一家做向量数据库的公司 turbopuffer，这周自己发了篇博客，标题直接叫《RIP, vector database》。我们认为这件事值得认真对待：连卖铲子的人都说"这铲子要被淘汰了"，背后通常不是噱头。

向量数据库（专门存储和检索"语义相似度"的数据库）是过去两年 RAG 技术（让大模型查外部资料补知识）的标配。turbopuffer 的核心论点是：随着行业往 Agent（智能体，能自己决定下一步动作的 AI）+ 混合检索方向走，单独的向量数据库正在被通用对象存储吸收，不再是独立品类。

这是什么

过去企业要让 AI 查公司内部资料，主流方案是：把资料切成小块 → 转成向量（数学表示）→ 存进向量数据库 → 用户提问时检索最相似的内容喂给大模型。

这套架构催生了 Pinecone、Weaviate、Chroma、Milvus 一批公司。但 2024 年开始，三件事同时发生：大模型上下文窗口从 4K 跳到 200K 甚至百万级；Agent 能自己决定查什么、用什么工具；关键词搜索和向量搜索被合并成"混合检索"。结果是：单独的向量数据库价值被稀释，AWS S3 这类通用存储加上向量能力就够用。

行业怎么看

支持"已死"判断的不少。turbopuffer 的论点是：未来是"具备向量能力的存储"，不是"存储向量的数据库"。这个观点在云厂商身上已经验证 — AWS、Azure、Google Cloud 都在把向量能力塞进通用数据库和存储服务里。

但反对声音也很明确。Pinecone、Qdrant 等老牌玩家认为，向量检索的工程复杂度（性能、规模、延迟）远没到能被通用存储替代的程度。一位 AI 基础设施创业者私下对我们说："说向量数据库死了，就像说数据库死了 — 抽象层换了个名字，底层活儿还得有人干。"这条意见值得重视：品类的死亡和能力的消失，常常不是一回事。

对普通人的影响

对企业 IT：2025 年起采购 AI 基础设施，不必再单独评估向量数据库，优先看云厂商的集成方案，IT 预算结构会调整。

对个人职场："懂向量数据库"曾是非技术岗进 AI 领域的硬通货，这张牌的稀缺性正在下降；取而代之的是"懂 Agent 工作流编排"和"懂业务数据治理"。

对消费市场：短期看不见变化。底层换牌传导到 C 端 AI 产品（客服、搜索、推荐）通常需要 12-18 个月。