AI 原生数据库的性能指标有哪些？

1. 吞吐量指标

向量检索场景下的吞吐量通常以 QPS（Queries Per Second）衡量。不同规模和配置下表现差异较大——在千万级向量数据集上，部分 AI 原生数据库在 XS 规格配置下 QPS 可达 2,800 以上；在特定测试环境（如阿里云 PolarDB 内置向量引擎，8 节点集群每节点 64C 256GB）下，千万级向量检索 QPS 可达 12 万。混合查询场景下的 QPS 会低于纯向量检索，但仍能满足绝大多数生产需求。

2. 延迟指标

延迟是衡量 AI 原生数据库体验的关键指标，通常关注 P50、P99 延迟值。在生产环境中，P99 延迟稳定在 25ms 以内被视为优秀水平。部分产品在千万级向量数据集上的 P99 延迟可低至 6.8ms，而混合查询场景下的 P99 延迟通常在 20-50ms 范围。对于流式数据分析场景，部分实时分析型 AI 原生数据库承诺多表查询 P99 延迟低于 1 秒。

3. 召回率指标

向量检索的准确性通过召回率（Recall）衡量，即在返回的结果中真正相关文档所占比例。生产环境通常要求召回率 ≥ 90%，部分高性能设置在召回率 93% 以上的同时还能保持低延迟和高吞吐。

4. 扩展性指标

线性扩展效率反映了增加节点后系统性能的保持程度，优秀产品在增加 8 个节点后线性扩展效率可达 0.90 以上。高并发事务处理能力也是重要指标，部分分布式 AI 原生数据库在高并发场景下 TPS 可达数十万级别。