2026 年了，就用 Postgres 吧

本文译自 It’s 2026, Just Use Postgres，作者 Raja Rao DV

摘要：别再管理多个数据库了。Postgres 扩展可以用 BM25、向量、JSONB 替代 Elasticsearch、Pinecone、Redis、MongoDB 和 InfluxDB。

把你的数据库想象成你的家。家里有客厅、卧室、浴室、厨房和车库。每个房间都有不同的用途。但它们都在同一个屋檐下，通过走廊和门相连。你不会因为需要做饭就单独建一栋餐厅建筑。你也不会因为要停车就在城市对面建一个商业车库。

这就是 Postgres。 一个有很多房间的家。搜索、向量、时序、队列——都在一个屋檐下。

但这正是专业数据库厂商不想让你听到的。他们的营销团队花了多年时间说服你”为正确的工作使用正确的工具”。听起来很合理，听起来很明智，而且卖出了很多数据库。

让我告诉你为什么这是一个陷阱，以及为什么在 99% 的情况下 Postgres 是更好的选择。

“使用正确工具”的陷阱

你听过这样的建议：“为正确的工作使用正确的工具。”

听起来很明智。于是你最后用上了：

1. Elasticsearch 用于搜索
2. Pinecone 用于向量
3. Redis 用于缓存
4. MongoDB 用于文档
5. Kafka 用于队列
6. InfluxDB 用于时序
7. PostgreSQL 用于…剩下的东西

恭喜。你现在有七个数据库要管理。七种查询语言要学习。七种备份策略要维护。七个安全模型要审计。六组凭证要轮换。七个监控仪表板要看。还有七个可能在凌晨 3 点出问题的东西。

当某个东西真的出问题了？祝你好运启动一个测试环境来调试它。

这里有一个不同的想法：就用 Postgres。

为什么这在当下很重要：AI 时代

这不仅仅是关于简单性。AI 代理已经让数据库蔓延成为一场噩梦。

想想代理需要做什么：

• 快速启动一个带有生产数据的测试数据库
• 尝试修复或实验
• 验证它是否有效
• 拆除它

用一个数据库？这是一个命令。派生它，测试它，完成。

用七个数据库？现在你需要：

• 协调 Postgres、Elasticsearch、Pinecone、Redis、MongoDB 和 Kafka 的快照
• 确保它们都处于同一时间点
• 启动七个不同的服务
• 配置七个不同的连接字符串
• 希望测试期间没有任何东西漂移
• 完成后拆除七个服务

如果没有大量研发工作，这几乎是不可能的。

而且不仅仅是代理。每次凌晨 3 点有东西出问题，你都需要启动一个测试环境来调试。用六个数据库，这是一场协调噩梦。用一个数据库，这是一个命令。

在 AI 时代，简单性不仅仅是优雅。它是必需的。

“但专业数据库更好！”

让我们直接解决这个问题。

神话： 专业数据库在其特定任务上要优越得多。

现实： 有时它们在狭窄任务上略微更好。但它们也带来了不必要的复杂性。这就像为每顿饭聘请私人厨师。听起来很奢华，但它增加了费用、协调开销，并制造了你以前没有的问题。

关键是：99% 的公司不需要它们。那 1% 的公司有数千万用户和相应的大型工程团队。你读过他们的博客文章，讲的是专业数据库 X 对他们来说有多棒。但那是他们的规模、他们的团队、他们的问题。对于其他所有人，Postgres 已经足够了。

大多数人没有意识到的是：Postgres 扩展使用与专业数据库相同或更好的算法（在很多情况下）。

“专业数据库”的溢价？主要是营销。

这些不是简化版本。它们是相同/更好的算法，经过实战检验，开源，而且通常由同一批研究人员开发。

基准测试也支持这一点：

• pgvectorscale：比 Pinecone 延迟低 28 倍，成本低 75%
• TimescaleDB：在提供完整 SQL 的同时匹配或优于 InfluxDB
• pg_textsearch：正是驱动 Elasticsearch 的 BM25 排名

除了 AI/代理问题之外，数据库蔓延还有复合成本：

认知负担： 你的团队需要 SQL、Redis 命令、Elasticsearch 查询 DSL、MongoDB 聚合、Kafka 模式和 InfluxDB 的非原生 SQL 变通方案。那不是专业化。那是碎片化。

数据一致性： 让 Elasticsearch 与 Postgres 保持同步？你构建同步作业。它们失败了。数据漂移了。你添加对账。那也失败了。现在你在维护基础设施而不是构建功能。

SLA 数学： 三个系统，每个 99.9% 的正常运行时间 = 99.7% 的组合正常运行时间。那是每年 26 小时的停机时间，而不是 8.7 小时。每个系统都会成倍增加你的故障模式。

现代 Postgres 技术栈

这些扩展不是新的。它们已经生产就绪多年了：

• PostGIS：自 2001 年（24 年）。驱动 OpenStreetMap 和 Uber。
• 全文搜索：自 2008 年（17 年）。内置于 Postgres 核心。
• JSONB：自 2014 年（11 年）。与 MongoDB 一样快，还有 ACID。
• TimescaleDB：自 2017 年（8 年）。21K+ GitHub 星标。
• pgvector：自 2021 年（4 年）。19K+ GitHub 星标。

超过 48,000 家公司使用 PostgreSQL，包括 Netflix、Spotify、Uber、Reddit、Instagram 和 Discord。

AI 时代的扩展

AI 时代带来了新一代：

这意味着什么： 构建 RAG 应用曾经需要 Postgres + Pinecone + Elasticsearch + 粘合代码。

现在？就用 Postgres。 一个数据库。一种查询语言。一个备份。一个派生命令让你的 AI 代理启动测试环境。

快速开始：添加这些扩展

这就是你需要的全部：

-- 带有 BM25 的全文搜索
CREATE EXTENSION pg_textsearch;

-- AI 向量搜索
CREATE EXTENSION vector;
CREATE EXTENSION vectorscale;

-- AI 嵌入和 RAG 工作流
CREATE EXTENSION ai;

-- 时序数据
CREATE EXTENSION timescaledb;

-- 消息队列
CREATE EXTENSION pgmq;

-- 定时任务
CREATE EXTENSION pg_cron;

-- 地理空间
CREATE EXTENSION postgis;

就这些。

看代码

下面是每个用例的工作示例。跳转到你需要的内容。

全文搜索（替代 Elasticsearch）

扩展： pg_textsearch（真正的 BM25 排名）

你正在替换的东西：

• Elasticsearch：单独的 JVM 集群、复杂的映射、同步管道、Java 堆调优
• Solr：同样的故事，不同的包装
• Algolia：每 1000 次搜索 1 美元，外部 API 依赖

你得到的：驱动 Elasticsearch 的完全相同的 BM25 算法，直接在 Postgres 中。

-- 创建表
CREATE TABLE articles (
  id SERIAL PRIMARY KEY,
  title TEXT,
  content TEXT
);

-- 创建 BM25 索引
CREATE INDEX idx_articles_bm25 ON articles USING bm25(content)
  WITH (text_config = 'english');

-- 使用 BM25 评分搜索
SELECT title, -(content <@> 'database optimization') as score
FROM articles
ORDER BY content <@> 'database optimization'
LIMIT 10;

混合搜索：一个查询中同时使用 BM25 + 向量

SELECT
  title,
  -(content <@> 'database optimization') as bm25_score,
  embedding <=> query_embedding as vector_distance,
  0.7 * (-(content <@> 'database optimization')) +
  0.3 * (1 - (embedding <=> query_embedding)) as hybrid_score
FROM articles
ORDER BY hybrid_score DESC
LIMIT 10;

这在 Elasticsearch 中需要单独的插件。在 Postgres 中，这就是 SQL。

向量搜索（替代 Pinecone）

扩展： pgvector + pgvectorscale

你正在替换的东西：

• Pinecone：最低 70 美元/月，单独的基础设施，数据同步噩梦
• Qdrant, Milvus, Weaviate：更多要管理的基础设施

你得到的：pgvectorscale 使用 DiskANN 算法（来自微软研究院），在 99% 召回率下比 Pinecone 实现了 28 倍更低的 p95 延迟 和 16 倍更高的吞吐量。

-- 启用扩展
CREATE EXTENSION vector;
CREATE EXTENSION vectorscale CASCADE;

-- 带有嵌入的表
CREATE TABLE documents (
  id SERIAL PRIMARY KEY,
  content TEXT,
  embedding vector(1536)
);

-- 高性能索引（DiskANN）
CREATE INDEX idx_docs_embedding ON documents USING diskann(embedding);

-- 查找相似文档
SELECT content, embedding <=> '[0.1, 0.2, ...]'::vector as distance
FROM documents
ORDER BY embedding <=> '[0.1, 0.2, ...]'::vector
LIMIT 10;

使用 pgai 自动同步嵌入：

SELECT ai.create_vectorizer(
  'documents'::regclass,
  loading => ai.loading_column(column_name=>'content'),
  embedding => ai.embedding_openai(model=>'text-embedding-3-small', dimensions=>'1536')
);

现在每次 INSERT/UPDATE 都会自动重新生成嵌入。没有同步作业。没有漂移。没有凌晨 3 点的告警。

时序数据（替代 InfluxDB）

扩展： TimescaleDB（21K+ GitHub 星标）

你正在替换的东西：

• InfluxDB：单独的数据库，Flux 查询语言或非原生 SQL，有限的 SQL 支持
• Prometheus：对指标很棒，但不是你的应用数据

你得到的：自动时间分区、高达 90% 的压缩、连续聚合。完整的 SQL。

-- 启用 TimescaleDB
CREATE EXTENSION timescaledb;

-- 创建表
CREATE TABLE metrics (
  time TIMESTAMPTZ NOT NULL,
  device_id TEXT,
  temperature DOUBLE PRECISION
);

-- 转换为超表
SELECT create_hypertable('metrics', 'time');

-- 使用时间桶查询
SELECT time_bucket('1 hour', time) as hour,
       AVG(temperature)
FROM metrics
WHERE time > NOW() - INTERVAL '24 hours'
GROUP BY hour;

-- 自动删除旧数据
SELECT add_retention_policy('metrics', INTERVAL '30 days');

-- 压缩（90% 存储减少）
ALTER TABLE metrics SET (timescaledb.compress);
SELECT add_compression_policy('metrics', INTERVAL '7 days');

缓存（替代 Redis）

特性： UNLOGGED 表 + JSONB

-- UNLOGGED = 无 WAL 开销，更快的写入
CREATE UNLOGGED TABLE cache (
  key TEXT PRIMARY KEY,
  value JSONB,
  expires_at TIMESTAMPTZ
);

-- 设置并带有过期时间
INSERT INTO cache (key, value, expires_at)
VALUES ('user:123', '{"name": "Alice"}', NOW() + INTERVAL '1 hour')
ON CONFLICT (key) DO UPDATE SET value = EXCLUDED.value;

-- 获取
SELECT value FROM cache WHERE key = 'user:123' AND expires_at > NOW();

-- 清理（用 pg_cron 调度）
DELETE FROM cache WHERE expires_at < NOW();

消息队列（替代 Kafka）

扩展： pgmq

CREATE EXTENSION pgmq;
SELECT pgmq.create('my_queue');

-- 发送
SELECT pgmq.send('my_queue', '{"event": "signup", "user_id": 123}');

-- 接收（带可见性超时）
SELECT * FROM pgmq.read('my_queue', 30, 5);

-- 处理后删除
SELECT pgmq.delete('my_queue', msg_id);

或者原生 SKIP LOCKED 模式：

CREATE TABLE jobs (
  id SERIAL PRIMARY KEY,
  payload JSONB,
  status TEXT DEFAULT 'pending'
);

-- 工作器原子性地认领任务
UPDATE jobs SET status = 'processing'
WHERE id = (
  SELECT id FROM jobs WHERE status = 'pending'
  FOR UPDATE SKIP LOCKED LIMIT 1
) RETURNING *;

文档（替代 MongoDB）

特性： 原生 JSONB

CREATE TABLE users (
  id SERIAL PRIMARY KEY,
  data JSONB
);

-- 插入嵌套文档
INSERT INTO users (data) VALUES ('{
  "name": "Alice",
  "profile": {"bio": "Developer", "links": ["github.com/alice"]}
}');

-- 查询嵌套字段
SELECT data->>'name', data->'profile'->>'bio'
FROM users
WHERE data->'profile'->>'bio' LIKE '%Developer%';

-- 索引 JSON 字段
CREATE INDEX idx_users_email ON users ((data->>'email'));

地理空间（替代专业 GIS）

扩展： PostGIS

CREATE EXTENSION postgis;

CREATE TABLE stores (
  id SERIAL PRIMARY KEY,
  name TEXT,
  location GEOGRAPHY(POINT, 4326)
);

-- 查找 5 公里内的商店
SELECT name, ST_Distance(location, ST_MakePoint(-122.4, 37.78)::geography) as meters
FROM stores
WHERE ST_DWithin(location, ST_MakePoint(-122.4, 37.78)::geography, 5000);

定时任务（替代 Cron）

扩展： pg_cron

CREATE EXTENSION pg_cron;

-- 每小时运行
SELECT cron.schedule('cleanup', '0 * * * *',
  $$DELETE FROM cache WHERE expires_at < NOW()$$);

-- 夜间汇总
SELECT cron.schedule('rollup', '0 2 * * *',
  $$REFRESH MATERIALIZED VIEW CONCURRENTLY daily_stats$$);

混合搜索（BM25 + 向量）

对于 AI 应用，你经常需要同时进行关键词搜索和语义搜索：

-- 倒数排名融合：结合关键词 + 语义搜索
WITH bm25 AS (
  SELECT id, ROW_NUMBER() OVER (ORDER BY content <@> $1) as rank
  FROM documents LIMIT 20
),
vectors AS (
  SELECT id, ROW_NUMBER() OVER (ORDER BY embedding <=> $2) as rank
  FROM documents LIMIT 20
)
SELECT d.*,
  1.0/(60 + COALESCE(b.rank, 1000)) +
  1.0/(60 + COALESCE(v.rank, 1000)) as score
FROM documents d
LEFT JOIN bm25 b ON d.id = b.id
LEFT JOIN vectors v ON d.id = v.id
WHERE b.id IS NOT NULL OR v.id IS NOT NULL
ORDER BY score DESC LIMIT 10;

用 Elasticsearch + Pinecone 试试这个。你需要两次 API 调用、结果合并、失败处理和双倍延迟。

在 Postgres 中：一个查询、一个事务、一个结果。

模糊搜索（拼写错误容忍）

扩展： pg_trgm（内置于 Postgres）

CREATE EXTENSION pg_trgm;

CREATE INDEX idx_name_trgm ON products USING GIN (name gin_trgm_ops);

-- 即使有拼写错误也能找到 "PostgreSQL"
SELECT name FROM products
WHERE name % 'posgresql'
ORDER BY similarity(name, 'posgresql') DESC;

图遍历（替代图数据库）

特性： 递归 CTE

-- 查找经理下的所有汇报（组织架构图）
WITH RECURSIVE org_tree AS (
  SELECT id, name, manager_id, 1 as depth
  FROM employees WHERE id = 42

  UNION ALL

  SELECT e.id, e.name, e.manager_id, t.depth + 1
  FROM employees e
  JOIN org_tree t ON e.manager_id = t.id
  WHERE t.depth < 10
)
SELECT * FROM org_tree;

总结

还记得那个家的比喻吗？你不会为了做晚餐就单独建一个餐厅。你不会为了停车就在城市对面建一个商业车库。你用家里的房间。

这就是我们在这里向你展示的。搜索、向量、时序、文档、队列、缓存——它们都是 Postgres 家里的房间。与专业数据库相同的算法。经过多年实战检验。被 Netflix、Uber、Discord 和 48,000 家其他公司使用。

那么那 99% 呢？

对于 99% 的公司，Postgres 处理你需要的一切。那 1% 呢？那是当你在数百个节点上处理 PB 级别的日志，或者你需要 Kibana 的特定仪表板，或者你有真正超出 Postgres 能力的奇特需求。

但关键是：当你处于那 1% 时你会知道。 你不需要厂商的营销团队来告诉你。你会自己进行基准测试并碰到真正的墙。

在那之前，不要因为有人告诉你”为正确的工作使用正确的工具”就把你的数据分散在七栋建筑里。那个建议卖数据库。它不为你服务。

从 Postgres 开始。坚持用 Postgres。只有当你真的需要复杂性时才添加它。

2026 年了，就用 Postgres 吧。

开始使用

所有这些扩展都可以在 Tiger Data 上获得。几分钟内创建一个免费数据库：

psql "postgresql://user:[email protected]:5432/tsdb"

CREATE EXTENSION pg_textsearch;  -- BM25 搜索
CREATE EXTENSION vector;         -- 向量搜索

不需要专业数据库，就用 Postgres。

了解更多

• pg_textsearch 文档
• pgvector GitHub
• pgvectorscale 文档
• TimescaleDB 文档
• 用于消息队列的 pgmq
• 用于地理空间的 PostGIS