求mk——AI 时代首选数据库

PostgreSQL 这两年被反复提起，很大程度上是因为 AI 应用的落地方式变了：向量检索、JSONB 半结构化存储、复杂查询与事务一致性，往往要在同一个数据库里同时满足。这份资料的主题就落在 PostgreSQL 上，从入门语法一路排到进阶实战，属于那种可以边看边敲、对照自己项目改的课程，而不是纯概念科普。

技术栈与版本取向

课程围绕 PostgreSQL 本身展开，涉及的核心能力包括：SQL 基础与进阶查询、索引与执行计划、事务与并发控制、JSONB 与半结构化数据处理，以及和 AI 场景相关的扩展使用方式。它没有绕开 psql 命令行，也没有只停留在图形化工具点击操作上——这一点对后续排查慢查询、看执行计划很关键。如果你平时用 MySQL，正好可以借这套内容把 PostgreSQL 在类型系统、索引类型（GIN、GiST）、扩展机制上的差异理清楚。

内容结构怎么组织

整体是“入门到进阶”的推进方式，大致可以拆成几层：

• 基础层：环境搭建、库表设计、CRUD、常用数据类型与约束，把 SQL 写顺。
• 进阶层：多表连接、子查询、窗口函数、CTE，处理真实业务里的复杂统计需求。
• 性能层：索引选型、EXPLAIN 分析、慢查询定位，属于实战中最容易卡住的部分。
• 场景层：JSONB 存储、全文检索、以及 AI 应用中常见的向量相似度检索思路。

这个顺序的好处是，每一层都能单独拿出来复用。比如你只想补索引和执行计划，可以直接跳到性能部分，不必从头看起。

可复用的工程模块

从工程角度看，这份资料里比较值得抽出来放进自己项目的东西有几类。一是建表与约束的写法，尤其是用 JSONB 字段承载多变结构时，如何配合检查约束和索引；二是查询改写思路，把应用层做的过滤、聚合尽量下推到数据库，减少数据传输；三是事务边界与隔离级别的选择，在并发写入场景下避免脏读和更新丢失。这些不是一次性的示例代码，而是可以迁移到订单、日志、内容管理等不同业务里的通用模式。

自学路径建议

如果按这份资料自学，比较稳妥的节奏是：先用两三天把基础 SQL 和 psql 操作过一遍，别急着看进阶；然后挑一个自己熟悉的小业务（比如博客、任务清单），亲手建表并写入数据；接着刻意制造慢查询，用 EXPLAIN 对照课程里的分析方法；最后再进入 JSONB 和检索相关的内容。整个过程配合官方文档查阅，遇到函数或参数不确定时以文档为准，课程内容作为理解路径的参考。

适合拿来对照实践

这类资料的价值不在于“看完”，而在于你手里是否有一个正在跑的项目可以对照。数据库的很多坑——索引失效、连接数打满、长事务阻塞——只有在自己动手调过之后才会有体感。建议边看边把课程里的查询拿到自己的数据集上跑，把执行计划和耗时记下来，再回头改写法。这样一轮下来，PostgreSQL 的核心能力和排查思路基本就能落进工程习惯里，而不是停留在记住了几个语法。