽松许可证奠定基础；1994至1996年Postgres95改用SQL并组建社区；2010年Oracle收购MySQL引发社区担忧；2011年Heroku默认提供Postgres并投入开发；2014年JSONB使其兼具关系与文档能力；2023年调查中首次超越MySQL；2025年AI代理普遍选择Postgres，推动其成为事实标准。

卡普空确认CAPCOM ID系统遭未授权访问，全球约1177万条用户记录泄露，涉及邮箱、账户创建及登录时间、登录次数和IP地址，少量含生日、性别、国家、昵称。196个账号密码被黑客修改，卡普空已重置；支付信息未泄露，用户密码是否泄露尚不确定。卡普空已通报执法机构，将分批邮件通知用户，并提醒警惕冒充与钓鱼。

pg_knowledge_base 是 PostgreSQL 19 的扩展，将 Oxigraph 的 SPARQL 引擎嵌入数据库，无需额外三元组存储。三元组存于普通表，现有表可通过 R2RML 映射为 RDF，一条 SPARQL 查询可同时访问两者。事务、复制、备份和权限沿用 PostgreSQL，端点支持标准 SPARQL 客户端。该扩展基本通过 W3C 测试，查询性能优于 RocksDB，但加载更慢、占用磁盘更多。

文章梳理了MySQL高可用五层体系：单机层依靠WAL、redo/binlog两阶段提交与双1参数，保证崩溃时不丢数据；复制层通过异步或半同步方式将数据传到备库；GTID为事务提供全局唯一标识，使切换后能自动对齐且不重复；主备切换需先追平数据，并用fencing防止脑裂；Orchestrator以反证法检测故障并自动选主，probe-agent补充主机内部视角与执行能力。最后强调应用侧也需配合异步化、降级与熔断。

本文介绍 RDS Supabase 数据库函数：可用 SQL 或 PL/pgSQL 将聚合统计、跨表事务、流程控制等逻辑封装进数据库，弥补 Data API 仅支持单表 CRUD 的不足。函数支持 sql 与 plpgsql 语言，返回类型包括标量、SETOF、TABLE 和 trigger；SECURITY DEFINER 可绕过 RLS，但须通过 REVOKE/GRANT 收紧权限。可在 SQL Editor 或图形界面创建，前端通过 .rpc() 调用，触发器函数可自动刷新 updated_at、记录审计日志。

文章比较了pgvector与专用向量数据库。pgvector是Postgres扩展，可在同一数据库内同时存储向量与关系数据，支持多种向量类型和距离函数。作者用Docker在本地对pgvector和Qdrant做基准测试，但10万向量的规模太小，难以得出结论。文章引用Tiger Data的5000万向量生产级测试：在99%召回率下，pgvector配合pgvectorscale吞吐达471 QPS，远超Qdrant的41 QPS；但Qdrant尾延迟更优，p99为38.71ms对74.60ms，索引构建也快约3.4倍。结论：千万级以下、需要事务一致性的场景选pgvector；超大规模、严格尾延迟SLA或零运维需求的场景选专用数据库。

文章探讨NoSQL时代数据库分类的困境：NoSQL已从键值、列族、文档、图四类扩展至向量、时序、空间、面向对象等八类，仍难穷尽（如ZooKeeper）；按CAP原则分类不准确，因许多新型数据库的AP/CP属性取决于用法；OLTP/OLAP分类也难以覆盖NoSQL。作者最终放弃树形归类，认为NoSQL时代呈扁平化百家争鸣特点，并总结了按数据模型、部署方式、处理方式和存储方式的常见分类及适用场景。

文章借YOLO Data Agent的发布，讨论自然语言查数的工程风险：SQL可执行不等于答案可信，退款、时间归属、地区定义等指标口径须预先审核，遇歧义应追问而非猜测。多轮追问需保存结构化查询状态，仅修改用户明确变更的部分，并保留可追踪标识以便排障。数据库应采用只读隔离库，限制数据范围，设置超时与资源预算，权限在服务端校验；缓存标识不能只含提问文本，以免越权复用。建议先选口径稳定、可与现有报表核对的小场景试用。

Jync数据库同步工具接入本地模型，但未说明模型读取哪些字段及权限设计，因此不能断言敏感数据不会外泄。接入前应确认请求内容是否包含样本行、错误日志或连接信息，并注意本地接口仍存在网络边界。模型应仅作辅助，不能成为同步任务的必经依赖，模型故障不应影响同步运行。界面与日志需将模型调用与数据搬运分开。轮询与日志CDC应按源库负载、权限和恢复方式选择，完整性验证优先。建议先在隔离环境测试，确认不开模型也能完整同步。

本文讨论AI数据库选型，需同时兼顾向量检索与事务数据。评估标准包括分支隔离、无服务器扩展、混合搜索、ACID保障和统一访问。文章对比了Pinecone、Weaviate、pgvector、Milvus、Qdrant、Redis、MongoDB Atlas、Chroma及Databricks Lakebase等方案：专用向量库适合大规模检索，pgvector适合已有Postgres环境，Lakebase则整合事务、搜索与分析。选型应依据检索模式、现有技术栈、并发延迟及治理需求。

企业AI原型常选用开发友好的数据库，但进入医疗、金融等受监管行业的生产环境时，往往因无法满足安全、合规与高可用要求而被迫重新平台化，造成高昂返工成本。pgEdge推出基于标准Postgres的Starfleet平台，兼顾开发速度与企业级需求，支持云、BYO Cloud及本地部署，并提供写时复制分支等工具。