AI写代码快,腾讯云黄辉:生产责任没消失,只是要写进系统默认值
AI 已经能在几分钟内把一个应用的 Demo 写出来,这件事早就不新鲜了。真正悬而未决的,是这些 Demo 能不能走到生产环境,并且一直活下去。 近日在 DBTalk 数据库 AI 技术沙龙成都站上,腾讯云 PG 数据库技术专家黄辉把这个问题摆上了台面,并给出了自己的判断:AI 缩短的是代码生成的时间,不是生产工程的责
几百秒就能让AI拼出一个应用Demo,这已经算不上什么新闻。真正没解决的是另一件事:这些Demo能不能撑到进生产环境的那天,并且跑得下去。
DBTalk 数据库 AI 技术沙龙成都站近日举行,腾讯云 PG 数据库技术专家黄辉在会上直接点了这个问题。他的判断是,AI 省掉的只是敲代码那段时间,生产环境那张工程责任清单并没有变短——只是责任从“谁来写”换成了“谁来扛”。
AI 写得快,不代表接得住
他拿一个团队任务管理系统举例:一个账号、几个页面,数据接上就能演。可真要上线,麻烦马上就来了——这个应用准备给多少人用?每个用户归哪个团队、能看什么?某个账号忽然猛发请求怎么挡?数据被人误删误改又怎么找回来?
这些追问落到工程上,就是三道鸿沟。三道沟指的是同一件事:这部分责任AI并没有分担,只是被推迟到了上线以后。
先说成本结构。传统数据库按固定规格卖、按长期计费;AI应用的负载却忽高忽低,为了扛住峰值买高配,平峰时大部分钱其实花在了闲着的资源上。
再说资源供给。老式应用上线前有几周甚至几个月的评估期,资源完全可以提前备好;AI应用要的是快速试错,根本等不起。眼下最快的云数据库建一个也要几分钟,在 WorkBuddy 这类 AI 平台上跑个任务,单是等数据库就位就得十几分钟,用户哪还有耐心。
第三道是运行治理。身份认证、权限隔离、数据保护、容灾恢复,这些能力在 Demo 阶段都用不上,可到了生产环境,缺一样都不行。
三道鸿沟各有各的补法,但方向是同一个:把原本靠人盯着的责任,变成系统默认就会做的事。
把责任,写进系统的默认值
成本这道沟怎么填?办法是换计费单位:不再按“固定规格 × 时长”算,改成按活跃时间片计 CU(1 核 2G 每小时)。计费精确到分钟,没有请求就不产生计算费用。偶尔被调用几次的小应用,不用再为整月的闲置掏钱。
资源供给那道沟,解法是把建数据库这个耗时动作挪到用户发请求之前。平台先备好一批初始化完成的实例放进资源池,请求一到直接分配,剩下的只是绑身份、配网络两步轻活。交付时间由此从行业常见的 5 分钟级降到 3 秒以内,提速约 100 倍。
运行治理这道沟,解法分两步走。
第一步,把权限默认写进数据层。思路对标 Supabase 范式——让 PostgreSQL 的 Schema 同时充当 API、权限和 AI 三者共同理解的唯一后端契约。角色分三类:匿名角色只能碰公开数据;登录角色扛住绝大部分业务访问,对象权限交给 GRANT,行级可见性交给 RLS;高权限角色只留给服务端。看一个最小示例更清楚:先打开行级安全,再用一条策略把读写都绑在同一个租户上:
ALTER TABLE tenant_data ENABLE ROW LEVEL SECURITY;CREATE POLICY tenant_isolation_policy ON tenant_data FOR ALL TO app_user_role USING (tenant_id = current_setting('app.current_tenant')::UUID) WITH CHECK (tenant_id = current_setting('app.current_tenant')::UUID);
这条策略起的作用是:应用代码不必到处写WHERE tenant_id = ?,哪处漏写了,数据库自己会拦。
第二步,让同一资源池里的应用彼此不干扰。答案是 Serverless 模式:让出资源的长期独占,换回低成本按需计费和秒级交付。隔离分三层:路由只通向自己的实例,连接权限不归别人,Schema 和对象权限严格隔开。一个实例被回收、重新放回池子之前,要按顺序走完下面这套流程:
-
摘掉路由:网关和连接层不再把新请求转过来
-
关掉新连接:收回上一个使用方角色的连接权限
-
清掉存量连接:把已有会话排空或者终止
-
重置权限:回收残留授权,重建默认权限基线
-
校验合格再入池:确认没有旧路由、没有旧连接、没有旧授权,才允许放回资源池
哪一步没做干净,旧凭证都可能重新摸到已经回收的数据。应用长大之后也有退路:小应用先跑在 Serverless 资源池里,访问量涨了就在池内调高配额,业务稳下来再一键迁到预置规格实例,全程代码不用动。
这套数据层隔离的思路还延伸到了 Agent 场景:用 Branch 和沙箱让 AI 先在隔离环境里验证,而不是拿生产数据直接试错。Serverless 这套隔离机制本身,也正好圈出了整套方案的边界。
边界划清了,分工才说得清
这套方案成立的前提,是一笔价值交换:用户不再长期预留固定资源,以此换取低成本与秒级交付。交换本身也把 Serverless 的适用范围框了出来——长期维持大量并发连接、负载一直处在高位,或者对性能隔离、故障域和 SLA 有明确要求的核心交易系统,按需模式既省不下多少成本,也没法提供固定资源那样的确定性,这类场景直接选预置规格实例更稳妥。
这条线一划清,开发者和平台各自管什么也就明白了:业务模型、业务权限、业务逻辑和产品体验,仍旧由开发者负责;可用性保障、数据备份恢复,还有安全合规所需的基础能力,则交给平台,通过架构和托管能力统一承接。
分享收尾时他用一句话作结:让 AI 写出的每一个应用,都有一套能长期运行的生产级后端。这句话回应的正是开场提出的那个问题——AI 写出来的应用能不能活下去,关键不在模型写得多快,而在代码落地之后,那一串没人替你扛的工程责任由谁接住。
从 Demo 到生产之间的鸿沟,并不是今天才出现。每逢开发范式换代,“谁该接住这份责任”都要被重新回答一遍,这一次,轮到数据库来接。