今天我們聊聊AI對(duì)架構(gòu)沖擊的事兒，先聊演進(jìn)式數(shù)據(jù)架構(gòu)到AI爆炸前的進(jìn)化狀態(tài)，這是理解現(xiàn)狀的基本前提。再來看AI來了以后我們面臨的新機(jī)遇和新問題。你會(huì)發(fā)現(xiàn)AI給數(shù)據(jù)工作帶來的沖擊。企業(yè)不得不去面對(duì)和跟上這個(gè)時(shí)代。

演進(jìn)式數(shù)據(jù)架構(gòu) 這是一種系統(tǒng)性的工程方法，旨在通過可管理、可追溯的增量步驟，支持業(yè)務(wù)快速發(fā)展下的數(shù)據(jù)架構(gòu)平滑演進(jìn)。

該方法將復(fù)雜的數(shù)據(jù)庫改造拆解為一系列可獨(dú)立驗(yàn)證的小步驟，在保障系統(tǒng)穩(wěn)定與數(shù)據(jù)安全的同時(shí)實(shí)現(xiàn)敏捷交付，其核心在于以標(biāo)準(zhǔn)化、自動(dòng)化的流程管理變更。

該方法的有效實(shí)施依賴于三大關(guān)鍵實(shí)踐：

首先，數(shù)據(jù)庫管理員與開發(fā)團(tuán)隊(duì)需深度融合，轉(zhuǎn)變傳統(tǒng)職能壁壘，建立嵌入式協(xié)同機(jī)制，使數(shù)據(jù)治理與業(yè)務(wù)開發(fā)在每次變更中無縫對(duì)齊。

其次，所有數(shù)據(jù)庫變更需作為“數(shù)據(jù)庫代碼”進(jìn)行版本化管理，納入統(tǒng)一的版本控制系統(tǒng)，確保可追溯、可審計(jì)，并為持續(xù)集成與交付奠定基礎(chǔ)。

最后，構(gòu)建貫穿開發(fā)、測(cè)試、預(yù)發(fā)布、生產(chǎn)的四級(jí)自動(dòng)化發(fā)布流水線，通過標(biāo)準(zhǔn)化的質(zhì)量關(guān)卡確保變更安全可靠。

在具體實(shí)踐中，所有數(shù)據(jù)庫構(gòu)件（包括結(jié)構(gòu)變更、數(shù)據(jù)遷移腳本等）均需納入版本控制，杜絕通過客戶端工具直接修改環(huán)境的行為。

每位開發(fā)人員應(yīng)在獨(dú)立的數(shù)據(jù)實(shí)例中開展工作，通過自動(dòng)化工具快速創(chuàng)建、重置本地環(huán)境，確保開發(fā)隔離與效率。

開發(fā)過程中，數(shù)據(jù)庫變更以“遷移腳本”形式實(shí)現(xiàn)，并遵循高頻率、小步重構(gòu)的集成原則，通過持續(xù)集成流水線進(jìn)行自動(dòng)化構(gòu)建與驗(yàn)證。

對(duì)于不向后兼容的破壞性變更，可采用“過渡階段”策略，在數(shù)據(jù)庫中通過視圖、觸發(fā)器等機(jī)制同時(shí)支持新舊訪問模式，為下游系統(tǒng)遷移提供緩沖，實(shí)現(xiàn)平滑演進(jìn)。盡管該方法在高度定制化、多租戶等復(fù)雜場(chǎng)景中存在應(yīng)用邊界，但其正通過實(shí)踐不斷拓展適用范圍。

演進(jìn)式數(shù)據(jù)庫設(shè)計(jì)的成功實(shí)施并不依賴龐大的數(shù)據(jù)庫管理團(tuán)隊(duì)，而是通過自動(dòng)化工具與跨職能協(xié)作，在提升交付效率的同時(shí)，確保數(shù)據(jù)架構(gòu)的長(zhǎng)期一致性與可靠性。

那么數(shù)智化時(shí)代對(duì)齊帶來何種沖擊？

敏捷方法論所倡導(dǎo)的演進(jìn)式架構(gòu)本質(zhì)上是在數(shù)據(jù)和代碼之間建立了一種“協(xié)同進(jìn)化”（Co-evolution）的關(guān)系，其核心驅(qū)動(dòng)力是人類開發(fā)人員對(duì)業(yè)務(wù)需求的洞察和編碼實(shí)現(xiàn)。

然而，當(dāng)AI時(shí)代全面來臨，特別是大規(guī)模預(yù)訓(xùn)練模型和生成式AI成為軟件開發(fā)流程中不可或缺的一部分時(shí)，這種協(xié)同進(jìn)化的關(guān)系、驅(qū)動(dòng)力和實(shí)現(xiàn)方式正在發(fā)生更為深刻和根本性的變化。AI不僅是一個(gè)需要被數(shù)據(jù)庫支撐的應(yīng)用，它正在成為數(shù)據(jù)庫設(shè)計(jì)、演進(jìn)乃至數(shù)據(jù)本身的理解者和共構(gòu)者。

我們面臨新的問題

企業(yè)信息的語境化（Contextualization）程度正在不斷加深，但獲取和維持這種深度語境所付出的成本也隨之顯著增加。

從結(jié)構(gòu)化程度較低（less structured）的文檔（如文本文檔、PDF）和簡(jiǎn)單的鍵值對(duì)存儲(chǔ)。這兩者能夠承載信息，但缺乏機(jī)器可讀的明確結(jié)構(gòu)和豐富關(guān)聯(lián)。隨后，演進(jìn)至占據(jù)過去數(shù)十年主導(dǎo)地位的關(guān)系數(shù)據(jù)庫。它通過嚴(yán)格的表、行、列和主外鍵約束，實(shí)現(xiàn)了信息的高度結(jié)構(gòu)化，使得數(shù)據(jù)的一致性和事務(wù)完整性得到保障，支撐了核心業(yè)務(wù)系統(tǒng)。然而，其語境（Context）主要局限于預(yù)設(shè)的、顯式的表間關(guān)系。

當(dāng)前AI時(shí)代下，圖數(shù)據(jù)庫將信息的關(guān)聯(lián)性提升為一等公民，它直接存儲(chǔ)實(shí)體（節(jié)點(diǎn)）和關(guān)系（邊），擅長(zhǎng)挖掘復(fù)雜的、多跳的關(guān)聯(lián)網(wǎng)絡(luò)（如社交關(guān)系、風(fēng)控路徑），從而提供了比關(guān)系模型更豐富、更靈活的拓?fù)湔Z境。

而向量數(shù)據(jù)庫則代表了另一維度的飛躍。它將非結(jié)構(gòu)化數(shù)據(jù)（如圖像、文本）通過嵌入模型轉(zhuǎn)化為高維向量，其核心能力是語義搜索與相似性匹配。向量數(shù)據(jù)庫存儲(chǔ)的不僅是數(shù)據(jù)本身，更是其在語義空間中的含義，這提供了基于內(nèi)容相似性的、前所未有的語義語境。

演進(jìn)鏈的終點(diǎn)指向了基礎(chǔ)/語言模型。這并非傳統(tǒng)意義上的數(shù)據(jù)庫，而是信息表示的終極形態(tài)與驅(qū)動(dòng)引擎。

它將海量的訓(xùn)練數(shù)據(jù)通過復(fù)雜的神經(jīng)網(wǎng)絡(luò)模型（特別是其中的Transformer模塊）編碼成數(shù)千億的參數(shù)。這些參數(shù)本身就是一個(gè)被壓縮、蒸餾的超級(jí)知識(shí)庫，能夠?qū)斎胄畔a(chǎn)生深度理解、推理和生成。它提供的是一種動(dòng)態(tài)的、生成的、可泛化的認(rèn)知語境。

從文檔到語言模型，信息的表示從顯式、靜態(tài)、基于語法轉(zhuǎn)向了隱式、動(dòng)態(tài)、基于語義。我們獲得的語境能力越來越強(qiáng)：從查找（鍵值）、到關(guān)聯(lián)（關(guān)系/圖）、再到理解（向量/模型）。

然而，這種能力的躍升，其代價(jià)呈指數(shù)級(jí)增長(zhǎng)。關(guān)系數(shù)據(jù)庫需要嚴(yán)謹(jǐn)?shù)哪Ｊ皆O(shè)計(jì)；圖數(shù)據(jù)庫需要維護(hù)復(fù)雜的關(guān)聯(lián)；向量數(shù)據(jù)庫需要強(qiáng)大的嵌入模型和算力；而大語言模型則需要天量的數(shù)據(jù)、極致的算力和頂尖的研究人才來訓(xùn)練與調(diào)優(yōu)。

更高的語境化能力，意味著更高的計(jì)算成本、數(shù)據(jù)成本、技術(shù)復(fù)雜性和運(yùn)營(yíng)維護(hù)成本。

如今，企業(yè)需要構(gòu)建一個(gè)多層次、混合的信息表示架構(gòu)。

劃重點(diǎn)！

關(guān)鍵業(yè)務(wù)交易數(shù)據(jù)可能仍由關(guān)系數(shù)據(jù)庫處理，客戶關(guān)系與知識(shí)圖譜用圖數(shù)據(jù)庫管理，非結(jié)構(gòu)化內(nèi)容檢索依賴向量數(shù)據(jù)庫，而復(fù)雜的自然語言交互與決策支持則調(diào)用大語言模型。

架構(gòu)的核心挑戰(zhàn)，從如何選擇單一技術(shù)，轉(zhuǎn)變?yōu)槿绾我钥沙惺艿某杀荆瑓f(xié)同運(yùn)用這一系列不同語境化能力的技術(shù)，并有效管理它們之間日益增長(zhǎng)的復(fù)雜性與集成成本。

來源： 《數(shù)據(jù)中心網(wǎng)絡(luò)中的生成式人工智能：基礎(chǔ)、視角和案例研究》

過去，數(shù)據(jù)庫的演進(jìn)明確地由“模式”（Schema）的變更定義：添加一列、拆分一張表、修改一個(gè)約束。開發(fā)人員的任務(wù)是精確地將業(yè)務(wù)需求（如“拆分庫存代碼”）轉(zhuǎn)化為DDL和DML語句。AI的介入，特別是大型語言模型，開始模糊“需求”、“代碼”和“數(shù)據(jù)語義”之間的界限。

設(shè)想這樣一個(gè)場(chǎng)景：產(chǎn)品經(jīng)理在需求文檔中寫道：“我們需要跟蹤每個(gè)產(chǎn)品的碳足跡估算值，并將其與供應(yīng)鏈環(huán)節(jié)關(guān)聯(lián)。” 在傳統(tǒng)的敏捷流程中，這需要分析師、開發(fā)人員和DBA協(xié)作，設(shè)計(jì)出新的表（如 product_carbon_footprint）和關(guān)聯(lián)字段。

而在AI增強(qiáng)的流程中，開發(fā)助手（如基于GPT或類似模型的編碼Copilot）可以直接“理解”這段自然語言描述。它不僅可以建議修改應(yīng)用程序代碼，還能生成對(duì)應(yīng)的數(shù)據(jù)庫遷移腳本草案，并解釋其設(shè)計(jì)理由：“建議在products表中添加estimated_carbon_footprint列（浮點(diǎn)型），并外鍵關(guān)聯(lián)至新表supply_chain_nodes以記錄各環(huán)節(jié)貢獻(xiàn)。考慮到未來各國(guó)法規(guī)差異，carbon_footprint列應(yīng)可為空。”

代碼案例1：AI生成的遷移腳本草案

-- AI 生成的遷移腳本草案 (V0099_add_carbon_footprint.sql) -- 目標(biāo)：支持產(chǎn)品碳足跡追蹤 ALTER TABLE products ADD COLUMN estimated_carbon_footprint DECIMAL(10,2) COMMENT '單位：千克CO2當(dāng)量'; CREATE TABLE supply_chain_nodes ( id BIGINT PRIMARY KEY AUTO_INCREMENT, product_id BIGINT NOT NULL, node_name VARCHAR(255) NOT NULL COMMENT '環(huán)節(jié)名稱，如：原材料開采、生產(chǎn)、運(yùn)輸', carbon_contribution DECIMAL(10,2) COMMENT '該環(huán)節(jié)碳貢獻(xiàn)', region VARCHAR(100) COMMENT '環(huán)節(jié)發(fā)生地區(qū)，用于法規(guī)差異', FOREIGN KEY (product_id) REFERENCES products(id)

圖1：AI輔助的語義到模式轉(zhuǎn)換。自然語言需求被AI解析，直接生成結(jié)構(gòu)化的數(shù)據(jù)庫變更建議和初始數(shù)據(jù)模型，極大縮短了從需求到設(shè)計(jì)的反饋循環(huán)。

更重要的是，AI可以基于現(xiàn)有數(shù)據(jù)，主動(dòng)提出演進(jìn)建議。

例如，通過分析orders和customer_service_notes表中的數(shù)據(jù)，AI可能發(fā)現(xiàn)：“頻繁退貨的客戶（退貨次數(shù)>5）與客服記錄中提及‘尺寸不準(zhǔn)’的相關(guān)性高達(dá)70%。建議在customers表中添加potential_size_issue_flag布爾列，并自動(dòng)標(biāo)記，以驅(qū)動(dòng)產(chǎn)品尺寸表的修訂。”

此時(shí)，演進(jìn)的驅(qū)動(dòng)力不僅來自明確的業(yè)務(wù)需求，更來自AI對(duì)數(shù)據(jù)深層語義和關(guān)聯(lián)的挖掘。

當(dāng)需要手動(dòng)編寫SQL來拆分inventory_code字段。在AI時(shí)代，這項(xiàng)任務(wù)可以變得更具聲明性。其只需向AI工具描述轉(zhuǎn)換邏輯：

“將現(xiàn)有inventory_code列，按前6位存入location_code，中間6位存入batch_number，后10位存入serial_number。”

AI不僅可以生成精準(zhǔn)的SUBSTR函數(shù)調(diào)用，更能處理復(fù)雜、模糊的數(shù)據(jù)清洗和遷移任務(wù)。例如：“將歷史訂單中的address自由文本字段，結(jié)構(gòu)化拆分為street、city、postal_code列，并嘗試用內(nèi)部API驗(yàn)證并補(bǔ)全。” AI可以調(diào)用合適的NLP模型來解析地址，調(diào)用驗(yàn)證服務(wù)，并生成一個(gè)健壯的、包含錯(cuò)誤處理和數(shù)據(jù)質(zhì)量檢查的遷移腳本。

代碼案例2：AI生成的智能數(shù)據(jù)遷移腳本

-- AI 生成的數(shù)據(jù)遷移腳本 (V0100_restructure_historical_address.sql) -- 注意：此腳本可能調(diào)用外部服務(wù)或內(nèi)置AI函數(shù) BEGIN TRANSACTION; -- 添加新列 ALTER TABLE historical_orders ADD COLUMN parsed_street VARCHAR(255); ALTER TABLE historical_orders ADD COLUMN parsed_city VARCHAR(100); ALTER TABLE historical_orders ADD COLUMN parsed_postal_code VARCHAR(20); ALTER TABLE historical_orders ADD COLUMN address_parse_confidence DECIMAL(3,2); -- AI解析置信度 -- 使用內(nèi)置AI函數(shù)或外部過程調(diào)用進(jìn)行遷移 UPDATE historical_orders SET (parsed_street, parsed_city, parsed_postal_code, address_parse_confidence) = dbo.ai_parse_address(raw_address); -- 假設(shè)的AI數(shù)據(jù)庫函數(shù) -- 記錄低置信度條目以供人工審查 INSERT INTO data_quality_review (table_name, record_id, column_name, original_value, confidence, flagged_at) SELECT 'historical_orders', id, 'raw_address', raw_address, address_parse_confidence, NOW() FROM historical_orders WHERE address_parse_confidence < 0.8; -- 置信度低于80%的條目需要人工檢查 COMMIT;

這種智能遷移不僅提高了效率，還通過引入“置信度”等元數(shù)據(jù)，將數(shù)據(jù)質(zhì)量管理直接內(nèi)嵌到了演進(jìn)過程中。

傳統(tǒng)的數(shù)據(jù)庫測(cè)試關(guān)注于：遷移后，數(shù)據(jù)是否被正確轉(zhuǎn)換？約束是否生效？在AI時(shí)代，測(cè)試的范圍需要大幅擴(kuò)展。我們需要測(cè)試的是數(shù)據(jù)語義是否在演進(jìn)中得以保持，以及AI模型所依賴的數(shù)據(jù)模式是否穩(wěn)定。

a 語義一致性測(cè)試：當(dāng)我們重命名一個(gè)列（如從cust_name改為customer_full_name）時(shí)，除了檢查應(yīng)用程序的SQL是否更新，我們還需要確保所有關(guān)聯(lián)的向量數(shù)據(jù)庫嵌入（如果該列被用于生成Embedding以供語義搜索）或下游機(jī)器學(xué)習(xí)特征的定義得到同步更新。自動(dòng)化測(cè)試需要斷言：“重命名后，基于客戶姓名的語義搜索精度下降不應(yīng)超過1%”。這需要將模型評(píng)估流水線整合到數(shù)據(jù)庫遷移的CI/CD流程中。

b 數(shù)據(jù)分布偏移檢測(cè)：一次看似無害的數(shù)據(jù)清理遷移（例如，將負(fù)數(shù)的銷售額設(shè)為NULL），可能會(huì)顯著改變sales_amount字段的統(tǒng)計(jì)分布。對(duì)于一個(gè)依賴此字段作為特征來預(yù)測(cè)客戶流失的AI模型，這種分布偏移可能導(dǎo)致模型性能在生產(chǎn)環(huán)境中無聲的退化。

因此，演進(jìn)式架構(gòu)必須包含自動(dòng)化的數(shù)據(jù)漂移檢測(cè)。每次遷移后，不僅要對(duì)新數(shù)據(jù)運(yùn)行單元測(cè)試，還要對(duì)比遷移前后關(guān)鍵字段的數(shù)據(jù)分布（均值、標(biāo)準(zhǔn)差、分位數(shù)、缺失值比例），并在檢測(cè)到顯著偏移時(shí)告警。

c AI時(shí)代的數(shù)據(jù)庫遷移驗(yàn)證流水線：一個(gè)完整的CI/CD流水線現(xiàn)在需要包括：傳統(tǒng)單元測(cè)試、數(shù)據(jù)質(zhì)量檢查、語義一致性測(cè)試（連接向量庫或模型服務(wù)）、數(shù)據(jù)分布漂移檢測(cè)，以及最終的集成測(cè)試。

NoSQL數(shù)據(jù)庫的“無模式”特性曾被看作應(yīng)對(duì)變化的法寶。但在AI時(shí)代，一種更深層的“動(dòng)態(tài)模式”需求正在浮現(xiàn)。

生成式AI（如ChatGPT）能夠處理非結(jié)構(gòu)化和半結(jié)構(gòu)化數(shù)據(jù)。未來的應(yīng)用可能不再需要為“用戶評(píng)論的情感標(biāo)簽”預(yù)先定義一個(gè)固定的sentiment列（取值范圍為‘positive’， ‘negative’， ‘neutral’）。相反，應(yīng)用程序可以直接將評(píng)論文本存儲(chǔ)到數(shù)據(jù)庫，而由AI模型在查詢時(shí)實(shí)時(shí)生成情感分析、摘要、關(guān)鍵詞提取等。

這催生了“AI原生數(shù)據(jù)庫”或“智能數(shù)據(jù)庫層”的概念。數(shù)據(jù)庫本身內(nèi)嵌了AI能力，允許開發(fā)人員將AI模型作為“虛擬列”或“智能索引”來定義。

sql ? ? ? ? ? ? ? ? ?-- 未來可能的DDL擴(kuò)展設(shè)想 ? ? ? ? ? ? ? ? ?ALTER TABLE product_reviews ? ? ? ? ? ? ? ? ??ADD VIRTUAL COLUMN summary TEXT ? ? ? ? ? ? ? ? ??GENERATED ALWAYS AS (ai_summarize(review_text)) VIRTUAL; -- ai_summarize是一個(gè)注冊(cè)在數(shù)據(jù)庫中的AI函數(shù) ? ? ? ? ? ? ? ? ?ALTER TABLE product_reviews ? ? ? ? ? ? ? ? ??ADD SEMANTIC INDEX ON (review_text) ? ? ? ? ? ? ? ? ??USING MODEL (sentence_transformer_model); -- 在文本上創(chuàng)建語義索引，用于相似度搜索

在這種范式下，數(shù)據(jù)庫的“演進(jìn)”一部分仍然通過傳統(tǒng)的遷移腳本來管理物理存儲(chǔ)（例如增加新的JSONB字段來存儲(chǔ)原始多模態(tài)數(shù)據(jù)），另一部分則通過“模型注冊(cè)表”和“AI管道定義”來管理。更新一個(gè)情感分析模型，就等同于“重構(gòu)”了所有依賴于此模型虛擬列的查詢邏輯。這要求我們將模型版本和數(shù)據(jù)模式版本進(jìn)行統(tǒng)一管理。

低代碼/無代碼平臺(tái)和AI助手的結(jié)合，使得業(yè)務(wù)分析師甚至領(lǐng)域?qū)＜叶寄苤苯訁⑴c創(chuàng)建數(shù)據(jù)視圖、生成報(bào)表甚至定義簡(jiǎn)單的數(shù)據(jù)轉(zhuǎn)換邏輯。這極大地促進(jìn)了“數(shù)據(jù)民主化”，但也對(duì)演進(jìn)式數(shù)據(jù)架構(gòu)的治理提出了嚴(yán)峻挑戰(zhàn)。

當(dāng)任何人都可以基于現(xiàn)有數(shù)據(jù)“衍生”出新的數(shù)據(jù)產(chǎn)品時(shí)，如何確保源頭的模式變更（演進(jìn)）不會(huì)導(dǎo)致下游成百上千個(gè)自助分析看板和ML特征管道大面積斷裂？

這需要引入更強(qiáng)大的數(shù)據(jù)血緣和影響分析工具，并且這些工具需要被AI增強(qiáng)。當(dāng)DBA考慮刪除一個(gè)看似不再使用的legacy_category字段時(shí)，AI驅(qū)動(dòng)的治理系統(tǒng)應(yīng)該能夠立即分析出：有15個(gè)由市場(chǎng)部創(chuàng)建的Power BI報(bào)告、3個(gè)由財(cái)務(wù)部維護(hù)的預(yù)測(cè)模型，以及一個(gè)自動(dòng)化的郵件營(yíng)銷流程依賴于此字段。系統(tǒng)不僅應(yīng)阻止刪除，還應(yīng)自動(dòng)為下游使用者生成適配性的視圖或遷移建議，并通知相關(guān)方。

AI增強(qiáng)的數(shù)據(jù)治理與演進(jìn)影響分析。在發(fā)起數(shù)據(jù)庫模式變更前，AI系統(tǒng)應(yīng)自動(dòng)掃描并可視化所有下游依賴項(xiàng)（報(bào)表、模型、API），評(píng)估變更影響，并建議遷移或兼容性方案。

回顧過去，演進(jìn)式數(shù)據(jù)庫設(shè)計(jì)的核心思想是將變化制度化、自動(dòng)化，使人類團(tuán)隊(duì)能夠以可控、可預(yù)測(cè)的方式應(yīng)對(duì)不確定性。AI時(shí)代的到來，并沒有削弱這一思想，反而使其變得更加重要和復(fù)雜。

未來的演進(jìn)將不僅是模式（Schema）的變更，更是語義層、AI模型層和數(shù)據(jù)分布的協(xié)同演進(jìn)。驅(qū)動(dòng)演進(jìn)的不再僅僅是明確的人類需求，還包括從數(shù)據(jù)模式中自動(dòng)發(fā)現(xiàn)的見解、對(duì)模型性能的持續(xù)監(jiān)控反饋，以及對(duì)數(shù)據(jù)血緣和依賴的智能分析。

我們正在從一個(gè)由人類完全掌控的、機(jī)械的數(shù)據(jù)庫遷移過程，走向一個(gè)人機(jī)協(xié)同的、有機(jī)的數(shù)據(jù)演進(jìn)生態(tài)。

在這個(gè)生態(tài)中，AI智能體承擔(dān)了部分模式設(shè)計(jì)、數(shù)據(jù)質(zhì)量管理、影響分析和測(cè)試驗(yàn)證的職責(zé)，而人類則專注于更高層次的業(yè)務(wù)目標(biāo)、倫理審查和復(fù)雜決策。數(shù)據(jù)庫，將從一個(gè)被動(dòng)的、需要精心維護(hù)的系統(tǒng)記錄，轉(zhuǎn)變?yōu)橐粋€(gè)能夠感知環(huán)境（業(yè)務(wù)需求、數(shù)據(jù)質(zhì)量、模型性能）、持續(xù)學(xué)習(xí)并自主適應(yīng)的數(shù)據(jù)有機(jī)體的核心。

這要求今天的軟件架構(gòu)師、數(shù)據(jù)工程師和DBA們，不僅要掌握傳統(tǒng)的重構(gòu)和遷移技術(shù)，更要開始理解機(jī)器學(xué)習(xí)操作、向量數(shù)據(jù)庫、語義層管理以及人機(jī)協(xié)同設(shè)計(jì)的原則。

演進(jìn)式設(shè)計(jì)的原則—小步快跑、持續(xù)集成、自動(dòng)化測(cè)試、清晰抽象—依然不變，但其內(nèi)涵和實(shí)踐，正在AI的照耀下，以前所未有的深度和廣度，正在被實(shí)踐重新定義。