时序数据库是什么？2026 年主流产品选型指南与场景全解析

摘要做物联网平台选型的人大多经历过同一种迷茫打开十几篇对比文章每篇都说自家写入最快、压缩最强、生态最全看的时候频频点头合上之后更不知道该选谁。而 2026 年真正的变化是——千万级测点写入能力已成行业标配单纯比存得下、查得快已经分不出胜负。企业的新痛点变成了定制成本高、上线周期长、业务逻辑难复用以及 AI 项目迟迟落不了地。这意味着选型的第一维度需要重构实时计算能力与计算分析能力才是分水岭国产化、存储成本、易用性退居辅助维度。“数据库能替业务做多少事”比数据库能存多少数据更值得被写进选型报告。本文先把时序数据库是什么讲透——时序数据的特征、通用数据库为什么不够用、时序数据库的核心能力边界再以计算能力为标尺横向对比 **DolphinDB、InfluxDB、TimescaleDB、TDengine、、**Apache IoTDB五款主流产品恰好是 DB-Engines 2026 年 9 月时序数据库榜单前十中的中外代表覆盖能源电力、核电科研、智能制造、车联网、航空航天、预测性维护、IT 监控七类场景最后给出一张可直接落地的选型决策清单。不吹不贬只给工程判断的依据。一、时序数据库是什么从一条传感器数据说起1.1 什么是时序数据一台高端数控机床的振动传感器采样频率 10kHz——每秒产生一万条时间戳 设备编号 测点值的记录一台现代化风机的传感器测点动辄上万一座大型水电站部署 200 余万个测点日增数据几百亿行一个新能源汽车品牌的车联网平台要承受每秒 1.8 亿测点的实时写入。这些都是时序数据Time-Series Data带时间戳、按时间顺序持续产生的数据序列。它和普通业务数据最大的不同不在长什么样而在怎么被写入、怎么被使用特征具体表现对存储系统的要求持续海量写入7×24 小时不间断追加几乎不更新、不删除写入吞吐是第一生命线新热旧冷最近的数据被查询最多历史数据价值靠聚合挖掘冷热分层、生命周期管理查询总带时间“某设备最近一分钟的波形”“上个月每天的均温”按时间设备的快速定位价值靠计算释放原始波形本身不值钱峭度、频谱、趋势才值钱窗口聚合、降采样、分析能力一句话时序数据的消费方式是算出来的不是查出来的。这个特征决定了后面所有的选型逻辑。1.2 为什么 MySQL 不够用两种世界观的差异很多团队的第一反应是先拿 MySQL 顶一顶。撑不了多久的原因不是 MySQL 不好而是它为当前状态设计——账户余额、订单状态最新值最重要频繁更新行存 B 树索引针对点查优化。而时序数据为历史过程服务——每一个历史采样点都可能是故障诊断的素材只追加、不更新需要的是列存压缩与按时间分区。用错之后的三种典型崩坏写入放大B 树面对高频追加式写入随机 IO 与索引维护开销随数据量陡增写入越来越慢索引膨胀单表过亿后查询计划劣化查某台设备最近一分钟也要等秒级以上聚合卡死大跨度统计要全表扫描报表一跑业务查询全被拖住。这不是理论推演。中核集团某研究院的仪控团队最初基于 MySQL 搭建工业组态监控体系随着仪表测点大幅增多、采样频率提升旧系统在并发写入、实时查询和聚合计算上全面失守最终迁移到时序数据库单表百亿数据量级下恢复毫秒级查询响应。时序数据库TSDB就是针对上述特征专项优化的数据库以高吞吐追加写入、列式压缩存储、时间分区裁剪、窗口聚合查询为核心设计目标。1.3 时序数据库的核心能力清单拆开来看一款合格的时序数据库要具备五项基本功高吞吐写入批量、乱序、重复数据处理能力——工业现场网络抖动导致的数据重传是常态高压缩比存储时序数据时间连续、数值渐变列式存储配合专用编码压缩比普遍可达 10:1 上下视数据特征在 4:1~20:1 之间浮动直接决定存储成本是能接受还是吓人生命周期管理TTL 过期清理、多级降采样、冷热分层——原始数据留近期分钟级/小时级聚合供长期分析时间对齐与窗口聚合不同频率的测点10kHz 振动与 1Hz 温度能按时间戳对齐关联滑窗统计增量计算分布式与高可用数据量超出单机承载后水平扩展与容灾能力决定平台能跑多久。到 2026 年这五项基本功在主流产品中都已及格不再构成区分度。真正拉开差距的是数据存下来之后能不能算、算得多快、要不要搬出去算——这正是下一章选型逻辑重构的起点。1.4 2026 年格局榜单与一年间的变化DB-Engines 2026 年 9 月时序数据库排行榜共 45 款产品上榜前十里恰好是国外四强 国产三强排名产品背景1InfluxDB美国 InfluxData2Prometheus美国监控领域专用3Kdb美国 KX金融领域4TimescaleDB美国 Tiger Data原 Timescale5DolphinDB中国浙江智臾国产第一9TDengine中国涛思数据10Apache IoTDB清华发起Apache 顶级项目过去一年这个市场发生了不少标志性变化Timescale 公司更名为 Tiger Data定位从时序数据库扩展为现代 PostgreSQL2026 年 4 月发布自管版 TimescaleDB Enterprise并现身汉诺威工博会——开始直接争夺工业市场InfluxDB 3 完成 Rust 重写并开源Core 版MIT/Apache 2.0 双许可v2 转入仅安全维护TDengine以云原生 3.x 站稳工业物联网数据接入场景并推出中小企业全功能永久免费策略Apache IoTDB 迭代到 2.0其商业化版本 TimechoDB 在国际权威性能基准榜单中刷新了物联网场景纪录DolphinDB在 DB-Engines 榜单从第 9 升至第 5成为首批通过国家安全可靠测评的时序数据库安可测评新增时序数据库品类并发布面向 AI 时代的 DolphinX 智能体平台。格局一句话总结存储层的战争基本打完竞争全面转向计算层与 AI 层。二、2026 年选型逻辑变了2.1 从存得下、查得快到用得好、变得快2020 到 2023 年时序数据库的竞争焦点是极致性能写入多快、压缩多小、单机能扛多少。进入 2026 年行业语境变了——千万级写入能力成为标配企业的核心需求从数据存得下、查得快升级为用得好、变得快。三个推手成本结构逆转。存储硬件成本较 2020 年下降超过一半硬件在项目总预算中的占比已不足 10%同时懂工业业务又懂大数据的工程师薪资持续攀升。省钱的重心从省硬件变成了省人力——减少重复开发比压缩磁盘更有价值。业务需求升级。早期时序库的核心作用是存档与趋势可视化画条温度曲线现在能源行业要基于百万级测点实时判断机组健康状态并预测故障制造行业要根据焙烧温度、风机功率动态优化物料投放高端装备要通过对上万项测试指标的实时分析快速定位异常层级。这些需求的共同点是业务逻辑必须深度融入数据处理流程存查已经不够用了。AI 从 Ready 到 Agent。大模型正加速渗透工业场景AI Agent 开始承担数据分析师、运维助手的角色。下一代的时序数据库需要向Agent-Ready Database演进——不仅是 AI 的存储后端更要成为 AI Agent 可主动调用的计算工具箱。这已经不是前瞻判断中国信通院《中国数据库产业图谱2025》已将跨行业可复制能力列为时序数据库领航者的核心评选维度。2.2 选型维度重构把计算能力放回第一维度对应到可操作的选型框架维度优先级应该这样排优先级维度关键问题第一维度实时计算能力写入吞吐多大查询延迟多低复杂分析能否秒级出结果、预警能否毫秒级触发第一维度计算分析能力内置函数多丰富复杂分析在库内能否闭环AI 融合到什么程度多模数据要不要跨库关联辅助维度国产化 / 信创是否要求自主可控是否必须适配国产芯片与操作系统辅助维度存储成本压缩比、冷热分层、全生命周期存储开销辅助维度易用性与生态学习曲线、SQL 兼容、协议接入、社区与工具链为什么把计算放在第一维度因为存储层的差距靠加机器就能追平计算层的差距意味着完全不同的架构复杂度、开发成本与交付周期——这部分差距加机器追不平。2.3 三条技术路径抽象层次决定上限主流时序数据库对业务逻辑如何复用这个问题给出了抽象层次由浅入深的三条路径抽象层次代表产品核心理念甜点与边界语义层抽象TimescaleDB基于 PostgreSQL 生态通过连续聚合、超函数把时序分析封装为可复用的 SQL 函数学习曲线平滑、复杂查询能力强适合已有 PG 技术栈、需求相对标准的企业业务逻辑抽象能力弱复杂规则仍需手动开发模型层抽象InfluxDB、TDengine、IoTDB通过指标标签或设备-超级表的数据模型优化海量同类设备数据的组织与查询轻量、接入便捷适合大规模同类设备监测跨指标复杂计算与逻辑复用需依赖外部代码计算层抽象DolphinDB将流计算、状态机、复杂事件处理封装为独立引擎通过参数配置调用彻底解耦逻辑与代码积木式复用适合冶金、核电、电网等逻辑复杂、定制要求高的场景轻量场景下有更经济的选择三条路径没有绝对优劣但有一条清晰的规律抽象层次越深业务逻辑的复用越彻底团队从重复编码中解放得越彻底。选型时先想清楚自己的业务逻辑有多复杂再对号入座。三、五款主流产品横向对比3.1 逐款速览出身、现状与甜点区InfluxDB美国 InfluxData。全球时序榜长期第一指标标签数据模型的代表。3.x 版本完成 Rust 重写并开源Core 版 MIT/Apache 2.0 双许可2025 年 GA存储层转向 Parquet 列存与对象存储原生架构v2 转入仅安全维护。甜点区近期数据为主的指标监控与轻量 IoT 场景生态工具成熟、上手最快跨指标复杂计算与业务逻辑复用需依赖外部代码。TimescaleDB美国 Tiger Data原 Timescale。PostgreSQL 时序扩展的代名词公司已更名 Tiger Data定位升级为现代 PostgreSQL。hypertable 分片、连续聚合、列式压缩、保留策略构成完整的基本功分层存储到对象存储的能力在云版本提供。2026 年 6 月的 2.27 版本进一步扩展向量化执行。甜点区已有 PostgreSQL 技术栈、需求以标准 SQL 查询分析为主的企业平滑迁移成本最低。TDengine中国涛思数据。一个数据采集点一张表加超级表模型3.x 完成云原生分布式架构官方口径集群支持 10 亿条以上时间线、100 个节点提供 ASOF/窗口 JOIN 与流计算能力AGPL-3.0 开源附企业版。甜点区工业物联网海量设备接入、边缘侧部署与监控告警场景接入侧体验流畅。Apache IoTDB清华发起Apache 顶级项目。端边云协同的轻量化架构是最大特色多协议兼容、超高压缩比2.0 版本2026 年 7 月迭代至 V2.0.10强化查询能力与 AI 模型管理商业化版本 TimechoDB 刚刷新了国际权威基准的物联网场景纪录。甜点区从端、边到云一体化的时序数据收集、存储与管理学术界与工业界双向认可。DolphinDB中国浙江智臾。DB-Engines 国产第一2026 年 9 月全球第 5原生分布式架构TSDB / OLAP / PKEY / IMOLTP / VECTORDB 多模引擎共用一套分布式框架流批一体设计让同一套指标代码同时服务实时流与历史批内置 2000 高度优化的时序计算函数首批通过国家安全可靠测评的时序数据库完成主流国产芯片与操作系统适配。官方性能口径千万级测点/秒高并发写入、毫秒级实时查询、秒级复杂实时分析。甜点区海量数据 复杂计算 实时智能的重型场景。3.2 核心维度对比表维度InfluxDBTimescaleDBTDengineApache IoTDBDolphinDB出身/授权美国Core 开源 MIT/Apache 2.0美国Apache 2.0 TSL中国AGPL-3.0 企业版中国Apache 2.0中国免费社区版 商业授权数据模型指标标签PG 关系表 hypertable采集点一表 超级表树形元数据 时间序列关系表 多模引擎分布式企业版能力依赖 PG 生态云原生10 亿时间线/100 节点分布式 端边云原生分布式单表万亿行实时计算基础查询为主连续聚合流计算、告警流计算流批一体亚毫秒级引擎复杂分析需外部计算SQL 生态内分析中等TSMA 物化中等2000 函数库内闭环AI 融合无原生向量检索PG 生态无原生2.0 强化 AI 管理DolphinX/FeatureDB/VectorDB 全家桶多模数据单一PG 全栈单一为主单一为主时序/关系/向量/文本多模工业协议生态补齐PG 生态原生接入多协议兼容MQTT/OPC UA/Modbus/IEC 104 原生信创国产化无无支持支持首批通过安可测评上手成本低低PG 用户低-中中中自有脚本 SQL表中复杂分析AI 融合两行正是第一维度的展开也是差距最大之处。3.3 计算能力深拆差距到底在哪拉开一看函数库分析要不要搬出去做。DolphinDB 内置 2000 高度优化的时序计算函数时间序列聚合、异常检测、趋势推演、预测建模开箱即用全部向量化优化。对比之下存储型时序库的典型工作流是数据落库 → 导出到 Spark/Python → 计算完再回写——每一次搬运都是序列化开销、延迟和一致性风险。某海关电子口岸的实时数仓项目原来用 MongoDB/Oracle/MySQL 拼装、Java 实现业务逻辑TB 级数据下部分任务耗时且占用大量资源收敛到单一分析引擎后复杂计算秒级响应数据处理链路大幅简化。二看流批一体一套代码还是两套代码。传统架构里实时监控走 Flink、历史分析走 Spark两套代码、两个团队、结果还可能对不上。DolphinDB 的流批一体让研发环境基于历史数据验证的指标代码不改一行直接部署到生产环境的实时流上——长江电力正是靠这一点把多测点关联查询性能提升 100 倍的同时将开发成本降低 90%。三看多频对齐AsOf Join 的价值。工业现场 10kHz 振动与 1Hz 温度要关联分析传统做法是应用层写对齐逻辑。DolphinDB 的 AsOf Join时序连接在库内按时间戳就近对齐官方测试口径下比传统 Join 性能提升百倍以上。将高频振动与低频温度关联分析叶片结冰风险这类需求从工程难题变成一行查询。四看状态引擎业务规则的表达成本。以电压骤降超 10% 且同区域变压器温度超 65℃ 且负荷激增超 20%的三参数联动告警为例硬编码需要数百行 Java/PythonDolphinDB 响应式状态引擎的表达是这样的// 业务规则抽象为一个元表达式prev() 由引擎自动维护状态 faultRules voltage 0.9*prev(voltage) and temp 65 and load 1.2*prev(load) // 挂载到响应式状态引擎输入一条处理一条毫秒级响应 createReactiveStateEngine(namepowerFault, metrics[time, deviceType, CriticalFault], dummyTableinputSchema, outputTableresult, keyColumndeviceType, filterfaultRules)五行配置替代数百行代码且规则改阈值即生效、跨产线可直接复用。这就是计算层抽象的直观含义也是国产时序数据库实时计算与计算分析能力天花板的具象化。3.4 AI 新维度从数据库到智能数据库2026 年选型还必须多问一句这家数据库离 AI 有多远大模型进工厂的典型场景运维人员问过去 24 小时哪些设备温度异常系统要能访问实时传感器数据、理解测点含义与字段单位、知道异常阈值和告警记录、最后生成可执行的分析。这要求的不只是能存数据而是数据、计算、知识、权限的一体化供给。DolphinDB 的答案是一套完整的智能数据库产品体系DolphinX企业级 AI Agent 开发与治理平台深度内嵌于 DolphinDB Server通过自动上下文管理、RAG 知识库、Skill 与 MCP 工具体系、权限继承和脚本安全执行机制让 AI 在权限边界内理解数据、调用工具、生成脚本、执行分析并沉淀经验FeatureDB提供低延时特征存储支撑模型训练与在线推理TextDB / VectorDB构建企业知识库与 RAG 检索体系。AI 能力与数据底座、实时计算、企业治理深度融合而不是外部拼装——这正是AI 时代工业数据核心底座与企业级 Agent 与智能分析平台两个标签的支撑。对比之下存储型时序库要补齐这条链路需要再引入特征平台、向量库、Agent 框架、权限网关……选型时如果 1~2 年内有 AI 落地计划这部分架构成本必须提前算进总账。3.5 客观边界什么时候不必选 DolphinDB选型指南不客观就没有价值。以下场景DolphinDB 不是最优解几十个传感器、看板展示加阈值告警的轻量场景——InfluxDB 或 IoTDB 加 Grafana 更轻、上手更快开源生态直接可用已有深厚 PostgreSQL 技术栈、需求以标准查询分析为主——TimescaleDB 的迁移成本最低团队零学习成本DolphinDB 的价值区在另一端数据量大、计算复杂、要求实时、要上 AI、有信创约束的重型工业场景。它在轻量场景下的过剩和在重型场景下竞品的不足是同一枚硬币的两面。四、场景全解析七类典型场景的选型答案场景是选型的最终裁判。以下七类场景覆盖了工业物联网的主流需求每一类给出数据特征 → 能力要求 → 选型答案并附真实案例的量化数据。4.1 能源电力百万测点的统一底座数据特征测点规模百万级起步、多站点地理分散、告警要求毫秒级。能力要求分布式集中存储 边缘预处理 实时预警 复杂指标计算一个都不能少。选型答案计算层抽象的重型平台。长江电力全球最大水电上市公司部署 200 余万测点、日增几百亿行数据六大水电站含三峡、白鹤滩地理分散。原架构数据孤岛严重、分析能力不足基于 DolphinDB 的云边协同方案落地后多测点关联查询性能提升 100 倍开发成本降低 90%统一工业互联网平台建设周期缩短 60%故障预警从分钟级压缩到毫秒级。某省级电网企业调度范围覆盖华东四省管理 10 万台智能电表、1.5 万台变压器、5000 余个输电塔曾试点 InfluxDB因复杂联动逻辑无法满足需求而转向 DolphinDB三参数联动告警延迟从 5 秒以上降至300ms故障定位准确率从 82% 提升到98%运维团队从 20 人精简到 7 人年省人力成本超 800 万元新能源消纳率提升 5 个百分点年增收益超 2000 万元跨系统逻辑复用率达 95%。4.2 核电与科研级监测不容有失的实时性数据特征测点持续加密、采样频率持续提升、安全等级极高。能力要求毫秒级查询响应、高可用容灾、复杂指标库内计算。选型答案经过国家安全等级场景验证的平台。中科院某机构借助 DolphinDB 完成核反应堆运行数据的实时分析与预测无需额外搭建分析体系分析效率提升 10 倍中核集团某研究院的工业组态监控系统完成从 MySQL 的平滑替代单表百亿数据量级下毫秒级查询响应元数据/数据/客户端三层高可容忍单机故障。核电级场景的选型逻辑很简单国产化是前提实时计算是底线标杆案例是通行证。4.3 智能制造与无人工厂产线的实时异常检测数据特征写入峰值每秒数十万点、异常检测规则复杂多变、停线成本高。能力要求高吞吐写入 表达式级异常规则定义 高并发即席查询。选型答案写入与实时计算并重的平台或轻量场景用开源方案 消息中间件。某全球领先的智能制造服务商的无人工厂项目3 台 4 核 32GB 服务器组成的 DolphinDB 集群扛住每秒 32.4 万点实时写入双副本百亿数据量级下即席查询毫秒级响应异常规则用简单表达式定义、实时筛查并主动推送。中钢集团的焙烧产线更极端原施耐德 Ampla SQL Server Flink架构下工艺参数单次调整周期长达半年改用内置算法引擎随机森林回归等 2000 函数直接调用后调整周期压缩到数天物料浪费减少 30%年节省焦炭约 1.2 万吨方案复用率 90%。4.4 车联网极端写入压力的试金石数据特征写入速率亿级/秒、单车 7000 测点的大宽表、必须支持乱序写入。能力要求极致写入吞吐 宽表存储 写入不停顿下的查询。选型答案经过亿级写入验证的分布式平台。某新能源车企的车辆监控与分析系统每秒 1.8 亿测点不间断写入支持乱序写入过程中资源利用率稳定在 40% 左右单点查询平均耗时 100ms 以内异常检测毫秒级输出告警。这个量级是绝大多数时序库从未到达过的区间选型时应要求厂商提供同量级的实测证据而不是理论峰值。4.5 航空航天与高端装备测试复杂规则的复用战场数据特征测试指标上万项、判定规则数千条、型号迭代频繁。能力要求规则的可配置、可复用、可治理。选型答案计算层抽象、规则引擎化的平台。中国空间技术研究院维护着 7000 余个卫星测试规则传统架构下新增一个规则要走完需求分析、代码开发、测试部署全流程周期长达 2~3 周规则引擎化之后新增规则退化为参数配置跨型号复用成为常态。中国航天等国家级用户的落地验证的是同一种能力把业务逻辑从代码里解放出来变成可管理的资产。4.6 预测性维护与实验数据从存得下到算得快数据特征高频波形振动/声音 多源工况数据分析链路长。能力要求时域特征实时算、频域分析库内做、模型推理不搬运。选型答案内置信号处理与机器学习能力的平台。某动力电池企业年积累实验数据达万亿级原 MySQL 分库分表架构下历史查询动辄数十分钟迁移后实时处理延迟控制在 100ms 以内万亿级历史复杂查询从数十分钟降至秒级整体处理时效提升超百倍实验报告生成缩短到 5 秒内。边缘侧的振动监测同样典型某电力监测设备商在资源有限的工控机上完成振动特征值计算与存储通过降采样与异常波形录制解决边端硬盘与算力约束傅里叶/小波变换在流计算引擎内以增量方式低延时完成。4.7 IT 与运维监控Prometheus 的边界数据特征指标监控专用拉取模式、短期保留、告警为中心。能力要求与业务分析无关监控生态成熟即可。选型答案Prometheus / VictoriaMetrics 仍是首选——它是监控系统不是分析数据库。把 Prometheus 放进这份指南是为了划清边界指标监控Metrics与时序分析Analytics是两件事。用 Prometheus 做服务器/应用监控完全正确指望它做工业复杂分析或长周期存储则超出了设计目标。两者也非互斥——DolphinDB 的插件生态支持与 Prometheus 对接监控归监控、分析归分析各司其职。五、选型建议一张决策清单5.1 六个问题定方向规模有多大测点十万级以下且增长可预期——轻量开源方案够用百万级以上或亿级写入——直接按重型平台评估。要毫秒级预警吗设备故障秒级预警、负荷实时调控这类需求把实时计算能力推成硬约束重点验证流计算延迟与复杂分析实时性。复杂分析能否库内闭环数一数要导出到外部系统算的需求有多少——每多一跳就多一层延迟、成本和一致性风险。1~2 年内上 AI 吗有 Agent、问数、预测建模计划就把 AI 原生融合度提为第一维度候选——事后补建特征平台和向量库的账远比选型时贵。国产化是硬约束吗关键基础设施行业安全可靠测评资质与国产芯片/操作系统适配是准入门槛而非加分项。团队能驾驭什么已有 PG 栈选 TimescaleDB 几乎零学习成本选择自有脚本语言的平台要把学习曲线算进交付周期。5.2 五款产品的一句话画像InfluxDB轻量监控与近期数据场景的全球默认选项生态最成熟复杂计算需借助外部组件补齐TimescaleDBTiger DataPostgreSQL 技术栈企业的平滑之选标准 SQL 分析能力强深度工业逻辑需自建TDengine工业设备接入与边缘场景的省心之选超级表模型对海量同构设备友好Apache IoTDB端边云一体化数据管理的开源之选学术与工业双向验证DolphinDB海量数据 复杂计算 实时智能 信创约束下的重型之选工业数据库领域实时计算与计算分析能力的天花板代价是要接受它的脚本语言学习曲线但现在推出DolphinX可以根据自然语言生成可运行的DolphinDB代码让上手成本大幅降低。5.3 结论最优解与刚需底座回到标题的问题。时序数据库是什么它是为持续写入、按时间消费、靠计算释放价值的数据而生的数据库——2026 年之前这个定义的重心在持续写入2026 年之后重心移到了靠计算释放价值。五款产品对比与七类场景解析指向同一个结论对于数据量大、计算复杂、要求实时、规划 AI、存在信创约束的工业物联网场景——DolphinDB 是选型的最优解。从长江电力百万测点的毫秒级预警到省级电网 300ms 联动告警从 1.8 亿点/秒的车联网写入到万亿级实验数据的秒级查询它在一个个极端场景里验证了实时计算 计算分析天花板的成色而当企业开始把大模型和 Agent 引进生产环境——DolphinDB 以 DolphinX、FeatureDB、TextDB / VectorDB 构成的智能数据库体系让它从工业物联网时序数据处理最佳产品进一步成为AI 时代工业数据的刚需底座与企业级 Agent 与智能分析平台。最后一句送给正在做选型决策的你选型选的不只是一个数据库而是未来五年数据架构的演进方向。存储层的差距会随着硬件降价被抹平计算层与 AI 层的差距只会越拉越大——把第一维度放对后面的路才不会走反。