"数据系统圣经" DDIA 重写了

2026 年 2 月,O'Reilly 把 Martin Kleppmann 2017 年那本《Designing Data-Intensive Applications》的第二版推到了印刷厂。670 页,英文,69.99 美元,作者从一个人变成两个人 —— Kleppmann 加上他 LinkedIn 时代的老同事 Chris Riccomini。

豆瓣上这个条目目前"评价人数不足",没有评分。但中文第一版的成绩摆在那里:9.6 分,1945 人评价,是中国电力出版社 2018 年 9 月的译本(豆瓣 id 30329536,本文所有豆瓣数据由 scripts/verify_meta.py 于 2026-10-17 直连复核)。

九年后重写一本书,通常只有两种原因: 书卖不动了,或者世界变了。这次两者都成立,但更值得看的不是"补了什么新知识",而是作者们在重构时,把什么东西判定为不再需要教。

为什么是这本书

9.6 分在豆瓣图书 Top250 里是天花板级别的分数。这本书在技术圈的地位更夸张:Kafka 作者 Jay Kreps 写"过去十年这是理解分布式系统最好的书,第二版更好了",微软 CTO Kevin Scott 写"这本应该是软件工程师的必读"。

它常年被当作"你必须读完的一本架构书"。问题是,九年了,还读不读?

我的答案是:如果你是 DBA、或者做 AI 应用的工程师,第二版比第一版更值得读,而且它恰好在 2026 年这个时间点回答了几个我们这两年一直在纠结的问题。

先说清楚这次选题怎么来的。这周跑了 4 个豆瓣源(电影 Top250、图书 Top250、科技新书标签族、当周热搜),83 条候选,按 38 分制打分矩阵打完,top1 是 33/38 —— 唯一同时命中"数据库生态 + AI 记忆召回 + AI 应用实践 + 开源身份 + 产品经理视角 + 技术教学"的条目,断层第一,门槛是 15 分。

二版到底改了什么

作者自己说得实在:大部分书的内容是"以十年为尺度"的原理,变化不大;真正变的是细节。但正是在这些细节里,能看出他们对 2026 年这个时间点的判断。

砍掉的:MapReduce 和手写分片

Kleppmann 对 MapReduce 的判断很直白 —— 基本死了,现在没人用了,继任者是 Spark 和 Flink。第二版保留它,但降格为"理解分片批处理系统的教学工具",不再展开。

手写分片也被削弱了。他给的理由是:云把大部分团队的分片需求消掉了,机器越来越大,更多负载能塞进单机,分片正在变成专家级话题。

这里有个容易被误读的点:这不等于"分片不重要了"。这等于"分片不再是绝大多数人需要亲手做的事"。九年前你上手就要想 shard key,现在你大概率先写到撑不住那天再说。这对新手是好事,对专家不是。

顺便一提,书里那些好看的地图插图全删了。作者的说法:"它们很有趣,但维护起来是个痛苦。"这是个技术细节,但挺能说明这本书的调性 —— 它从来不是靠图好看卖钱。

加进去的:向量索引,和 dataframe

重头戏在这边。Kleppmann 解释得很清楚,向量索引用加在存储引擎那一章,因为那一章本来就在讲各种索引策略;向量索引"塞进去非常顺,因为它本来就只是又一种索引策略"。

这句话的分量比听起来重。

过去两年,"向量数据库"在中文技术圈被当成一个独立物种,一堆新名词往上贴。但 DDIA 的处理方式是把它按回原位:它就是索引策略族的一个新成员,和 B-tree、LSM、倒排索引平级。理解方式是"多了一种索引类型",而不是"多了一个系统"。

这个降维直接改变了选型问题的性质。你不再问"我用 PG 还是用向量库",你问的是"我需要哪几种索引,它们各自的代价是什么"。

dataframe 则是被当作新数据模型加进第二版的 —— 第一版的数据模型章节没有它。作者给的理由是它成了训练数据的重要表示。这个动作同样在去神秘化:对做 AI 数据管道的人来说,dataframe 不是什么新东西,只是被数据库教材正式承认了。

划一条界:这不是一本 AI 书

作者主动打了个补丁:Kleppmann 说"即使这不是一本 AI 书,但支持 AI 应用时确实有数据系统的问题要处理"。

这话看着像免责声明,实际是个重要的认知边界 —— AI 没有给数据系统带来一套新范式,它是在既有范式里增加了新负载和新索引类型。数据工程师真正要做的,仍然是存储引擎、索引、复制、分区那几件事。

这本书最该被认真听的一句话

如果只能从这次访谈里拿一句出来,不是向量索引,不是 dataframe,是这段:

如果你想给 AI 一些对系统的控制权 —— 允许它按按钮来影响数据,比如编辑或更新 —— 那么最安全的做法是通过一个良定义的 API。这个 API 定义了 AI 允许按哪些按钮,以及这些动作对应着哪些符合一致性的语义。

Kleppmann 接着说,更一般的形态是:让 AI agent 和人能安全协作,数据库作为共同的基础。人和 AI 都能改数据,都能看到对方的修改;可以想象那种"改动被 review、被比较、被合并"的工作流。

这段话跟向量检索一点关系都没有,但它比向量索引那部分重要得多。

因为它说的是一件很多人还没想清楚的事:Agent 要有稳定的输出质量,底座不是提示词,是它能调用的接口面。你允许 AI 按哪些按钮、每个按钮对应什么事务语义和一致性保证 —— 这是 Harness 工程的地基,和数据库设计是同一个问题。

顺带说一句 Riccomini 的观察,某种程度上和上面呼应:LLM 正在产出海量的代码,人类 review 成了瓶颈,而 LLM 写形式化证明也在变强。这两件事叠在一起,可能导致形式化验证在工程里第一次真正用得上。他自己以前在工业界嫌形式化验证太贵没用过。

从"PG 吃掉底部"这句话里能读出什么

Riccomini 在访谈里被问"专业数据库会收敛吗",他的回答带着投资人视角,信息量很足。

他的判断链条是这样的:

第一步,大多数人起步自然就建在 Postgres 上 —— 搜索索引用 pg_search,向量嵌入用 pgvector,数据湖用 PG analytics 或 pg_duckdb。

第二步,规模上来后,有些撑得住,有些撑不住。

第三步,撑不住的那个判断标准不是量级,是产品属性。他的原话:"如果你的整个产品就是 Cursor AI 这样的代码补全 IDE,那你大概需要比 pgvector 能提供的更稳更强的东西。"这时候会去看 Pinecone、Turbopuffer 这类系统。

第四步,结论是"两者都是":因为 Postgres 会吃掉这个市场的底部,专用厂商会变少,但不会消失。

这三层里最值钱的是第三层。"是不是该迁"这件事,取决于向量能力对你是不是产品的核心,而不只是 QPS 和数据量。

拿 pgvector 自己的文档当例子最直观。它的 README 里写得很清楚:近似索引是在索引扫描之后才做过滤的 —— 如果条件只匹配 10% 的行,用 HNSW 加默认的 hnsw.ef_search = 40,平均只有 4 行能匹配上。

这就是近似的代价,官方自己写在最前面。做内部知识库,这完全无所谓,开大 ef_search 就行。但如果是产品的核心检索路径,这个数量级的召回损失就是产品问题。

pgvector 的现状(GitHub API 查于 2026-10-17):23,394 stars,1,353 forks,2021-04-20 建仓,当天仍有提交,最新 v0.8.7 发布于 2026-10-01。五年的时间把向量检索做成了 Postgres 的标准配件,这本身就是个值得记住的现象。

几个可能对你没用但值得知道的

作为 PG 相关的从业者,有几个访谈细节可以对照自己的工作。

关于云和托管服务。Kleppmann 说托管服务仍然需要直觉 —— 你不能只会在托管服务上面用,得知道底下是什么。他自己的书也不写"该用哪个产品",而是给词汇让你把取舍讲清楚。

关于跨区跨云。他的态度坚决:多区域多云不是最佳实践,是风险和成本的取舍,是商业决策。工程侧该做的是把取舍摆到决策者面前,包括声誉风险和社会风险,而不只是技术风险。

关于缩容。"把规模缩小跟扩大一样难" —— 大部分人只想到扩容。流量少的时候怎么高效地缩,是个被忽视但真实存在的问题。

关于形式化验证。见上文,这是他最看重的 AI 相关变化。

值得泼的冷水

这本书好,但有它的问题。

它依然不是 AI 工程书。作者自己划清了界。加进去的向量索引和 dataframe 是"数据系统视角"的补充,不是"怎么搭 RAG 系统"的指南。你想学的是检索增强怎么落地,这本书帮不上。它帮的是:当你的 RAG 系统出问题时,你从底层知道该往哪看。

670 页的英文,不是速读物。第一版 519 页,第二版多了 151 页。如果你的时间只够读一本架构书,先确认你能啃英文长文。这不是速成教材。

关于"PG 吃掉底部"的判断有时间戳。Riccomini 说的是 2026 年的现状判断,不是终局预言。专用向量系统的能力边界还在快速移动,三年后回看这段话的准确度,现在没法保证。当趋势读,不当地基读。

另外,中文版第二版目前没出。豆瓣上能查到的第二版是 O'Reilly 原版条目(2026-03-24,ISBN 9781098119058,670 页),国内读者得看英文原文或者等译本。这是个实际约束,先说清楚。

该怎么做

如果你只有一本书的时间,买第二版英文原版。它是替代第一版,不是续集 —— Kleppmann 自己说得很清楚:"不需要读第一版,第二版是替代品,不是续篇。"

如果你已经在用第一版,而且工作里没有涉及对象存储和向量负载,继续用着也不吃亏。这本书的原理部分是稳定的,九年后依然成立。

如果你是做 AI 应用的,这本最该买。理由不在向量索引那几页,而在"AI 要通过良定义 API 控制系统"这个判断。那句话决定了你的 Agent 架构是能长还是会在规模上来时崩掉。

配套同主题的两本:如果想补原理的下半段 —— 复制、分区、事务到底怎么权衡 —— 这本已经覆盖了;如果想补 AI 侧的落地,《AI工程》(Chip Huyen 著,豆瓣 id 38236657,8.7 分 / 83 人评价,2026-02 出版)正好补另一半。两本对着读,数据侧和 AI 侧能接上。