文档数据库长期以来一直是关键应用程序的支柱——现在，它们正在进入一个智能化和功能强化的新时代。通过将生成式AI直接嵌入数据层，其影响不仅仅是技术升级，更是实现更快交付、精简运营和智能扩展的战略性变革。
"当你能够将大语言模型的全部能力放入数据库内部时，你可以做到许多令人惊叹的事情，"RavenDB首席执行官兼创始人Oren Eini表示。"这是对AI在企业软件堆栈中归属位置的重新思考。通过将AI置于数据引擎内部，各种规模的组织都能轻松创建智能应用程序。在系统各个方面应用AI能力的民主化将带来我们构建软件思维方式的巨大转变。"
将查询转化为智能操作
过去，你需要成为数据标记专家，花费大量时间和精力对所有数据进行适当分类，创建完整的搜索系统等等。通过在数据层引入AI，你可以使用模型来完成大部分工作，然后在此基础上应用向量搜索。
生成式AI让用户能够使用大语言模型直接在数据库内生成、丰富、分类和自动化内容及决策。在数据实际存储位置部署AI能力可实现安全、高效的实时执行，无论是文档分类、客户交互摘要还是工作流自动化。这让团队能够直接基于已管理的数据构建功能，无需专门的AI团队。
"这为你提供了强大的能力，而这种能力以前只有最大的公司才能拥有，"Eini说。"你可以拥有真正高质量的系统，与谷歌或微软能够运行的系统相媲美，但成本只是它们的一小部分，部署过程也很迅速。基于现有数据，你可以在几天内从零开始构建一流的智能系统。"
这种集成对于没有大型AI团队或专门MLOps基础架构的组织来说意义重大。对于许多用途而言，直接在核心数据库引擎中添加生成式AI能力，相比服务包装器或专有云堆栈是一个重大飞跃，显著降低了复杂性。
Eini指出，这是一种简单直接的方法，他展示了RavenDB如何让客户在其产品中集成AI。这种方法让用户能够更充分地利用数据，具备内置的摘要、分类和标记支持。RavenDB用户甚至可以创建直接在数据库内丰富数据集的工作流，并使用数据生成额外的文档和信息——从被动的数据检索转向将数据作为创新催化剂。
RavenDB的差异化优势
"本质上，我们的目标是通过使其简单、可预测、可持续和经济实惠来普及大语言模型在系统中的使用，"Eini说。"其他系统中的大多数AI集成只是允许你对模型进行远程调用，如果你想直接从数据库向模型提供一些数据然后将响应返回给用户，这还不错。但这种工作流的问题在于它不允许你真正利用模型操作的结果，或个性化和优化大语言模型行为。"
"另一方面，"他解释道，"RavenDB的方法是创建专门的管道，开发人员只需输入告诉模型需要做什么的提示，模型连同数据库中的数据一起处理请求，并持续将结果应用于数据库。"
RavenDB将调用模型对任何新添加的数据应用用户逻辑，这意味着不再需要等待很长时间才能获得结果。向数据库注入"智能"还可以在不需要时避免使用模型。RavenDB可以检测特定数据是否与模型定义的任务相关，如果不相关则跳过模型调用（消除不必要的模型调用和相关成本）。
RavenDB的新功能支持在数据库内部安全使用任何大语言模型，无论是来自OpenAI、Mystral或Grok等公司的商业产品，还是开源模型。客户还可以插入专业模型，如医疗大语言模型，或针对客户特定需求进行微调的模型。RavenDB在其产品中使用的"默认治理"方法限制了模型的能力范围，使其无法对数据库进行任何未经批准的更改或访问内部系统——这不仅使应用程序开发更快，而且更安全，让风险团队更加放心。
无需复杂的数据管道、供应商特定的API以及大量的工程和数据科学知识来从原型转向生产，组织内的团队现在可以直接在数据库内运行生成式AI任务，显著缩小了实验与最终结果之间的差距。
"开发人员突然对困扰他们最多的所有问题拥有了完全控制权，包括成本、性能和合规性，"Eini说。"从我们的角度来看，关键在于通过让你更容易在系统中使用AI，我们让你能够在各个地方应用复杂模型。我们的想法是，原本需要几个月的集成过程，现在变得像运行查询一样简单。最终结果是一种让从想法到实现比以往任何时候都更快、几乎无缝的技术。"
