گوئن شاپیرا، بنیان‌گذار شرکت Nile و حرفه‌ای با ۲۵ سال سابقه در مهندسی داده، در یک ارائه فنی عمیق توضیح داد که چرا PostgreSQL به سرعت به پایگاه داده پیش‌فرض برای ساخت عامل‌های هوشمند (AI Agents) در سطح سازمانی تبدیل شده است. این سخنرانی که رویه‌ای از تکیه بر مدل‌های بزرگ زبان (LLM) به سمت معماری‌های داده-محور را نشان می‌دهد، نکات کلیدی برای مهندسان و معماری‌های سیستم را پوشش می‌دهد.

از تسلط OpenAI تا بازگشت گوگل: منظره muuttوفر AI در ۲۰۲۵

شاپیرا با یک نگاه تاریخی آغاز کرد: در اوایل ۲۰۲۳، با انتشار ChatGPT، شركة OpenAI تقریباً تنها بازیگر در میدان AI سازمانی بود. اما در عرض دو سال، میزها برگشتند. Anthropic با مدل‌های Claude خود، رهبری فنی را به دست گرفت و مهم‌تر از آن، Google DeepMind با مدل‌های Gemini، شکاف را به سرعت بست.

نمودار تغییر سهم بازار مدل‌های هوش مصنوعی از ۲۰۲۳ تا ۲۰۲۵

شاپیرا استدلال می‌کند که بازگشت گوگل تصادفی نبوده؛ بلکه نتیجه ۲۰ سال سرمایه‌گذاری در زیرساخت داده است. گوگل مهارت داخلی بی‌نظیری در پردازش داده‌های پترابایتی (صوت، ویدیو، متن) دارد. در مقابل، شرکت‌هایی مانند Apple که «حریم خصوصی اول» را شعار می‌کنند، در شخصی‌سازی داده‌ها (مانند توصیه‌های نتفلیکس) دچار مشکل شده‌اند. نتیجه‌گیری: مدل‌ها جادو نیستند؛ برای آموزش و استنباط (Inference) باکیفیت، به داده‌های باکیفیت و پلتفرم‌های داده قدرتمند نیاز دارید.

چرا پستگرس‌کیوال؟ universo عامل‌های تولید

شاپیرا که مسیر کارش از Oracle و MySQL، عبوری از Hadoop و یک دهه کار با Apache Kafka را پشت سر گذاشته، اکنون معتقد است که برای بسیاری از موارد استفاده، معماری ساده‌تر بر پایه پستگرس، جایگزین بهتری برای معماری‌های داده پراکنده و پیچیده است.

معماری عامل هوش مصنوعی بر پایه پستگرس‌کیوال

قدرت‌های پنهان پستگرس برای AI

  • پشتیبانی بومی از بردار (Vector): با اکستنشن pgvector، پستگرس جستجوی شباهت برداری (Vector Similarity Search) را به صورت کارآمد و تراکنشی پشتیبانی می‌کند؛ نیازی به پایگاه داده اختصاصی بردار (مانند Pinecone یا Milvus) برای اکثر کارها نیست.
  • ACID و قابلیت اطمینان: عامل‌های تولید (Production Agents) نیاز به تراکنش‌های قابل اعتماد دارند (مثلاً: رزرو بلیط + کسر اعتبار + اطلاع‌رسانی). پستگرس این تضمین را با ۳۰ سال استواری ارائه می‌دهد.
  • JSONB و داده‌های نیمه‌سازمان‌یافته: ذخیره متادیتا، لاگ‌های مکالمه و تنظیمات عامل‌ها بدون Фиکس اسکیمای سخت.
  • اکوسیستم غنی: از PL/pgSQL برای منطق تجاری تا Citus برای مقیاس‌دهی افقی.

الگوهای معماری: RAG، حافظه عامل‌ها و ابزارها (Tools)

شاپیرا سه الگو را برجسته کرد که در مشتریان Nile بارها تکرار شده‌اند:

۱. RAG پیشرفته (Agentic RAG)

به جای جستجوی ساده کلامی، عامل‌ها پرس‌وجوهای SQL پیچیده، جستجوی برداری و فیلترهای متادیتا را ترکیب می‌کنند. پستگرس این همه را در یک پرس‌وجو واحد اجرا می‌کند و Latency شبکه بین سرویس‌ها را حذف می‌کند.

۲. حافظه بلندمدت عامل‌ها (Long-term Memory)

عامل‌ها باید تاریخچه مکالمات، تصمیمات و نتایج را به صورت ساختاریافته (جداول رابطه‌ای) و غیرساختاریافته (JSONB/Vector) ذخیره کنند. پستگرس هر دو را با index کردن کامل ارائه می‌دهد.

۳. فراخوانی ابزار (Tool Calling) با تضمین تراکنشی

وقتی عامل ابزاری را صدا می‌زند (مثلاً انتقال وجه)، نتیجه باید در همان تراکنش پایگاه داده ثبت شود یا برگردانده شود (Rollback). پستگرس این تضمین را به صورت بومی می‌دهد؛ صف‌های پیام (Message Queues) این تضمین را به تنهایی ندارند.

دروس سخت‌گیریده: از هوس میکروسرویس‌ها به سادگی بازگردیم

شاپیرا به صراحت اعتراف کرد: «من سال‌ها معماری‌های پیچیده Kafka-محور ساختم که در مقیاس بزرگ موجه بودند، اما هوس (Hype) باعث شد در مکان‌های اشتباه هم پیاده‌سازی شوند.» او تأکید کرد که برای ۹۰٪ موارد استفاده عامل‌های AI، یک کلاستر پستگرس به‌درستی تنظیم‌شده (Tuned)، با Connection Pooling (مثل PgBouncer) و Read Replicas، ساده‌تر، ارزان‌تر و قابل‌اعتمادتر از لایه‌های پیچیده داده است.

مقایسه معماری داده سنتی vs معماری بر پایه پستگرس برای AI

چک‌لیست آماده‌سازی پستگرس برای تولید (Production Checklist)

  1. pgvector را نصب و برای همرتایی (HNSW) یا IVFFlat ایندکس بسازید.
  2. work_mem و maintenance_work_mem را برای حجم بردارها بالا ببرید.
  3. از Partitioning برای جداول لاگ و حافظه عامل‌ها استفاده کنید (مثلاً ماهانه).
  4. Connection Pooling اجباری است: PgBouncer در حالت Transaction.
  5. نظارت (Observability): pg_stat_monitor یا pganalyze برای تحلیل پرس‌وجوهای کند برداری.
  6. پشتیبان‌گیری نقطه‌در-زمان (PITR) با WAL-G یا pgBackRest.

نتیجه‌گیری: داده، سوخت AI است؛ پستگرس، موتور آن

پیام نهایی شاپیرا ساده اما عمیق است: موفقیت در AI سازمانی به مدل‌ها بستگی ندارد، به داده و زیرساخت داده بستگی دارد. پستگرس‌کیوال با ترکیب منحصر‌به‌فرد محاسبه رابطه‌ای، جستجوی برداری، تراکنش‌های ACID و اکوسیستم باز، «نقطه تطابق طبیعی» (Natural Fit) برای عامل‌های تولید شده است. به جای جستجوی پایگاه داده «جديد» برای هر قابلیت AI، تیم‌ها باید در تسلط بر پستگرس و تنظیم دقیق آن برای بارهای کاری هوش مصنوعی سرمایه‌گذاری کنند.

این مطلب بر اساس ارائه گوئن شاپیرا در کنفرانس فنی تدوین شده است. برای دیدن ویدیوی کامل و اسلایدها به کانال رسمی مراجعه کنید.