Postgres jako datová vrstva pro produkční AI agenty

Gwen Shapira z Nile publikovala praktický návod, jak postavit spolehlivou infrastrukturu pro AI agenty na PostgreSQL. Ukazuje, že pro škálovatelné nasazení není potřeba zavádět desítky specializovaných databází — Postgres dokáže pokrýt strukturovaná data, vektorové vyhledávání i paměť agentů v jednom prostředí. Důraz klade na rychlost dotazů, konzistenci dat a reálné scénáře, kdy AI funkce běží v produkci pod zátěží.

JSONB pro deterministický kontext a HNSW pro sémantické hledání

Shapira staví na dvou vlastnostech Postgresu, které se doplňují. JSONB umožňuje ukládat a efektivně parsovat polstrukturovaná data — typicky metadata produktů, konfigurace nebo výstupy z předchozích kroků agenta. Agent tak může rychle najít přesný záznam podle klíče nebo podmínky, což je deterministická operace bez nežádoucích překvapení.

Vedle toho Postgres podporuje HNSW indexy pro vektorové vyhledávání. To znamená, že stejná databáze umí vracet sémanticky podobné dokumenty nebo záznamy na základě embeddings. Kombinace obou přístupů dovoluje agentovi stavět kontext z přesných faktů i z podobných historických případů — obojí v rámci jedné transakce a se zárukou konzistence.

Vektorová kvantizace zrychlí dotazy až čtyřikrát

Shapira věnuje část prezentace vektorové kvantizaci, která komprimuje embeddings a snižuje paměťovou i výpočetní náročnost. V praxi to znamená, že dotaz na 100 000 vektorů vrátí výsledek až čtyřikrát rychleji než s plnou přesností. Přesnost se sníží minimálně — pro většinu business scénářů je rozdíl zanedbatelný.

Tato technika má smysl hlavně tam, kde agent pracuje s velkým objemem embeddings — například prohledává katalog produktů, znalostní bázi nebo historii konverzací. Bez kvantizace by dotazy trvaly příliš dlouho na to, aby agent stíhal odpovídat v reálném čase. S kvantizací se Postgres chová jako vektorová databáze, ale s výhodou relačního modelu a transakcí.

Paměť agenta uložená v relační struktuře

Shapira diskutuje praktický problém: jak uchovávat dlouhodobou paměť AI agenta, aniž by se ztratila konzistence nebo rychlost. Postgres nabízí schopnost ukládat historii interakcí ve strukturovaných tabulkách, kde každá konverzace má své ID, timestamp a metadata. Zároveň lze k těmto záznamům přiřadit vektorové embeddings pro sémantické dotazy typu „najdi všechny konverzace, kde zákazník řešil podobný problém“.

Relační model zaručuje, že paměť agenta zůstane konzistentní i při souběžných zápisech z více instancí. To je důležité, pokud agent běží v produkci a obsluhuje desítky nebo stovky uživatelů současně. Specializované vektorové databáze tento typ konzistence často neřeší — nebo řeší se značným overheadem.

Kdy má Postgres jako AI vrstva smysl

Shapira cílí na týmy, které už mají Postgres v produkci a chtějí přidat AI funkce bez nutnosti učit se novou databázi a integrovat ji do existujícího stacku. Postgres řeší většinu potřeb AI agentů — od strukturovaných dat přes vektory až po paměť — a týmu stačí jedna databáze s jedním backupem, jedním monitoringem a jedním set of best practices.

Nevýhoda je, že Postgres není optimalizovaný čistě pro vektory. Pokud aplikace potřebuje prohledávat miliardy embeddings s latencí jednotek milisekund, specializovaná vektorová databáze může být rychlejší. Ale pro většinu business aplikací — kde agent pracuje s tisíci až stovkami tisíc vektorů a latence v řádu desítek milisekund stačí — Postgres pokrývá potřeby bez nutnosti přidávat další technologii.

Praktický postup pro týmy s existujícím Postgresem

Shapira doporučuje začít tím, že tým přidá pgvector rozšíření do existující Postgres instance a nahraje embeddings z malé části dat — například 10 000 produktů nebo 5 000 dokumentů. Pak otestuje rychlost dotazů a recall. Pokud výsledky stačí, může postupně škálovat.

Důležité je sledovat velikost indexu a paměťovou spotřebu. HNSW index zabere víc místa než klasický B-tree, a pokud tým nepoužije kvantizaci, může se paměť rychle vyčerpat. Shapira upozorňuje, že kvantizaci je lepší zapnout hned na začátku — zpětná migrace je zbytečně složitá.

Pro týmy, které Postgres ještě nemají v produkci, je tento postup méně přímočarý. Postgres je skvělá relační databáze, ale pokud jediný důvod k jejímu zavedení je vektorové vyhledávání pro AI agenty, pak specialized vector store může být jednodušší volba. Shapira prezentuje Postgres jako AI vrstvu hlavně pro týmy, které už mají Postgres nasazený a chtějí minimalizovat počet technologií v produkci.