Google AlloyDB AI Functions 将文本处理引入 SQL
Google 详细介绍了两项处于预览阶段的 AlloyDB AI functions,可将文本分类和提取工作移入数据库查询,对是否还需要独立的应用处理管道提出了挑战。这两项函数 ai.classify 和 ai.extract 让开发者能够通过 SQL 请求标签和结构化字段;SQL 是用于查询关系型数据库的语言。它们简化了应用调用 AI 的方式,但模型准确性、推理成本和数据处理仍是运营层面的责任。
开发者对另一种做法已很熟悉:从数据库获取文本,将其发送给模型,解读响应,再把有用结果写回。Google 正将其中一部分协调工作移入 AlloyDB——其托管式、兼容 PostgreSQL 的数据库。直接受到影响的是那些主要负责连接存储文本与模型服务的应用代码。
Snowflake 已提供类似的分类和提取函数,因此这项公告已有成熟的行业参照。Google 的具体主张聚焦于运营数据,包括支持工单、评论和业务记录。问题在于,将 AI 引入数据库查询,是否能充分减少维护工作,从而证明让依赖模型的任务更贴近日常应用运营是合理的。
AlloyDB AI Functions 为数据库查询增加明确任务
这一变化提供了更具体的接口,用于要求模型处理数据库中的文本。
分类会将文本归入类别,提取则从文本中获取所需信息。这两项任务对 AI 应用而言都不新鲜。产品层面的变化在于,开发者可以通过具名数据库函数表达这些任务,而无需自行组装每一次交互。
时间点需要谨慎看待。Google 的 AlloyDB release notes 显示,这两项函数于 2026 年 10 月 27 日以预览形式提供。其 11 月的博客文章随后说明了它们的行为和示例。因此,这项公告扩展了对现有预览功能的公开说明,并不意味着 11 月是其最早有文档记录的可用时间。
对于考虑将这些函数用于重要工作流的买家而言,预览状态很重要。它区分了已可使用的功能与具备成熟生产预期、正式全面可用的服务。组织可以现在评估这些函数,而不应假定所有运营要求都已落实。
根据 classification documentation,该功能需要 PostgreSQL 18 或更高版本,以及版本为 1.6.1 或更高的 google_ml_integration 扩展。扩展是为数据库增加能力的已安装软件包。还必须启用相关的 AI 查询引擎和预览设置。
ai.classify 接受由开发者提供的类别。它支持选择单一类别,或返回多个适用标签。开发者可以添加类别说明和示例,为模型提供更多有关预期区分方式的上下文。
这一设计将工作重点从编写模型指令转向定义分类任务。团队仍需决定其类别的含义,也必须确定应如何处理重叠、不完整或模糊的输入。
以一条假设的支持消息为例:其中提到产品损坏和未获回复的退款请求。单一标签迫使系统做出路由选择。多个标签可保留这两种关切,但下游系统必须了解如何处理这种组合。
ai.extract 面向另一类问题:将自由格式文本转换为所需字段。其 structured extraction documentation 介绍了用于指定目标信息的模式和文本描述。模式定义了预期字段及其数据类型。
以一个示例性销售工作流为例,这些字段可能包括联系人姓名、公司、职位和明确提出的需求。数据库接口使得在已存储的对话记录附近表达这一请求更为容易。但这并不能证明每个提取字段都能准确反映对话内容。
这是 Google 主张的第一条边界。这些函数将常见 AI 任务封装为数据库接口,但并未消除那些决定最终标签和字段是否有用的业务判断。
应用团队面临更小的集成工作量
最明确的即时好处,是减少围绕重复性文本处理任务的协调代码。
设想一个假设性的支持运营场景:它将传入消息存储在事务型数据库中,即记录当前业务活动的系统。其应用需要用于路由的标签,以及用于后续跟进的提取详情。若没有集成接口,开发者必须通过另一层处理系统协调这些请求。
这一层承担着合理的职责:选择记录、提供指令、调用模型、解读响应并记录结果。它还需要针对失败和重复处理制定策略。即使每个组件都易于管理,它们的组合维护仍会成为产品的一部分。
AlloyDB AI functions 对于整层架构是否都必不可少提出了质疑。如果数据库可以直接表达请求,应用开发者需要构建的集成组件就更少。这是一种具体的架构选择,而非宣称所有外部处理都应消失。
压力主要落在内部服务上:其核心目的只是让文本在存储系统与推理系统之间流动。推理是指运行模型以生成答案。当一个服务除了这种协调外几乎没有新增价值时,数据库函数便是可信的替代候选方案。
更复杂的工作流仍是另一回事。应用可能需要查询多个系统、请求人工审批,或在不同模型提供商之间进行选择。这些要求超出了从存储文本中分配标签或提取字段的范畴。
因此,决策取决于被替代的具体工作。相较于完整的案件管理流程,一个紧凑的分类任务更适合进行评估。将两者视为等同,会夸大这项公告实际确立的内容。
数据库团队也会承担更显著的角色。一旦模型调用出现在查询中,管理员就需要了解哪些工作负载依赖于它们。应用所有权和数据库所有权会围绕性能、权限和运营排障变得更加紧密。
这种变化也改变了采购讨论。工程负责人应当问:这种集成是否消除了重复性维护,而不只是查询是否变短。更短的代码只有在同时带来更清晰、更易维护的运营模式时才有价值。
对于已经使用 AlloyDB 的团队,评估可以聚焦于一个范围受控的工作流。对于正在考虑数据库迁移的组织而言,仅凭这些函数提供的理由则更有限。迁移运营数据库涉及的责任远不止文本增强。
这项公告还为知识工作者带来了一个有用区分。在数据库内构建客户记录的结构化信息,与搜索个人笔记和技术文件服务于不同需求。searchable knowledge base 解决的是跨文档获取工作知识的问题。
这两种方法可以在同一组织内并存。数据库增强支持应用行为和报告;个人知识工具支持在工作中查找和关联信息。正确选择取决于信息所在的位置,以及人们需要做出的决策。
对于评估 AlloyDB 与应用 AI 的开发者而言,实际比较的关键在于所有权。哪种方法更容易诊断故障、更容易审查变更,并且更容易验证输出?这比计算减少了多少行代码更有价值。
批处理改变模型调用的经济性
执行策略与函数名称带来的便利同样重要。
将模型调用置于查询中,并不会自动提高处理效率。数据库操作可能涉及许多记录,逐条独立评估会引入重复工作。集成质量部分取决于这些请求的组织方式。
Google 介绍了智能批处理,它会将适合的输入分组交由模型处理。其 batching documentation 说明,查询引擎可以汇集 AI 操作,而不是通过常规顺序执行来评估每一次符合条件的调用。这让数据库能够参与协调推理工作。
11 月的文章强调了 WHERE 表达式中的批处理,该表达式决定查询返回哪些记录。当前文档描述了更广泛的支持,包括输出表达式,以及涉及组合表或数据变更的适用操作。因此,读者应将已安装配置与当前文档进行核对。
这一差异也限制了对路线图的解读方式。博客将超出 WHERE 的扩展讨论为未来工作;而当前文档已描述了更广泛的执行支持。带有日期的公告不应取代特定部署可用的实施指南。
其背后的经济逻辑不难理解。为单独请求重复提供共享指令,可能会造成不必要的处理开销。将合适的输入分组,为摊销这些工作创造了机会,尽管实际节省程度取决于模型和工作负载。
Google 表示,批处理可提高执行效率并减少提示开销。这些说法仍应被视为归属于产品方的主张。该公告并未提供独立基准,以证明在客户工作负载中也能实现同等改善。
对于企业买家而言,吞吐量和响应时间回答的是不同问题。吞吐量衡量一段时间内完成了多少工作;响应时间衡量某个特定请求需要多久。后台增强任务和交互式应用可能会对这些结果赋予不同价值。
设想一个示例性的夜间流程,对累积的客户反馈进行标注。它的优先级可能是可预测地完成积压任务。一个在请求期间对文本进行分类的面向用户界面则面临不同约束:用户正在等待答案。
这两类工作负载可以使用同一函数,却需要不同的部署决策。因此,汇总性的性能主张无法决定推理是否应进入某一特定应用路径。应用的时间要求仍决定什么是可接受的。
查询设计依然重要。任务应仅处理与其目的相关的记录。熟悉的 SQL 接口不应鼓励在常规业务条件可以先缩小范围时,进行大范围的模型评估。
重复评估同样值得审查。如果源文本未发生变化,重新计算其解释可能价值有限。是否复用先前结果属于应用设计决策,需要针对时效性和模型变更制定明确规则。
这些考量说明,AlloyDB AI functions 的意义远不止语法上的便利。它们让数据库承担了更多协调模型工作的责任。其价值应通过已完成、可用的成果及其运营负担来衡量。
最有力的评估方式,是在相同验收标准下比较等价任务。评估还应纳入失败的输出、重复处理以及人工审核。否则,速度更快的查询可能被误认为是更优的端到端工作流。
结构化输出仍需验证
格式正确的字段,仍可能包含错误信息。
这是将提取任务移入 SQL 的核心局限。结构化结果更便于软件使用,但格式与正确性是两种不同的属性。该集成改善了接口,却不能让模型的解读成为权威结论。
以一张包含开票日期、付款截止日期和交付日期的示例发票为例。提取出的日期在语法上可能有效,却可能对应了错误事件。若下游流程自动接受该日期,错误只会以更方便的形式被保留下来。
分类也存在相同问题。客户消息可能表达不满,却并未要求取消服务。如果团队对类别的定义不佳,即使返回的标签很规范,也可能将该案例送入错误的工作流。
示例和类别描述有助于传达意图,但它们也会成为需要维护的任务定义的一部分。更改这些内容可能改变系统行为。团队应将此类更改视为具有影响力的应用决策,而非无关紧要的查询编辑。
提取字段也是如此。询问客户明确提出的需求,与询问可推断出的销售机会并不相同。前者寻求源文本中的证据;后者则引入了解读。清晰的字段名称应让这种区别一目了然。
从运营角度解释 AlloyDB AI functions 时,验证是连接模型输出与业务行动的桥梁。结果可以先支持审核,之后才获得触发不可逆步骤的许可。这个边界应由错误造成的后果来决定。
这对于临床记录等敏感示例尤为相关。Google 将医疗信息提取列为一个可能的使用场景。但这一示例并不能证明其已获得临床验证、监管批准,或适用于某个组织的特定记录。
数据位置的说法同样需要严谨。Google 的功能公告称,批量输入会被发送至 Gemini Enterprise Agent Platform 模型。通过 SQL 调用这些模型,并不意味着推理完全在数据库进程内部进行。
因此,组织应审查实际的数据处理路径。相关问题包括所选服务、区域、权限以及适用的数据处理条款。更简单的应用架构可以减少协调环节,但并不能免除了解信息在何处被处理的需要。
成本也遵循同样的逻辑。将请求纳入 SQL 并不能证明模型处理没有成本。采购方应区分数据库工作与推理消耗,并评估完整工作负载。
还有一个实际问题:生成结果如何成为已存储的业务事实。建议的提取结果可以保持为建议,直到另一个流程对其进行验证。自动更新权威记录所需的标准,应高于仅展示候选字段。
Google 的路线图提到行级溯源,即在提取出的答案与其支持性源文本之间建立关联。该博客将这项能力描述为计划中的工作。采购方不应假设预览版已经提供了这条证据链。
在部署尚未具备适当归因能力之前,团队需要自行保留源上下文的方法。审核人员应能够检查存在争议结果背后的文本。缺少这种关联后,方便的输出可能变得难以审计。
这些属于部署层面的考量,而非证明预览版失效的证据。现有材料说明了功能及其预期收益,但并未确立每个拟议使用场景中经独立验证的准确性、工作负载经济性或运营成果。
Snowflake 说明 SQL 集成正成为竞争焦点
Google 正在围绕 AI 工作应放在哪里展开竞争,而这已是一个成熟的产品类别。
Snowflake 的AI classification function同样接受用户定义的类别、描述和示例。它支持单标签和多标签结果。这种重叠构成了具体的比较基础,但并不能证明任一实现的表现更好。
这种相似性之所以重要,是因为它改变了差异化的标准。通过 SQL 表达的分类能力已在其他地方可用。Google 必须让这种方法在 AlloyDB 的运营环境中真正有用,而不能仅依赖某个具名函数的存在。
更广泛的竞争存在于特定任务的数据库接口与由应用管理的模型编排之间。编排是对处理步骤和服务的协调。每条路径都为团队提供了不同的位置,以管理行为、故障和集成变更。
当输入数据已存储在数据库中且请求的操作边界清晰时,数据库接口很有吸引力。当处理跨越多个系统或需要自定义控制时,应用层仍然很有吸引力。这两种优势都无法决定所有架构选择。
这正是为什么应在工作负载层面评估 AlloyDB 与应用 AI 的差异。关键问题是特定任务是否变得更易运营。关于替代应用管道的笼统说法,忽略了这些管道包含关键业务逻辑的情形。
竞争对手的文档也提醒我们,任务配置会影响结果。Snowflake 将类别清晰度和示例列为影响分类行为的因素。这个教训具有普遍性:专用接口并不能免除仔细定义任务的需要。
对于采购方而言,相似的名称不应被理解为可互换的合同。输出结构、错误处理、支持的输入和访问要求可能不同。迁移评估需要检查这些细节,而不是假设名称相似的函数具有完全相同的行为。
当现有 AlloyDB 工作负载能够以有限的额外协调采用这些函数时,Google 的主张会更具说服力。这比宣称相对外部服务具有普遍优势更狭窄,也更容易验证。
应用团队也应围绕业务预期保留清晰边界。“需要账单审核”这样的路由决策,应具有独立于其实现方式的文档化含义。这使得评估模型或处理系统变更更加容易。
竞争带来的结果,是对证明日常集成工作合理性的压力增加。如果托管数据库能够充分完成一项任务,维护独立服务就需要明确理由。反过来,当自定义服务提供数据库接口缺少的可衡量控制能力或功能时,它们仍然具有价值。
对于关注 AlloyDB AI functions 的读者而言,这就是公告之外的重要性。模型访问正成为数据库产品讨论的一部分。采购决策越来越涉及谁来协调推理,以及谁拥有由此产生的运营行为。
采购方未来三个月应关注什么
接下来有价值的证据将涉及可用性、可衡量成果和可追溯性。
第一个信号是这些预览函数更明确的生产承诺。采购方应关注发行说明中关于发布状态、支持配置和运营指导的变化。正式发布将增强人们对规划长期集成的信心。
更长时间的预览并不能证明这些函数无效。它只会让实验与生产承诺之间的区别继续具有现实意义。组织仍需要让自身对变更的容忍度与工作负载的重要性相匹配。
第二个信号是与应用管理实现之间可复现的比较。该比较应使用等价的源记录、任务定义和验收标准。仅衡量成功的模型响应,会遗漏企业实际必须运营的一部分工作。
有说服力的结果应同时展示有用的输出和总处理投入。审核负担、失败请求和重复处理都会影响集成式方法是否真正节省工作。在这些维度上的改进,将强化 Google 关于维护成本的论点。
若结果只是将复杂性转移到数据库运营中,则会削弱更广泛的主张。应用可能变得更短,但其他环节的故障排查可能变得更困难。采购方需要关于整个工作流的证据,而非最有利组件的证据。
第三个信号是更好的可追溯性落地,包括 Google 路线图中讨论的行级溯源。当审核人员能够定位确切的支持性文本时,提取结果会更有用。这项能力将帮助团队区分忠实提取与缺乏支持的解读。
成本优化也属于这项讨论的一部分,但路线图中的提及并非交付承诺。采购方应寻找有文档支持的行为和可检查的结果。只要博客与当前实施指南描述的是不同开发阶段,同样的谨慎原则就应适用。
这些信号让评估始终围绕公告的核心承诺:减少将存储文本转化为可用应用数据所需的工作。它们也能避免让便利的接口成为运营模型的替代品。
在初步评估中,应选择一个边界明确的工作流:错误的标签或字段可以在其更改重要记录前接受审核。保留原始文本,并记录正确答案的含义。使用相同输入和审核标准,将集成查询与现有流程进行比较。跟踪诊断故障、更新任务定义和批准输出所需的工作量。然后再决定 AlloyDB AI functions 是否让该特定工作流更易维护。你的应用中,目前哪项任务仅为分类文本或提取字段就需要独立服务?又需要什么证据,才能证明应将其迁入数据库?



