2015 年前，数据架构以数据仓库（Data Warehouse）为主，专注于结构化数据的统一存储。到 2016-2022 年期间，流行数据湖（Data Lake）的概念，扩展了数据维度并管理了更多类型的数据。最近一年，AIGC 飞速发展，数据生态随之演进到了新的数据栈时代，随着数据分析复杂度的不断提升，由最初的查询处理需求，扩展到机器学习和深度学习，又发展到了现在的自助分析、生成式内容创作（AIGC）、自动化机器学习平台（AutoML、GPT）等场景。这些都离不开对现实世界中的结构化、半结构化和非结构化数据的高效管理。需求的增长催生了新的数据生态。
在新的数据栈时代，原有数据处理流程基本不变，包括数据的来源、获取、转化、存储和计算以及利用数据进行分析预测和构建应用。未来趋势是走向"向量海"，所有非结构化数据最终会被转化为向量进行存储，基于数据结构构建实时分析处理流程，在此基础上再构建出各种数据应用。
九章云极 DataCanvas 在数据生态方面积累了丰富的经验，提出一站式解决方案，涵盖了数据摄取到数据应用的全过程，并推出了相应的成熟软件和产品来满足客户需求。DingoDB 是其中的多模向量数据库，主要目标是处理数据存储和计算，以及部分分析和预测的功能。
除了 DingoDB，还推出更多相关产品，如 TableAgent 数据分析智能体以及自有的人工智能平台和大模型。这一系列工具的目的是为了能够串联起数据处理的全流程，为用户提供一站式的解决方案，有效满足大规模数据的存储、分析和应用需求。
在"Vector Ocean"时代，数据生态融合了多样化的数据类型，如图像、文档、音频和视频。这些多模态、非结构化数据通过向量化后，成为不同维度的向量集合，进而存储于大规模、高效的向量数据库中。这个数据库内部采用多种不同的数据组织形式，包括传统的数据库表结构、键值对（KV）存储，甚至可能包括文档型数据库（Document DB）。存储这些数据之后，可以支持多种应用场景，如商业智能（BI）、数据流分析、人工智能（AI）、数据科学等。
DingoDB 致力于创建一个多模态向量数据库，能够整合结构化数据和非结构化数据的存储、分析与查询。满足用户对向量查询的需求，也能够保护和利用其现有数据，并强化对向量查询的支持。
二、DingoDB 的产品优势和架构介绍
1. DingoDB 概览
DingoDB 支持结构化、半结构化和非结构化数据的存储，提供与 MySQL 兼容的协议和优化器。数据库底层支持键值对（KV）和向量的存储，并采用分布式存储架构，实现多模态数据的联合存储和分析。用户可以通过 SQL 指令和 API 访问数据，并支持服务器端运算。整体上是一个完整的多模态向量数据库。
DingoDB 致力于解决大规模、多模态数据存储和分析的问题，提供海量存储能力和联合分析服务。面临的挑战包括多模态数据的统一分析和融合存储的难度、数据的高可用性以及服务计算与存储的一体化问题。DingoDB 旨在简化系统之间的复杂度，提供更有效的存储方案，为用户保障数据的可靠性和完整性，同时不断研究和解决业界面临的问题。
作为中国信通院首批认证通过的向量数据库，DingoDB 以卓越的产品能力完成测试，通过包括 27 个必选项在内的共计 39 个测试项目，通过数量远超同期测评厂商，成为当前通过项目最多的向量数据库。
当前，DingoDB 已成为 Langchain 项目官方支持的后端存储。
2. DingoDB 特点
DingoDB 的产品特点主要集中在四个方面：存储、SQL 处理、API 支持和数据分析。
- 在存储方面，DingoDB 基于工业级的 Raft 协议实现多副本策略，确保了数据的强一致性和安全性。这种设计也使得数据库容易扩容，降低了用户的成本并提高了性能与可靠性。
- 在 SQL 处理方面，DingoDB 提供了统一的 SQL 处理能力，支持 MySQL 协议和索引管理。数据库支持监控化和分解化的融合分析，允许对数据进行更复杂的查询操作。
- API 层面，DingoDB 支持多种高性能 API 接口，满足如决策制定等高频业务需求，便于用户直接进行数据分析。
- 在数据分析能力上，DingoDB 通过 Python SDK 支持多模态数据的混合分析，包括向量和标量索引的混合检索。数据库同时兼容多种处理器并支持算子下推，这是一项增强查询效率和性能的强大功能。
3. DingoDB 架构
DingoDB 的逻辑架构被分为多个层次。最上层是各种应用场景，涵盖了传统关系数据库分析、语义搜索、结构化和分解化数据分析等方面，以及实时数据决策支持、提示词管理、大模型记忆体等现代火热场景。
在接口层，DingoDB 提供了与 MySQL 协议兼容的 SQL 支持、高性能的 Serving API 以及原生向量 API 的支持。在 API 下面一层提供了高效的元数据存储和资源管理能力，紧接着是查询优化器和事务管理器，负责查询和写入调度的实现。
在执行层，DingoDB 具有一个多模态执行引擎。
在存储层，DingoDB 支持关系型表、向量表，并能够对接其他类型的存储如对象存储或分布式文件系统。
上图清晰展示了 DingoDB 从应用层到底层存储的架构设计。
应用层：DingoDB 支持多种应用场景。
协议层：包括三个接入入口，一是支持 MySQL 客户端和 JDBC Driver 的 SQL 入口；二是提供高性能的 Java SDK，可以直接连接到存储层，满足实时访问需求；三是适应 Python 环境的大模型需求，通过 Python 或 C++ SDK 实现快速接入。
计算层：主要由两部分构成——Executor 是处理分布式事务和查询优化的分布式支撑引擎；Coordinator 作为协调器，负责元数据管理和资源管理。
存储层：底层是核心的存储架构，包括原始数据存储以及向量索引和标量索引的存储。此外，DingoDB 还支持向量的动态构建和计算功能。
4. DingoDB 产品优势
DingoDB 的产品优势主要体现在五个方面：
- 全面的访问接口：提供 SQL、SDK、API 等多种访问模式，支持表格和向量作为一等公民的数据模型，允许用户灵活选择和使用。
- 内建的数据高可用：所有功能和高可用性都是内建的，不需要部署外部组件，极大降低了部署和运维成本。
- 全自动弹性数据分片：支持动态配置数据分片大小，能够根据用户设置的阈值自动进行数据分片的分类和合并，无需用户担心分布式数据管理。
- 标量和向量的联合查询：支持传统索引类型以及主流向量索引类型，无缝衔接标量和向量混合检索，使得检索能力在业界领先。
- 内建实时索引构建优化：根据数据规模变化和计算资源配置，自动重新构建索引以优化数据结构，提高访问效率，用户无感知地体验到索引更新的效果。
三、应用场景介绍
DingoDB 被应用于多种场景，包括企业知识库建设、作为大型模型的记忆体、实时决策的指标分析，并且支持 VectorOcean 数据支撑平台等应用。
在赋能大模型应用方面，DingoDB 的应用被分为四个不同的层次，涵盖了从数据到 Embedding Model的整个流程。包括使用业界公开或自研的大型模型和 Embedding 模型来实现数据的向量化。在向量存储层面用 DingoDB 支撑各种场景，然后再去对接大语言模型去实现各种应用。
知识管家是大模型时代，基于向量数据库和大模型的一个新的应用方向。DingoDB 为知识管家提供了强有力的支撑。知识管家主要负责企业的知识管理和创造，应用场景包括智能问答、内容创作助手、智能化工作流程、企业决策辅助等等。
关于DingoDB的进一步信息和开源代码可以通过 GitHub 获取。
http://github. com/dingodb/dingo。
https://github. com/dingodb/dingo-store。
https://www. dingodb. com/。
