ParticleDB 是一个面向 AI Agent 的新型数据库,核心思路是:把 PostgreSQL、Redis、向量数据库、分析型数据库,以及部分 Agent 执行逻辑,整合到一个数据库引擎中。
它想解决一个很实际的问题:现在开发一个比较复杂的 AI Agent,可能需要同时部署:
- PostgreSQL:保存业务数据、任务状态。
- Redis:缓存、队列、任务协调。
- Milvus / Qdrant:保存 Embedding,进行向量检索。
- ClickHouse:分析 Agent 的执行记录和业务数据。
- Python 服务:执行一些自定义的数据处理逻辑。
ParticleDB 希望用一个数据库替代这套组合,减少系统之间的数据同步和运维成本。
它是用 Rust 开发的,并且兼容 PostgreSQL 和 Redis 的客户端协议。
1. 它到底是什么?
可以把它理解为一个多模型数据库(Multi-model Database),同时具备五种能力:
| 能力 | 对标产品 | 用途 |
|---|---|---|
| 关系型数据库 | PostgreSQL | 业务数据、事务 |
| Key-Value | Redis | 缓存、状态、协调 |
| 向量检索 | Qdrant / Milvus | RAG、语义搜索 |
| 实时分析 | ClickHouse | 聚合、统计 |
| 用户自定义函数 | Python 服务 | 数据处理、计算 |
这里最有意思的不是它又做了一个向量数据库,而是这些能力共享同一个存储引擎和数据体系。
例如,Agent 刚刚写入一条任务执行记录,后续 SQL 查询、统计分析和向量检索可以直接使用相关数据,不必再通过 ETL 同步到其他数据库。
2. 最有意思的技术设计
① PostgreSQL 兼容:降低迁移成本
ParticleDB 支持 PostgreSQL Wire Protocol。
这意味着很多现有应用不需要更换数据库驱动。
例如 Python:
import psycopg2
conn = psycopg2.connect(
"host=localhost port=7173 dbname=particledb"
)
cur = conn.cursor()
cur.execute("""
CREATE TABLE users (
id BIGINT PRIMARY KEY,
name TEXT
)
""")
cur.execute(
"INSERT INTO users VALUES (%s, %s)",
(1, "Alice")
)
conn.commit()
SQLAlchemy、psycopg、Java JDBC 等也有对应的连接方式。
但这里有一个重要区别:
兼容 PostgreSQL 协议,不等于它就是 PostgreSQL。
它有自己的存储引擎、事务实现和 SQL 执行器,部分 PostgreSQL 语法、系统目录和扩展并不兼容。
② 向量检索直接集成到 SQL
这是 AI 应用开发比较关注的功能。
例如建立一张文档表:
CREATE TABLE documents (
id BIGINT PRIMARY KEY,
title TEXT,
content TEXT,
embedding VECTOR(1536)
);
建立 HNSW 索引:
CREATE INDEX ON documents
USING hnsw (embedding vector_cosine_ops);
查询相似文档:
SELECT
id,
title,
content
FROM documents
ORDER BY embedding <=> $1
LIMIT 10;
这里的好处是:
- 不需要额外部署 Qdrant 或 Milvus。
- 文档元数据和向量数据放在同一套数据库中。
- 可以将普通 SQL 条件与向量相似度检索结合。
对于 RAG 系统来说,这样的架构比较自然。
③ Redis 兼容的 Key-Value
它还支持 Redis RESP 协议。
例如:
redis-cli -p 6379
SET agent:task:1001 running
GET agent:task:1001
可以直接使用 Redis 客户端访问。
这对 Agent 很有用,因为 Agent 系统经常需要保存:
- 当前执行状态
- 任务进度
- 临时上下文
- 执行锁
- 工作流协调信息
不过要注意,Redis 兼容接口和 SQL 表并不是同一个数据空间,不能简单理解为 Redis Key 自动变成 SQL 表。
④ Particles:数据库内部执行 Python 函数
这个功能反而是我觉得值得继续关注的。
ParticleDB 有一个叫 Particles 的机制,允许开发者编写 Python 或 Rust 函数,并在数据库侧执行。
设想一个 Agent 工作流:
- 查询用户历史记录。
- 检索相关知识。
- 调用自定义评分函数。
- 将评分结果和业务数据组合。
- 返回给 Agent。
传统架构可能需要应用服务器多次读取数据、传输数据、执行计算,再写回数据库。
Particles 希望把其中一部分计算直接放到数据库内部完成。
这有点类似数据库存储过程,但它试图把 Python/Rust 的可编程能力带进来。需要注意,Python Particles 有独立的运行环境要求,并不是安装普通版本就一定具备。
3. 它的整体架构有什么价值?
可以用一个 Agent 的例子理解:
假设我们开发一个多 Agent 系统:
| Agent 业务需求 | ParticleDB 对应能力 |
|---|---|
| 保存用户和业务信息 | SQL |
| 保存 Agent 记忆 | Vector Search |
| 保存执行状态 | Key-Value |
| 任务执行记录统计 | Analytics |
| 数据处理和评分 | Particles |
传统架构需要维护多个数据库及其连接关系。
ParticleDB 希望将这些能力收敛到一个服务。
这对小团队尤其有吸引力:少维护几个数据库,意味着少一些部署、监控、备份、数据同步和故障排查工作。
但也要注意,统一数据库并不代表 Agent 的模型调用、外部工具调用、消息队列等基础设施也被它替代了。
4. 一个非常重要的问题:可靠性
这里我查到一件值得特别关注的事情。
重要风险 2026 年 10 月 31 日,著名数据库测试机构 Jepsen 发布了 ParticleDB 的独立测试报告。
Jepsen 是 Kyle Kingsbury 创办的分布式系统可靠性测试项目,之前测试过 PostgreSQL、Redis、MongoDB、CockroachDB 等数据库。它非常擅长找出数据库在并发、事务和故障恢复方面的问题。
这次测试覆盖 ParticleDB 1.1.4 至 1.1.18.11.rc-22,发现了 96 个问题。
几个比较严重的问题:
| 问题 | 具体表现 |
|---|---|
| SQL 正确性 | WHERE 4 = 5 居然可能返回数据 |
| 约束失效 | UNIQUE、NOT NULL 等约束出现异常 |
| 事务一致性 | 不同事务隔离模式出现异常 |
| 数据丢失 | 已经 COMMIT 的数据,在正常运行中消失 |
| 崩溃恢复 | WAL 损坏可能导致数据丢失 |
| 性能 | 部分事务出现严重延迟、死锁 |
尤其值得警惕的是:部分问题在没有人为注入故障、只有单节点正常运行时就能出现。
更值得注意的是,Jepsen 测试到的版本中,甚至在 WAL 使用同步刷盘模式时,仍然观察到了已提交数据丢失。
官方怎么回应?
Orkes 表示,他们与 Jepsen 合作处理了这些问题,并声称截至 ParticleDB 1.1.19,96 个问题都已经得到修复。当前公开发行记录已经到了 1.1.19-rc.13。
这里需要区分两件事:
- Jepsen 的测试结果是针对特定旧版本的实际发现。
- 官方声称新版本已经修复,不等于新版本已经经过同等范围的独立验证。
所以,目前我不会建议把它用于重要生产数据。
5. 与现有数据库比较
| 数据库 | 核心定位 | ParticleDB 想替代的部分 |
|---|---|---|
| PostgreSQL | 通用关系型数据库 | 关系型存储、事务 |
| Redis | 内存 KV | 缓存、状态管理 |
| Qdrant | 向量数据库 | 向量检索 |
| ClickHouse | 分析型数据库 | 实时分析 |
| ParticleDB | 多模型数据库 | 上述多种能力的统一 |
但我认为它现在最大的竞争对手并不是某一个数据库,而是已经成熟的组合方案:
PostgreSQL + Redis + pgvector。
这套组合已经能够覆盖大量 AI Agent 应用场景,而且生态成熟,生产实践也比较丰富。
6. 我怎么看 ParticleDB?
结合它的技术设计和目前的成熟度,我的判断是:
值得关注,但暂时不值得作为生产数据库押注。
- 技术方向 值得关注
将 SQL、KV、向量检索、分析整合到一个引擎,是很有价值的方向。
- Agent 场景 有吸引力
特别是任务状态、长期记忆、执行记录和数据处理的统一管理。
- 生产可靠性 需要继续验证
Jepsen 报告暴露的问题非常严重,需要关注新版本后续的独立测试。
- 生态成熟度 较早期
PostgreSQL 兼容不等于 PostgreSQL 生态完全兼容。
未来 Agent 的数据库,可能不再只是存储业务数据,而是逐渐成为 Agent Runtime 的一部分。
例如:
- Agent Memory:长期记忆和语义检索。
- Agent State:当前任务、执行状态。
- Agent Coordination:多个 Agent 之间的协调。
- Agent Observability:执行日志、成本、效果分析。
- Agent Functions:靠近数据执行部分计算。
ParticleDB 正在尝试把这些能力整合起来。
不过,我认为它真正需要证明的不是能不能把这些功能放在一个数据库里,而是:在统一存储和执行之后,能否同时保持事务正确性、数据可靠性和足够好的性能。
这比跑出一个漂亮的 TPS 数字重要得多。
相关资料:
我的建议是:可以本地部署一个玩玩,重点研究它的 Vector + SQL + KV 统一模型,但暂时不要拿它替代现有 MySQL/PostgreSQL。