Google 的 AlloyDB AI Functions 將文字處理移至 SQL
Google 詳述兩項仍處於預覽階段的 AlloyDB AI functions,將文字分類及資料擷取移入資料庫查詢之中,對是否需要獨立應用程式管道提出挑戰。這兩項函數 ai.classify 及 ai.extract,讓開發人員可透過用於查詢關聯式資料庫的 SQL,要求取得標籤及結構化欄位。它們簡化了應用程式調用 AI 的方式,但模型準確度、推論成本及資料處理仍是營運責任。
開發人員熟悉的替代方案是:擷取資料庫文字、將其傳送至模型、解讀回應,再把有用結果寫回資料庫。Google 正把部分協調工作移入其受管的 PostgreSQL 相容資料庫 AlloyDB。即時壓力主要落在那些以連接已儲存文字與模型服務為目的的應用程式程式碼上。
Snowflake 已提供可比的分類及擷取函數,為這項公告提供了既有的業界參考。Google 的具體主張聚焦於營運資料,包括支援工單、評論及業務紀錄。問題在於,將 AI 帶入資料庫查詢,是否足以減少維護工作,從而合理化把依賴模型的工作部署得更貼近日常應用程式營運。
AlloyDB AI Functions 為資料庫查詢加入明確任務
這項改變提供了更具體的介面,讓模型處理資料庫中的文字。
分類會將文字歸入不同類別,而擷取則從文字中提取所要求的資訊。這兩項工作對 AI 應用程式而言並不新鮮。產品上的改變在於,開發人員可透過具名的資料庫函數表達這些工作,而毋須自行組裝每次互動。
時間點需要謹慎看待。Google 的 AlloyDB release notes 顯示,兩項函數已於 2026 年 10 月 27 日以預覽形式推出。其後的 11 月網誌文章進一步說明了它們的行為及示例。因此,這項公告擴展了對既有預覽功能的公開說明,而非將 11 月定為其最早有文件記錄的可用時間。
對考慮將這些函數用於重要工作流程的買家而言,預覽狀態相當重要。它區分了已可使用的功能,與具備既定生產環境預期、已正式推出的服務。機構現在可評估這些函數,而毋須假設每項營運要求都已經確定。
根據 classification documentation,此功能要求 PostgreSQL 18 或更新版本,以及版本 1.6.1 或以上的 google_ml_integration 擴充套件。擴充套件是為資料庫新增功能的已安裝套件。相關的 AI 查詢引擎及預覽設定亦必須啟用。
ai.classify 接受由開發人員提供的類別。它支援選擇單一類別,或傳回多個適用標籤。開發人員可加入類別描述及範例,為模型提供更多有關預期區分方式的背景。
這種設計將工作重心從撰寫模型指令,轉向定義分類任務。團隊仍須決定各類別的涵義,也必須決定應如何處理重疊、不完整或含糊的輸入。
以一則假設的支援訊息為例:內容涉及損壞產品及未獲回覆的退款要求。單一標籤會迫使系統作出分流選擇。多個標籤可保留兩項關注事項,但下游系統必須理解如何處理這個組合。
ai.extract 處理的是另一個問題:把自由格式文字轉為所要求的欄位。其 structured extraction documentation 說明可如何使用綱要及文字描述,指定所需資訊。綱要定義預期欄位及其資料類型。
以示範性的銷售工作流程而言,這些欄位可能包括聯絡人姓名、公司、職位及所述需求。資料庫介面讓這項要求更容易在已儲存的對話記錄附近表達,但它並不保證每個擷取欄位都能準確反映對話內容。
這是 Google 主張的第一條界線。這些函數將常見 AI 任務封裝為資料庫介面,但不會消除那些決定所得標籤及欄位是否有用的業務決策。
應用程式團隊面對較小的整合工作
最明顯的即時好處,是減少圍繞重複文字處理任務的協調程式碼。
設想一個假設的支援營運:它把收到的訊息儲存在交易資料庫中,也就是記錄當前業務活動的系統。其應用程式需要用於分流的標籤,以及用於跟進的擷取詳情。如沒有整合式介面,開發人員便須透過另一個處理層協調這些要求。
該處理層有其合理職責:選取紀錄、提供指令、調用模型、解讀回應及記錄結果。它亦需要處理失敗及重複處理的政策。即使每個元件均可管理,合併後的維護工作仍會成為產品的一部分。
AlloyDB AI functions 挑戰的是,對直接的分類及擷取工作而言,整個處理層是否必要。若資料庫可直接表達要求,應用程式開發人員便要建立較少整合元件。這是一個具體的架構選項,而非聲稱所有外部處理都應消失。
壓力最集中於那些主要用途是於儲存系統與推論服務之間搬運文字的內部服務。推論是指執行模型以產生答案。當某項服務除了協調工作外幾乎沒有額外價值時,資料庫函數便是可信的替代候選方案。
更複雜的工作流程仍是另一回事。應用程式可能需要查詢多個系統、要求人手審批,或在不同模型供應商之間作選擇。這些要求超出了為已儲存文字指派標籤或擷取欄位的範圍。
因此,決定取決於所替代的工作。精簡的分類任務比整個個案管理流程更適合用作評估對象。把兩者視為等同,會誇大這項公告所能證明的內容。
資料庫團隊亦會承擔更明顯的角色。一旦模型調用出現在查詢內,管理員便需要了解哪些工作負載依賴它們。應用程式擁有權與資料庫擁有權,會在效能、權限及營運故障排除方面變得更緊密相連。
這項轉變改變了採購討論。工程主管應問的是,整合是否移除了重複的維護工作,而非查詢是否看起來更短。當較短程式碼同時帶來更清晰、更易維護的營運模式時,它才真正有用。
對已使用 AlloyDB 的團隊而言,評估可聚焦於一個範圍受控的工作流程。對正考慮遷移資料庫的機構來說,這些函數本身提供的理由則較為有限。遷移營運資料庫涉及的責任遠不止文字增強。
這項公告亦為知識工作者帶來一個有用的區分。在資料庫內結構化客戶紀錄,與搜尋個人筆記及技術檔案服務的是不同需要。一個 searchable knowledge base 處理的是跨文件存取工作知識的問題。
這些方法可在同一機構內並存。資料庫增強支援應用程式行為及報告;個人知識工具則支援人們在工作期間尋找及連結資訊。正確選擇取決於資訊所在位置,以及某人需要作出的決定。
對正在評估 AlloyDB 與應用程式 AI 的開發人員而言,實際比較在於擁有權:哪種方法令故障更易診斷、變更更易審核,以及輸出更易驗證?這比計算刪除了多少行程式碼更有用。
批次處理改變模型調用的經濟效益
執行策略與函數名稱的便利程度同樣重要。
將模型調用放入查詢中,並不會自動令處理更有效率。資料庫操作可以觸及大量紀錄,而逐一評估每項紀錄會引入重複工作。整合的品質部分取決於如何組織這些要求。
Google 說明了智慧批次處理,它會將合資格輸入分組以供模型處理。其 batching documentation 解釋,查詢引擎可收集 AI 操作,而非透過一般的順序執行方式評估每次合資格調用。這讓資料庫在協調推論方面扮演角色。
11 月文章強調在 WHERE 表達式中進行批次處理,該表達式決定查詢會傳回哪些紀錄。現行文件則說明了更廣泛的支援,包括輸出表達式,以及涉及合併資料表或資料變更的合資格操作。因此,讀者應對照現行文件,檢查其已安裝設定。
這項差異亦限制了對路線圖的詮釋方式。網誌將擴展至 WHERE 以外描述為未來工作;現行文件則已說明更廣泛的執行支援。過時公告不應凌駕於特定部署可用的實作指引之上。
其背後的經濟論點容易理解。針對不同要求重複傳送共用指令,可能產生不必要的處理開銷。將合適輸入分組,便有機會分攤該工作,但實際節省程度取決於模型及工作負載。
Google 表示,批次處理可改善執行效率並減少提示開銷。這些說法仍應視為歸屬於產品的主張。該公告沒有提供獨立基準測試,證明可在所有客戶工作負載中取得相同改善。
對企業買家而言,吞吐量及回應時間回答的是不同問題。吞吐量衡量在一段時間內完成多少工作;回應時間則衡量某個特定要求需時多久。背景增強工作與互動式應用程式,可能對這些結果有不同取向。
設想一項示範性的夜間流程,為累積的客戶意見加上標籤。其優先事項或許是可預測地完成積壓工作。至於在要求處理期間分類文字的面向使用者畫面,則面對另一個限制:使用者正在等待答案。
兩種工作負載都可使用同一函數,同時需要不同的部署決策。因此,整體效能主張無法決定推論是否適合置於特定應用程式路徑之中。應用程式的時間要求仍決定何謂可接受。
查詢設計同樣重要。任務應只處理與其目的相關的紀錄。熟悉的 SQL 介面不應鼓勵廣泛的模型評估,尤其當一般業務條件可先縮小工作範圍時。
重複評估亦值得同樣審視。如來源文字未有變更,重新計算其詮釋可能價值不大。是否重用早前結果,是一項應用程式設計決策,需要針對新鮮度及模型變更制定清晰規則。
這些考量解釋了,為何 AlloyDB AI 函數的影響不只是語法上的便利。它們讓資料庫承擔更多協調模型工作的責任。其效益必須透過已完成、可實際使用的成果及其營運負擔來評估。
最有力的評估方式,是在相同的驗收標準下比較等效任務。當中應包括失敗輸出、重新處理及人工審核。否則,較快的查詢可能會被誤認為較佳的端到端工作流程。
結構化輸出仍需驗證
格式正確的欄位,仍可能包含錯誤資訊。
這是將擷取工作移入 SQL 的核心限制。結構化結果較容易供軟件使用,但格式與正確性是兩種不同的屬性。這種整合改善了介面,卻不會令模型的詮釋變得具權威性。
設想一張示例發票,當中包含開立日期、付款期限及交付日期。擷取出的日期在語法上可以有效,卻可能指向錯誤的事件。若下游流程自動接納該日期,便只會以更方便的形式保留這個錯誤。
分類亦有相同問題。客戶訊息可能表達不滿,卻沒有要求取消服務。若團隊對分類定義不佳,即使傳回的標籤乾淨明確,個案仍可能被送進錯誤的工作流程。
範例和類別說明有助傳達意圖,但它們也會成為須持續維護的任務定義一部分。更改它們可以改變行為。團隊應把這些變動視為具影響力的應用程式決策,而不是附帶的查詢修改。
同樣道理亦適用於擷取欄位。要求擷取客戶明確提出的需求,與要求推斷潛在銷售機會並不相同。前者是在來源中尋找證據;後者則引入詮釋。一個清晰的欄位名稱應讓這個分別一目了然。
以營運角度理解 AlloyDB AI 函數時,驗證正是模型輸出與業務行動之間的橋樑。結果可以先支援審核,然後才獲准觸發不可逆轉的步驟。這條界線應取決於錯誤帶來的後果。
這一點尤其適用於臨床筆記等敏感例子。Google 將醫療保健資訊擷取列為可能的使用案例。這個例子並不代表已獲臨床驗證、監管批准,或適合任何機構的特定紀錄。
關於資料位置的說法同樣需要精確理解。Google 的 功能公告指出,批次輸入會傳送至 Gemini Enterprise Agent Platform 模型。透過 SQL 呼叫這些模型,並不表示推理完全在資料庫程序內進行。
因此,機構應檢視實際的處理路徑。相關問題包括所選服務、區域、權限,以及適用的資料處理條款。較簡單的應用程式架構可以減少協調環節,但不會免除理解資訊在哪裡被處理的需要。
成本也遵循同一邏輯。將請求帶入 SQL,並不表示模型處理免費。買方應區分資料庫工作與推理用量,並評估完整工作負載。
還有一個實務問題:生成結果如何成為已儲存的業務事實。建議的擷取結果可以維持為建議,直至另一個流程驗證它為止。自動更新具權威性的紀錄,需要比顯示候選欄位更高的標準。
Google 的路線圖提到逐行溯源,即把擷取出的答案與支持它的來源文字連結起來。該網誌將這項功能列為計劃中的工作。買方不應假定預覽版已提供這條證據鏈。
在部署尚未提供合適歸屬資訊前,團隊需要自備方法來保留來源脈絡。審核者應能檢視有爭議結果背後的文字。沒有這種連結,方便的輸出可能會變得難以稽核。
這些屬於部署考量,而非證明預覽版失敗的證據。現有材料說明了功能及預期效益,卻未能為每個建議使用案例確立經獨立驗證的準確度、工作負載經濟效益或營運成果。
Snowflake 顯示 SQL 整合為何正成為競爭焦點
Google 正在既有的產品類別中,就 AI 工作應放在哪裡展開競爭。
Snowflake 的 AI 分類函數同樣接受使用者定義的類別、說明及範例,並支援單一標籤及多標籤結果。這種重疊建立了具體的比較基礎,卻不能證明任何一種實作表現更佳。
這種相似性很重要,因為它改變了差異化的標準。透過 SQL 表達的分類功能已在其他地方提供。Google 必須令這種方式在 AlloyDB 的營運環境中發揮作用,而不能只依靠某個具名函數的存在。
更廣泛的競爭,是任務專用的資料庫介面與由應用程式管理的模型編排之間的競爭。編排是指協調處理步驟與服務。每種路線都讓團隊在不同位置管理行為、故障及整合變更。
當輸入已儲存在資料庫中,而要求的操作界定清晰時,資料庫介面便很吸引。當處理跨越多個系統或需要自訂控制時,應用程式層仍具吸引力。兩種優勢都不能決定所有架構選擇。
因此,AlloyDB 與應用程式 AI 的比較,應在工作負載層面進行評估。有用的問題是,某項具體任務是否變得更容易營運。宣稱可取代應用程式流程的廣泛說法,忽略了那些流程包含必要業務邏輯的情況。
競爭對手的文件亦提醒我們,任務設定會影響結果。Snowflake 討論了類別清晰度及範例作為影響分類行為的因素。教訓是普遍的:專用介面不會消除審慎定義任務的需要。
對買方而言,名稱相近不應意味著合約可互換。輸出結構、錯誤處理、支援的輸入及存取要求都可能不同。遷移評估需要檢視這些細節,而不是假定名稱相近的函數行為完全一致。
當現有 AlloyDB 工作負載能以有限的額外協調採用這些函數時,Google 的定位會更具說服力。這比宣稱對外部服務具有普遍優勢,是較狹窄且更可驗證的主張。
應用程式團隊亦應清楚劃定業務期望的界線。「需要帳單審核」一類路由決定,應有獨立於實作方式的文件化意義。這會令評估模型或處理系統的變更更容易。
競爭上的後果,是為日常整合工作提供理據的壓力增加。若受管資料庫能充分處理一項任務,維護獨立服務便需要具體理由。相反,當自訂服務提供可量度的控制能力,或提供資料庫介面欠缺的功能時,它仍保有價值。
對關注 AlloyDB AI 函數的讀者而言,這正是公告以外的意義。模型存取正成為資料庫產品討論的一部分。採購決策愈來愈包括:誰負責協調推理,以及誰擁有由此產生的營運行為。
買方未來三個月應留意甚麼
下一批有用證據將關乎可用性、量度結果及可追溯性。
第一個訊號,是這些預覽函數更清晰的正式生產承諾。買方應留意發行說明中有關推出狀態、支援配置及營運指引的變更。正式全面推出將提高規劃較長期整合時的信心。
較長的預覽期並不表示這些函數無效,但會令實驗與生產承諾之間的分別繼續重要。機構仍須把其變更容忍度,配合工作負載的重要性。
第二個訊號,是與由應用程式管理的實作進行可重現的比較。該比較應使用等效的來源紀錄、任務定義及驗收標準。只量度成功的模型回應,會忽略企業實際必須營運的部分工作。
具說服力的結果,應展示有用輸出及總處理工作量。審核負擔、失敗請求及重複處理,都會影響整合方式是否真正節省工作。在這些方面有所改善,會加強 Google 有關維護效益的論點。
若結果只是把複雜性移入資料庫營運,便會削弱更廣泛的主張。應用程式或會變得更精簡,但在其他地方除錯可能更困難。買方需要整個工作流程的證據,而非只看最有利的一個組件。
第三個訊號,是提供更佳的可追溯性,包括 Google 路線圖中討論的逐行溯源。當審核者能找到確切的支持文字,擷取便會更有用。這項功能可協助團隊區分忠實擷取與缺乏支持的詮釋。
成本優化亦屬於這項討論的一部分,但路線圖的提及並非交付承諾。買方應尋找有文件記錄的行為及可檢查的結果。當網誌與現行實作指引描述不同開發階段時,也應抱持同樣審慎的態度。
這些訊號令評估緊扣公告的核心承諾:減少把已儲存文字轉化為可用應用程式資料所需的工作。它們亦可防止方便的介面成為營運模式的替代品。
作初步評估時,應選擇一個可控制的工作流程,讓錯誤標籤或欄位在改變重要紀錄前可被審核。保留原始文字,並記錄何謂正確答案。以相同輸入及審核標準,比較整合式查詢與現有流程。追蹤診斷故障、更新任務定義及批准輸出所需的工作量。然後再決定 AlloyDB AI 函數是否令該特定工作流程更容易維護。你目前的應用程式中,哪項任務只是為了分類文字或擷取欄位而需要獨立服務?又需要甚麼證據,才能證明值得把它移入資料庫?



