أبرز النقاط
- PostgreSQL تدعم استعلامات المتجهات وJSONB والبيانات العلائقية في قاعدة واحدة لتشغيل وكلاء AI
- تقنية تكميم المتجهات Vector Quantization تسرّع الاستعلامات بمعامل 4x
- فهرسة HNSW تحقق نسبة استرجاع عالية تتجاوز 95% للبحث الدلالي
لماذا تحتاج إلى خمس قواعد بيانات مختلفة لتشغيل وكيل ذكاء اصطناعي واحد؟ هذا السؤال طرحته Gwen Shapira، المؤسسة المشاركة ومديرة المنتجات في شركة Nile، خلال مؤتمر QCon AI، لتقدّم إجابة عملية: PostgreSQL وحدها قادرة على تولي المهمة بالكامل، مع تسريع استعلامات المتجهات بمعامل 4 أضعاف باستخدام تقنية تكميم المتجهات.
Shapira، التي قادت سابقاً فريق هندسة Kafka السحابي في Confluent وشاركت في تأليف كتاب Kafka: The Definitive Guide، تمتلك خبرة تتجاوز 20 عاماً في بناء بنى بيانات موثوقة وقابلة للتوسع. ملاحظاتها تستند إلى تجارب عملاء Nile الذين يبنون ميزات AI في تطبيقات حرجة تتطلب موثوقية عالية.
لماذا PostgreSQL بدلاً من قواعد بيانات المتجهات المتخصصة؟
الفكرة المركزية التي قدمتها Shapira بسيطة: وكلاء الذكاء الاصطناعي في بيئات الإنتاج يحتاجون إلى نوعين من السياق — سياق حتمي deterministic وسياق دلالي semantic. السياق الحتمي يشمل بيانات منظمة مثل سجلات المستخدم والمعاملات والإعدادات، بينما السياق الدلالي يتطلب بحثاً بالتشابه في المتجهات للعثور على المعلومات ذات الصلة.
قواعد البيانات المتخصصة في المتجهات مثل Pinecone أو Weaviate تتفوق في البحث الدلالي، لكنها تجبرك على إدارة قاعدة بيانات إضافية ومزامنة البيانات بينها وبين قاعدتك العلائقية. PostgreSQL مع إضافة pgvector تقدم الحلين معاً: بيانات علائقية وJSONB ومتجهات في مكان واحد.
كيف تحقق HNSW نسبة استرجاع تتجاوز 95%؟
فهرسة HNSW — اختصار Hierarchical Navigable Small World — هي الخوارزمية التي تجعل البحث في ملايين المتجهات سريعاً وفعالاً. بدلاً من مقارنة كل متجه بكل متجه آخر (تعقيد O(n))، تبني HNSW رسماً بيانياً متعدد الطبقات يسمح بالقفز السريع نحو النتائج الأقرب.
النتيجة العملية: استعلامات بحث دلالي تعود في أجزاء من الثانية مع نسبة استرجاع recall تتجاوز 95%، مما يعني أنك نادراً ما تفقد نتيجة ذات صلة. هذا المستوى من الدقة ضروري عندما يعتمد وكيل AI على السياق المسترجع لاتخاذ قرارات حقيقية.
تسريع 4 أضعاف: ما تكميم المتجهات وكيف يعمل؟
المتجهات الكثيفة التي تنتجها نماذج التضمين مثل OpenAI ada-002 أو Cohere embed تستهلك ذاكرة كبيرة — كل متجه بأبعاد 1536 يحتاج حوالي 6 كيلوبايت بدقة float32. عندما تتعامل مع عشرات الملايين من المتجهات، تصبح الذاكرة عنق الزجاجة.
تقنية تكميم المتجهات Vector Quantization تضغط هذه المتجهات إلى تمثيلات أصغر — مثلاً int8 بدلاً من float32 — مع خسارة طفيفة في الدقة. النتيجة التي قدمتها Shapira: تسريع الاستعلامات بمعامل 4x مع الحفاظ على جودة النتائج في معظم حالات الاستخدام.
إدارة ذاكرة الوكيل: التحدي الذي لا يتحدث عنه أحد
وكلاء AI ليسوا مجرد نماذج لغوية — إنهم أنظمة تحتفظ بحالة وتتخذ قرارات متسلسلة. هذا يعني أنهم يحتاجون إلى ذاكرة: ذاكرة قصيرة المدى للمحادثة الحالية، وذاكرة طويلة المدى للتعلم من التفاعلات السابقة.
Shapira ناقشت استراتيجيات عملية لإدارة هذه الذاكرة في PostgreSQL: تخزين سجل المحادثات في JSONB مع فهرسة GIN للبحث السريع، واستخدام المتجهات لتلخيص وضغط المحادثات القديمة، وتطبيق سياسات انتهاء صلاحية TTL لمنع تضخم البيانات.
- JSONB مع فهرسة GIN للبحث في سجلات المحادثات المنظمة
- متجهات التلخيص لضغط الذاكرة طويلة المدى
- سياسات TTL للتحكم في نمو البيانات
- فصل الذاكرة حسب المستأجر في تطبيقات SaaS متعددة المستأجرين
Google أثبتت أن البيانات تصنع الفارق في AI
في سياق أوسع، أشارت Shapira إلى التحول الدراماتيكي في سوق AI المؤسسي. في 2023، سيطرت OpenAI على المشهد بالكامل. بحلول 2025، تقدمت Anthropic بقوة وأثبتت Google أن إعلان وفاتها كان سابقاً لأوانه.
ما الذي يفسر عودة Google؟ Shapira ترى أن السبب هو عقدين من التفوق في معالجة البيانات على نطاق واسع. في المقابل، Apple — الشركة الاستهلاكية الأولى في العالم — تبدو متخلفة بشكل مفاجئ. حتى Apple TV في 2025 لا يقدم توصيات مخصصة، ميزة أتقنتها Netflix منذ عقد.
الدرس للمطورين: البنية التحتية للبيانات ليست تفصيلاً تقنياً، بل هي الأساس الذي يحدد ما يمكنك بناؤه لاحقاً.
متى تختار PostgreSQL ومتى تحتاج بديلاً؟
PostgreSQL مع pgvector خيار ممتاز عندما تحتاج إلى دمج البيانات العلائقية مع البحث الدلالي في تطبيق واحد، خاصة إذا كان فريقك يمتلك خبرة في PostgreSQL. الميزة الإضافية: أنت لا تضيف نقطة فشل جديدة إلى بنيتك.
لكن إذا كان حجم المتجهات يتجاوز مئات الملايين وتحتاج إلى أداء استعلام أقل من 10 مللي ثانية، فقد تحتاج إلى قاعدة بيانات متخصصة. Pinecone وWeaviate وMilvus صُممت لهذا المقياس، لكنها تأتي بتكلفة تعقيد إضافية.
رأي Logicity
ما لم تذكره Shapira صراحة هو التسعير. Pinecone يبدأ من خطة مجانية محدودة ثم يقفز إلى 70 دولاراً شهرياً للخطة المدفوعة، بينما PostgreSQL مع pgvector على خدمات مثل Supabase أو Neon يمكن أن يكلف أقل من 25 دولاراً شهرياً لأحمال عمل مماثلة. بالنسبة للشركات الناشئة التي تبني ميزات AI، هذا الفارق في التكلفة — مع تبسيط البنية — قد يكون العامل الحاسم. المنافسون الآخرون مثل Qdrant يقدمون خياراً مفتوح المصدر للاستضافة الذاتية، لكنهم يتطلبون خبرة DevOps إضافية.
الأسئلة الشائعة
هل pgvector مناسبة للإنتاج أم للتجريب فقط؟
pgvector أصبحت جاهزة للإنتاج، خاصة بعد إضافة دعم HNSW في الإصدارات الأخيرة. شركات مثل Supabase وNeon تستخدمها في بيئات إنتاج تخدم آلاف العملاء.
كم متجهاً يمكن لـ PostgreSQL التعامل معه بكفاءة؟
مع فهرسة HNSW وتكميم المتجهات، يمكن لـ PostgreSQL التعامل بكفاءة مع عشرات الملايين من المتجهات. ما بعد ذلك قد يتطلب قواعد بيانات متخصصة أو تقسيم البيانات.
ما الفرق بين HNSW وIVFFlat في pgvector؟
IVFFlat أسرع في البناء وأقل استهلاكاً للذاكرة، لكن HNSW تقدم نسبة استرجاع أعلى وأداء استعلام أفضل. للتطبيقات التي تتطلب دقة عالية، HNSW هي الخيار الأفضل.
كيف أبدأ بإضافة بحث المتجهات إلى تطبيقي الحالي؟
ابدأ بتثبيت إضافة pgvector على PostgreSQL، ثم أنشئ عموداً من نوع vector بالأبعاد المناسبة لنموذج التضمين الذي تستخدمه، وأضف فهرس HNSW. يمكنك البدء بأقل من 20 سطراً من SQL.
هل تحتاج مساعدة في التطبيق؟
إذا كنت تخطط لدمج PostgreSQL مع وكلاء AI في تطبيقك، فريق Logicity يمكنه مساعدتك في تقييم البنية المناسبة لحالتك. تواصل معنا للحصول على استشارة تقنية مخصصة.
فاطمة الزهراء
كاتبة تقنية متخصصة في الذكاء الاصطناعي
أُنتِج هذا المقال بمساعدة الذكاء الاصطناعي وراجعه فريق التحرير في لوجيسيتي. اعرف المزيد في سياسة التحرير.
