微软推出了一个数据库管理工具,承诺帮助用户通过单一SQL引擎管理多个数据库。
在微软的Fabric数据平台上,Database Hub承诺为工程师提供一个统一位置来管理一系列常见的数据库服务,包括Azure SQL Server、多模型系统Azure Cosmos DB、Azure Database for PostgreSQL、由Azure Arc支持的SQL Server、Azure Database for MySQL以及其他Fabric服务。
微软表示,这个目前开放早期访问的"统一数据库管理体验"将帮助管理本地、PaaS和SaaS上的系统。微软数据库企业副总裁Shireesh Thota表示:"通过将数据库原生构建到微软Fabric中,我们帮助客户现代化SQL,统一其数据资产,并更快、更自信地构建AI原生应用程序。"
他表示,Database Hub将让那些"组织管理跨边缘、PaaS和SaaS环境的关系型和NoSQL数据库混合体,通常通过分散的工具、门户和管理体验"的用户受益。
在一个地方拥有如此多的数据库控制权后,微软计划在其上添加一些AI功能,声称这将节省时间并提升性能。
"Database Hub引入了智能体辅助、人在回路的数据库管理方法。智能智能体持续对全局信号进行推理,以发现变化内容、解释其重要性,并指导团队下一步的行动,"Thota说。
技术团队是否会信任AI智能体的"推理"则是另一回事。
Thota表示,微软的大语言模型工具Copilot也将提供洞察,帮助团队快速了解其数据库资产中正在发生什么以及原因。
"聚合健康视图、常见性能类别和趋势分析在各服务间提供一致信号,使运营和开发团队能够更自信地从洞察转向行动。"
本刊询问微软其Hub是否会帮助调优数据库,这需要系统构建者在大量选择中权衡以优化性能。这些选择可能包括运行时参数和内存缓存策略等系统参数、数据结构或索引类型等物理设计、控制数据库如何执行查询的查询调优选项,以及涉及何时升级软件或硬件等长期决策的生命周期管理。
去年,卡内基梅隆大学数据库组发表的一篇论文显示,向量嵌入算法可以将常见PostgreSQL数据库服务的默认设置性能提高2到10倍。使用单独的"大语言模型增强器",运行协议的时间可以从约12小时缩短到约50分钟。
在过去几年中,微软在推广各种数据库系统以及其自身的SQL Server方面表现出兴趣。
作为其发展程度的标志,去年微软推出了一个构建在关系型PostgreSQL后端上的文档数据库平台,并在此过程中开发了两个开源的RDBMS扩展。
去年11月,微软宣布推出一个分布式PostgreSQL数据库服务,旨在与其他超大规模云服务商系统和第三方RDBMS(如CockroachDB和YugabyteDB)竞争。
微软尚未说明这两个系统是否会包含在Database Hub管理中。
其他数据分析和机器学习供应商,如Databricks和Snowflake,也在其平台内宣布了事务性数据库服务。去年,Snowflake在其AI数据环境中推出了PostgreSQL数据库即服务,将事务性工作负载与分析和AI置于单一治理规则下。在收购提供无服务器PostgreSQL架构的Neon后,Databricks宣布了其服务Lakebase。
Q&A
Q1:Database Hub是什么?有什么功能?
A:Database Hub是微软推出的数据库管理工具,承诺为用户提供统一位置来管理多种数据库服务,包括Azure SQL Server、Azure Cosmos DB、Azure Database for PostgreSQL等。它能够管理本地、PaaS和SaaS环境中的系统,并集成AI功能提供智能化管理体验。
Q2:Database Hub的AI功能具体怎么工作?
A:Database Hub引入智能体辅助的管理方法,AI智能体会持续分析全局信号,发现系统变化、解释重要性并指导下一步行动。同时,微软的Copilot工具也会提供洞察,帮助团队快速了解数据库状态和问题原因,提供聚合健康视图和趋势分析。
Q3:Database Hub与其他数据库管理工具有什么优势?
A:Database Hub的主要优势是能够在单一平台上管理多种不同类型的数据库(关系型和NoSQL),解决了传统方案中需要使用分散工具和门户的问题。它还集成了AI功能,能够提供智能化的性能优化建议和自动化管理,提高工作效率。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。