2026 年 5 月国产数据库：国测落地、新品扎堆、Agent 成新战场

5 月的国产数据库圈，节奏明显加快——国测结果正式公布，给选型定下硬指标；达梦 DM9、腾讯云 TDSQL Agent 系列同月发布，产品线从"稳"转向"智"；OceanBase 拿下智博会前沿科技成果奖，AI 数据库从概念走到评奖台。资本面同样热闹，达梦 1.13 亿分红、海量数据 7.02 亿募资，钱在往这个赛道持续灌。

把这些事件串起来看，一条线索很清楚：国产数据库的竞争重心，正在从"兼容替代"移向"AI 原生能力"。

国测结果公布：选型的硬门槛变了

2026 年数据库国测结果本月正式发布。国测（国家信息安全测评）对国产数据库而言，不只是合规标签——它是金融、政务、能源等关键行业采购的前置条件。

这次结果值得关注的几点：

• 通过名单比去年更短，评审标准在收紧，尤其在并发事务处理和加密存储两个维度门槛提高。
• 已通过的产品后续每年还要复审，不是"一证永逸"。
• 未通过的产品在招投标中直接出局，没有缓冲期。

对正在做选型评估的团队来说，国测名单现在是第一道过滤器——先筛合规，再比性能和生态。

新品密集发布：DM9 与 TDSQL 的两条路线

达梦 DM9：从兼容走向自研内核

达梦数据本月发布 DM9 及新一代数据库一体机。DM9 的核心变化：

• 内核架构重构，不再以 Oracle 兼容为首要卖点，而是强调自研执行引擎和分布式能力。
• 一体机方案把存储、计算、数据库软件打包，面向的是"不想折腾基础设施"的政务和金融客户。
• 达梦同时宣布 1.13 亿元分红，现金流健康，研发投入有底气。

腾讯云 TDSQL：全面面向 Agent 升级

腾讯云的动作更激进——TDSQL 全系产品升级，并发布两个新组件：

• Agent Memory：为 AI Agent 提供结构化长期记忆存储，支持上下文窗口之外的持久化召回。
• Databa（名称截断，推测为 Data+Agent 的复合产品）：面向 Agent 工作流的数据库访问层。

这意味着 TDSQL 不再只是"给业务系统存数据"，而是直接把 Agent 当成第一类用户。Agent 需要的不是 CRUD，是记忆、检索、工具调用——TDSQL 在往这个方向改底层抽象。

OceanBase AI 数据库获前沿科技成果奖

OceanBase 在本月智博会上拿到前沿科技成果奖，获奖方向是 AI 数据库。这标志着 AI 数据库不再只是论文概念，开始被产业评审体系认可。

OceanBase 近一年在 AI 方向的动作包括：向量检索引擎集成、大模型数据预处理管线优化、以及与多家模型厂商的联调适配。获奖说明这些工作已经跑出了可复制的落地案例，不是停留在 demo 阶段。

ICDE 2026：学术侧也在跟进

数据库顶会 ICDE 2026 在加拿大举行。国产数据库团队在顶会的论文投稿和展示数量逐年增加，今年尤其集中在分布式事务优化和向量索引两个主题——和产业侧的 AI 趋势完全对齐。

学术侧的信号：向量检索和混合查询（结构化 + 向量）正在成为数据库研究的核心议题，不再是边缘方向。

实操：用 OceanBase 快速搭建一个向量检索试验环境

OceanBase 是目前国产数据库中开源程度最高、AI 能力最前置的产品之一。下面用 OceanBase 社区版 4.3.x（支持向量类型）搭一个最小向量检索环境，验证"结构化 + 向量混合查询"的基本流程。

前提：机器有 Docker，内存 ≥ 8 GB，磁盘 ≥ 20 GB。

1. 启动 OceanBase 容器

# 拉取 OceanBase 社区版镜像
docker pull oceanbase/oceanbase-ce:4.3.3.0-100000252025051510

# 启动单节点实例
docker run -d \
  --name obtest \
  -p 2881:2881 \
  -p 2882:2882 \
  -e MODE=mini \
  -e OB_MEMORY_LIMIT=6G \
  -e OB_DATAFILE_SIZE=10G \
  oceanbase/oceanbase-ce:4.3.3.0-100000252025051510

# 等待约 30 秒让集群初始化完成，然后检查状态
docker exec obtest obclient -h127.0.0.1 -P2881 -uroot@test -Dtest -e "SELECT STATUS FROM oceanbase.DBA_OB_SERVERS;"

2. 创建向量表并写入样本数据

-- 连接数据库
docker exec -it obtest obclient -h127.0.0.1 -P2881 -uroot@test -Dtest

-- 创建带向量列的表（VEC128 表示 128 维 float 向量）
CREATE TABLE products (
  id BIGINT PRIMARY KEY,
  name VARCHAR(200),
  category VARCHAR(50),
  embedding VEC128
);

-- 写入几条样本数据（向量值简化为示意，实际应由 Embedding 模型生成）
INSERT INTO products VALUES
  (1, '机械键盘 K8', '外设', VEC128('[0.12,0.45,0.78,...]')),  -- 省略中间维度，实际需填满 128 个 float
  (2, '无线鼠标 M3', '外设', VEC128('[0.10,0.42,0.75,...]')),
  (3, '降噪耳机 H1', '音频', VEC128('[0.55,0.33,0.21,...]'));

-- 创建向量索引（HNSW 类型，适合高召回率近似检索）
CREATE VECTOR INDEX vidx_products_embedding
  ON products (embedding)
  WITH (distance_metric = 'cosine', index_type = 'hnsw');

3. 执行混合查询：结构化过滤 + 向量近邻检索

-- 查询：在"外设"类目中，找与输入向量最相似的 5 条记录
-- @emb 替换为实际查询向量
SELECT id, name, category,
       APPROX_DISTANCE(embedding, VEC128('[0.11,0.44,0.77,...]'), 'cosine') AS dist
FROM products
WHERE category = '外设'
ORDER BY dist ASC
LIMIT 5;

这个查询同时做了两件事：先用结构化条件 category = '外设' 过滤，再在结果集上做向量近邻排序。这正是当前 AI 应用最典型的数据库访问模式——不是纯向量搜索，而是结构化 + 向量混合。

注意：向量值需由你的 Embedding 模型生成。可用 OpenAI、本地 Sentence-Transformers 或国产模型服务获取 128 维向量后填入。上面的 [0.12,0.45,...] 是占位示意。

4. 清理

docker stop obtest && docker rm obtest

资本面：分红与募资并行

达梦数据分红 1.13 亿元，海量数据拟募资不超 7.02 亿元。两个数字方向相反，含义一致：

• 达梦分红说明业务已进入稳定盈利期，现金流充裕，不需要靠融资续命。
• 海量数据募资说明仍有团队在加大投入阶段，扩产能、补生态。
• 两者的共同前提是：市场对国产数据库的付费意愿已经真实存在，不是政策驱动的虚假繁荣。

选型建议：5 月之后的决策框架

结合本月事件，给正在做数据库选型的团队一个简化决策框架：

一句话总结：先过国测，再比 AI 能力，最后看内核自主度和供应商可持续性。 5 月的这些事件，把前两项的评判标准变得更具体了。