# Observability Database：数据库该理解遥测数据吗？

Source: https://greptime.cn/blogs/2026-08-26-what-is-an-observability-database

[《可观测性已经开始统一，但查询它的不再只是人》](/blogs/2026-08-11-observability-three-pillars-history)的结尾我们留了一个问题：当 Agent 成为遥测数据的主要消费者，数据库本身要不要变。这篇是我们的回答，也是一次定义的尝试。

我们把 GreptimeDB 首页的定位改成了「The open-source observability database」。

这个名字目前没有多少市场基础。Gartner 有 Observability Platforms，没有 Observability Database。ClickHouse 把 ClickStack 称为 observability stack，Apache Doris 把 observability 放在 use case 里，Grafana、Datadog、Honeycomb 卖的都是 platform。就连 ClickHouse 这样最有资格强调数据库内核的公司，也只说 database 是 observability platform 的核心部件，没有把观测产品直接叫作 observability database[^1]。

我们主动选择了一个分析师不覆盖、友商也没有共同使用的定位。

但是，我们不是为了造一个新词。相反，我们需要这个词来约束产品——或者流行的说法叫「定位」：GreptimeDB 只为遥测（可观测性）数据服务，数据库内核要理解这些数据的含义，并据此决定怎么存、怎么建索引、怎么查、怎么扩展（scale）。少了其中任何一条，「observability」都只是 database 后面附带的 use case。

## 可观测性数据库是什么

我对 Observability Database 的定义是：

> 一个为 metrics、logs、traces、wide events 等遥测数据提供统一存储和查询的数据库。它理解数据中的语义，据此优化存储、查询执行和扩展方式，并支持实时语义查询与跨信号关联。

它至少要在四个层面提供统一的使用体验。

第一，逻辑数据模型统一。在可观测性数据库的逻辑模型里，metrics、logs、traces、wide events，以及以后可能进入生产的 profiles，都应当表现为表（Table）。它们共用 schema、类型系统、时间索引和标签体系。跨信号关联可以写成普通 SQL，而不需要由 UI 发起几次独立查询再拼结果。

这里说的 wide event，指一条很宽的、带时间戳的事件记录。它在 GreptimeDB 里不是一种独立的信号类型，就是一张列很多的表。

第二，存储格式统一。数据以列式格式保存，不让使用者为不同信号维护完全不同的压缩、索引和成本模型。

第三，存储介质统一。对象存储承担主要留存，本地盘和内存处理热数据与缓存。存储容量和计算可以分开扩展，留存策略也不必按信号拆成三套。

第四，查询引擎统一。SQL 处理探索性分析和跨表关系，PromQL 继续服务指标查询。PromQL 最终也会转换成逻辑查询计划，和 SQL 一样交给 GreptimeDB 的查询引擎优化、生成物理计划并执行，不需要另存一份 PromQL 专用数据。PromQL 因此也有 `TQL EXPLAIN` 和 `TQL ANALYZE`，可以查看查询计划和运行时指标[^2]。

请注意，**这四点描述的是使用者看到的系统，但是并不意味着底层只有一种物理设计。**

## 现在的栈把数据分开，也把问题分开了

可观测性长期「借用」了几类已有数据库。指标长得像时间序列，于是进入 TSDB；日志长得像文档，于是进入 Elasticsearch；后来列式数据库更便宜，日志又开始进入 ClickHouse 和 Doris；trace 通常再配一套后端，例如 Tempo。

这些选择分别看都合理。放在一起，系统之间的对接就落在监控研发和运维团队身上。

同一个请求的指标、日志和 span 被写进不同系统。`trace_id` 可能存三份，pod 名在三个 schema 里可能分别叫 `pod`、`pod_name` 和 `k8s.pod.name`。Grafana 的 cross-store correlation 能省掉复制粘贴，但它的执行机制仍然是带变量的链接：先查一个数据源，再把字段填进另一个数据源的查询模板，底层仍是不同系统里的独立查询[^3]。

这类架构当然能工作，事实上大量生产系统都这么跑。问题出在一个问题需要跨系统回答的时候。一次查询要同时解释 label、采样比例和实体身份，还要把几个系统的时间范围对齐。每多跨一个系统，就多一次查询、一次结果搬运、一次语义对齐和一次时间对齐。

<figure style="text-align: center">
  <img src="/zh/blogs/2026-08-26-what-is-an-observability-database/alignment-layer.png" alt="左边：语义对齐、实体对齐和时间对齐发生在数据库之上，由链接模板的变量、人的经验和 Agent 的上下文承担。右边：同样的对齐发生在引擎内部" style="max-width: 820px; width: 100%; display: block; margin: 0 auto">
  <figcaption>左边：语义对齐、实体对齐和时间对齐发生在数据库之上，由链接模板的变量、人的经验和 Agent 的上下文承担。右边：同样的对齐发生在引擎内部</figcaption>
</figure>

人靠经验还能补上很多缺口。Agent 会把这些代价放大。人的排查速度受限于能看多少图、能写多少查询。Agent 可以同时探索大量假设，查询形状也更难预测。把数据库藏在所谓的 AI front door 后面，不会让物理限制消失。点查仍然要读数据，join 仍然消耗内存，跨源关联仍然要付出网络往返。

为了衡量这些代价，我们做了一个 [benchmark](/blogs/2026-09-08-agent-rca-bench-interface-semantic-layer)，固定模型和 prompt，只换查询接口：一边是 Prometheus、Loki、Tempo 三个后端的原生 API，一边是 GreptimeDB 上的只读 SQL 和 PromQL。六个模型、14 个 incident、504 次端到端排查。统一接口这一侧读入的 token 少约 48%，模型 API 成本低约 45%；这两项在六个模型上的结果是一致的，其中三个通过了 Holm 校正。正确诊断是统一接口 130、三个后端 105[^4]。

<figure style="text-align: center">
  <img src="/zh/blogs/2026-08-26-what-is-an-observability-database/interface-comparison.png" alt="同一批故障下两种查询接口的错误诊断数、读入 token 和估算成本" style="max-width: 820px; width: 100%; display: block; margin: 0 auto">
  <figcaption>同一批故障下两种查询接口的错误诊断数、读入 token 和估算成本</figcaption>
</figure>

换接口的同时也换掉了存储、查询语言和工具设计三样东西，效应没法单独归给其中任何一样。

我们想把这些对齐工作移到数据库内部。

## Agent 需要数据库保存语义

上面是查询量带来的代价，另一类代价来自 Agent 怎么出错。工程师不确定某个指标是不是 cumulative counter 时，往往会检查文档或者问维护者。Agent 看到的只有表名、列名和值。它拿错了语义，就可能写出语法正确、语义错误的查询，比如把 counter 直接 `sum`：查询成功了，图也画出来了，结果却是错误的，系统不会用报错提醒你。Grafana 2026 年的调查里，受访者把需要手工输入的上下文太多列为 AI 落地的头号障碍（26%）[^5]。

这些语义只在写入那一刻是完整的。OTLP 在协议里声明了指标的类型、单位和 temporality，但写成表的行以后，单位会在行编码时被丢弃，写入后无法恢复；temporality 从指标名上也看不出来。Prometheus 这边，counter 往往只是从 `_total` 后缀推断出来的，并不是协议声明的。数据库如果在写入时不把这些信息记下来，上层的 MCP server、平台或者 Agent 无论怎么设计，都没有办法再补回来。所以这件事只能由数据库来做。GreptimeDB v1.3 在自动建表时把它们记成表选项：`metric.type`、`metric.unit`、`metric.temporality`，以及区分协议声明（`declared`）和后缀推断（`inferred`）的 `metric.metadata_quality`[^6]。

下面是在一个 v1.3.0 实例上，分别用 OTLP 和 Prometheus remote write 写入指标后查到的结果：

```sql
SELECT table_name, source, metadata_quality, semantic_options
FROM information_schema.table_semantics
WHERE table_schema = 'semantics_demo'
  AND table_name IN ('http_server_requests_total',
                     'queue_jobs_processed_total',
                     'prometheus_http_requests_total')
ORDER BY source, table_name;
```

```
+--------------------------------+---------------+------------------+-------------------------------------------------+
| table_name                     | source        | metadata_quality | semantic_options                                |
+--------------------------------+---------------+------------------+-------------------------------------------------+
| http_server_requests_total     | opentelemetry | declared         | {"metric.original_name":"http.server.requests", |
|                                |               |                  |  "metric.temporality":"cumulative",             |
|                                |               |                  |  "metric.type":"counter",                       |
|                                |               |                  |  "metric.unit":"{request}"}                     |
| queue_jobs_processed_total     | opentelemetry | declared         | {"metric.original_name":"queue.jobs.processed", |
|                                |               |                  |  "metric.temporality":"delta",                  |
|                                |               |                  |  "metric.type":"counter",                       |
|                                |               |                  |  "metric.unit":"{job}"}                         |
| prometheus_http_requests_total | prometheus    | inferred         | NULL                                            |
+--------------------------------+---------------+------------------+-------------------------------------------------+
```

前两张表来自 OTLP，类型、单位和 temporality 都由协议声明，其中 `queue.jobs.processed` 是一个 delta counter，原始指标名也保留着。最后一张来自 Prometheus remote write 1.0，`_total` 后缀暗示它是 counter，但协议没有声明，所以 `metric.type` 留空，只记了 `inferred`。

记下来之后，还要能被找到。Agent 排障的第一步，通常是找证据在哪张表、哪个信号里。语义以表选项的形式保存，就能用一条 SQL 从 `information_schema.table_semantics` 查出来，不必先扫一遍表名去猜。在前面那个 benchmark 里，我们把语义层单独拿出来对比：需要先定位证据所在表和信号的 35 个 table discovery 结果，返回的行数全部下降[^4]。语义层的作用目前主要体现在找证据这一步，跨层的实体关系还在往基础设施层延伸。

找到之后，还要能用对。如果 temporality 和 metadata quality 都留在数据库里，查询层就能按语义选对算法，或者明确告诉 Agent 这只是推断。GreptimeDB v1.3 里已经有一个例子：OTLP 的 delta `Sum` 和 `Histogram` 写入时带上 `otlp_aggregation_temporality="delta"` 标签，PromQL 的 `rate()` 和 `increase()` 按 series 分别计算，delta 序列对区间值求和，cumulative 序列仍按 counter 计算。一条查询同时覆盖两种序列，也不会把 delta 当成 counter 去算[^7]。

把这些信息丢掉，再要求每个上层工具重新猜一遍，结果只会是多套互不一致的语义层。

## 市场为什么绕过了这个位置

既然问题是清楚的，为什么这个位置一直空着。

今天的可观测性市场有两类主流产品。

一类是平台（Platform）。它们采集数据，提供图表、告警、服务地图、根因分析和事件响应。Gartner 对 Observability Platforms 的定义也沿着这条边界展开：存储和分析遥测数据只是必备能力之一，另外还要求跨信号探索、组件发现与映射、业务事务建模、故障原因分析、上下文富化和公有云采集[^8]。

另一类是通用数据引擎。ClickHouse、Elasticsearch、Doris 都能承载相当大的可观测性负载，但它们不能把自己限定在这里。ClickHouse 还要服务实时分析，Doris 还要做数仓和搜索，Elastic 现在把公司定位放在 Search AI 上。它们把可观测性做好，是扩大市场；把自己叫作可观测性数据库，则是在主动缩小市场。

这个位置空着，未必是因为它没有价值。更直接的解释是：**只有愿意放弃其他负载的数据库，才拿得起这个名字。**

GreptimeDB 愿意接受这个限制。

限制也意味着责任。只把 metrics、logs 和 traces 塞进同一个列式数据库，离前面那个定义还很远。一个通用分析库同样能做到，而且可能做得很好。可观测性数据库必须回答另一个问题：当数据库知道一行数据是 counter、span、resource attribute 或者 Kubernetes entity 时，它能不能做出比通用引擎更好的决定？

## 标准让这个数据库第一次变得可用

这件事以前做不了，不是因为没人想到，而是专用数据库过去常死在迁移成本上。引擎可以很懂某类数据，但它要求用户接受新的 schema、SDK 和查询语言。为了换一个存储层，让所有服务重新埋点，通常不值得。

现在这道门槛低了很多。OpenTelemetry 统一了传输协议、Resource、InstrumentationScope、Attributes 和跨信号关联键；Prometheus remote write 已经是指标生态里的事实标准；Kubernetes 的资源标签也有稳定约定。数据库可以从现有数据中识别语义，不需要先说服用户采用 GreptimeDB 私有模型。

当然，我们不能只看 OpenTelemetry。2025 年 Grafana 的调查里，metrics 采用率是 95%，traces 是 57%；受访组织平均仍在使用 8 种可观测性技术。2026 年的调查里，用 OpenTelemetry 采集 metrics、traces 和 logs 的比例分别只有 57%、50% 和 48%[^5]。Prometheus 的 `job`、`instance` 和 Kubernetes 的资源约定之所以稳定，是因为用的人太多，已经几乎改不动了。一个只理解 OTel 的数据库会漏掉大量已经存在的数据。

标准覆盖也不均匀。HTTP 和 database 的 semantic conventions 已经稳定，Kubernetes 的一批核心资源属性在 2026 年 6 月随 v1.42.0 转为 stable，部分 Kubernetes 指标仍处于 release candidate；GenAI conventions 仍处于 Development，已经拆到单独的仓库维护[^9]。传统基础设施负载上的语义最可靠，Agent 相关语义反而变化最快。数据库必须记录语义的来源和可信程度：不知道时写 `unknown`，混合来源时写 `mixed`，不能为了让 schema 好看而制造一个虚假的确定值。前面提到的 `metadata_quality` 就是一例，`unknown` 和 `mixed` 则是 GreptimeDB 各个语义字段共用的取值[^6]。

GreptimeDB 的语义层沿着这个方向设计，由两部分组成。第一部分是表语义，记录单张表代表什么：协议里的 signal type、source、metric type、unit、temporality 和 conventions 不应该在写成表之后丢失，它们通过表选项和 `information_schema.table_semantics` 继续对查询者可见[^6]。第二部分是语义图，记录跨表的结构：行描述了哪些实体，实体之间有什么关系，通过 `greptime_private.semantic_entities` 和 `greptime_private.semantic_relationships` 两张表查询，后文拓扑一节会展开[^10]。查询者今天可能是工程师，明天也可能是告警生成器、MCP server 或者排障 Agent。

## 物理特化由数据库完成

[上一篇](/blogs/2026-08-11-observability-three-pillars-history)引过 Charity Majors 那句「支柱是个谎」。她说的是这三类数据不该被分开存放，这一点我同意。但不该分开存，不等于它们在物理上可以用同一套设计。基础设施指标通常频率高、维度相对稳定，需要以很低的单位成本保留很久。日志和 wide events 带着高基数属性，日志还要支持文本检索。Span 是宽行，既要按属性筛选，也经常按 `trace_id` 点查并重建调用树。没有一种 primary key、索引或 sharding 规则能同时把这些负载做到最好。

常见的反对意见正是从这里出发：metrics 是基数问题，logs 是检索问题，traces 是按 ID 查找的问题；每个数据库只能擅长其中一两样，在第三样上让步；所以不存在 observability database，只能按主导信号选库。

第一步我同意，三类负载确实是三种不同的存储问题。第二步不成立，它把「一套物理设计」等同于「一个数据库」。一套物理设计确实没法同时照顾三种负载，但一个数据库内部可以有多套物理设计，按信号分别特化，哪一类都不必让步。第三步还默认了两件事：一个团队只有一个主导信号，而且不需要跨信号回答问题。前面几节讲的，正是这两个前提不成立时要付的代价。

**GreptimeDB 的差异点，不在于消灭这种特化（specialization），而在于让它由协议语义自动触发并持续优化**。以 Elastic 为例。为了分别优化日志和指标，它在同一个引擎里提供了 `logsdb` 和 `time_series` 两种 index mode。两种模式的排序要求不同，用户建索引时要选择，也要理解选择的后果[^11]。特化在这里通过配置暴露给了使用者，而这个选择引擎本来可以自己做：这批数据是日志还是指标，数据里就带着。

规则只有一条：协议确定的部分，引擎自己定；协议不确定的部分，不硬猜，而是选择更通用的方式处理，再根据真实负载调整。下面几个例子都是这条规则。

OTLP trace 自动建表时，表结构就是 span 的结构。`duration_nano` 完全可以从 `timestamp` 和 `timestamp_end` 算出来，还是物化成了一列，因为引擎知道 duration 是用来过滤和排序的那个值。物理设计同样来自协议：纳秒精度的时间索引，service 和 operation 附加表一并生成[^12]。这些你一样都不用配。

这套设计还可以持续演进。从 v1.3 起 trace 有了第二个数据模型：v1 把 attributes 平铺成独立的表列，v2 把它们收进三个固定的 `JSON2` 列。换的原因来自真实的用户场景：同一个 attribute key，不同 SDK 和不同编程语言给出的类型并不一致——第一次写入是 string，后面来的可能是空字符串，也可能是 int。平铺成列时，v1 只能尽量转换，转换不了的 span 会被拒绝；`JSON2` 没有这个问题。这类事情协议不会告诉你：OTLP 不声明 attribute 的类型契约，答案取决于你那一批 producer 的行为。所以引擎不硬猜，v1 和 v2 通过 pipeline header 选择。

compaction 的参数也落在这条规则上。通用数据库里，TWCS 的时间窗口、触发文件数和输出文件大小通常要靠人或者外部工具调；窗口选错，查询会变慢，写入会放大，事后改窗口还会触发一次历史数据重写。GreptimeDB 里，这些参数有一部分直接由语义决定：Metric Engine 的物理表默认用一天的 compaction 窗口，对长时间范围的指标查询更友好。

扩展（scale）也是同一条规则。分布式数据库扩展时要回答两个问题：数据沿哪个键拆开；什么时候拆，拆成几份。前一个问题可以由语义回答，后一个问题只能由负载回答。trace 的语义回答了第一个：按 `trace_id` 点查是最常见的访问方式，trace ID 又通常随机生成，所以 trace 表默认按 `trace_id` 首字符分区，写入分散到各个 region，同一条 trace 的 span 落在同一个分区里[^12]。metrics 没有这样通用的分区键，数据库不会为了看起来自动就硬选一个。Metric Engine 让大量逻辑指标表共享物理表，扩展的对象是物理表的 region，与指标名的数量无关[^13]。Region Balancer 会按写入和查询负载把 region 迁到负载更低的 datanode。这些动作都以共享对象存储为前提，节点之间转移的是 region 的归属，不是数据文件本身[^14]。

特化也不止于建表时的选择，我们也在为 PromQL 开发专门的存储布局和执行路径。同一条规则在 metrics 和 traces 上落成的物理设计是这样的：

|  | metrics | traces |
| --- | --- | --- |
| 引擎与表模式 | Metric Engine，大量逻辑指标表共享一张物理宽表，稀疏 primary key 编码 | Mito Engine，由协议建成 append-only 表，primary key 为 `service_name` |
| 分区 | 没有通用分区键，初始不硬选；什么时候拆、拆成几份交给负载（企业版 Auto Repartition） | 按 `trace_id` 首字符拆成 16 个分区 |
| 索引 | 倒排索引分段调小到 256 行，适配指标的小索引 | `trace_id`、`service_name`、`parent_span_id` 三列上的 skipping index |
| compaction | 物理表默认一天窗口 | 不需要去重；暂无专门窗口，按已有文件的时间跨度推断 |

**统一的是逻辑模型、存储和查询引擎，不是要求所有信号共用同一套物理设计。**

## 拓扑本来就在遥测数据里

一条 span 已经写出了调用方、被调用方和发生时间。Resource attributes 记录了指标或日志属于哪个 service、pod 和 node。这些数据本身就是实体与关系的证据。

常见做法是在旁边再维护一份 service catalog 或者 graph store。代价是同步。服务改名、部署迁移或者标签变化之后，catalog 和遥测数据可能悄悄对不上。系统默认不会报错，直到一次故障排查同时得到两个互相矛盾的答案。

GreptimeDB 选择从遥测数据派生实体和关系，把图保留为逻辑视图，也就是前面说的语义图。v1.3 已经提供，目前仍标为实验功能：`greptime_private.semantic_entities` 和 `greptime_private.semantic_relationships` 两张表在查询时由已存储的遥测数据计算，不另外落盘；由 trace 生成的 `calls` 边带 RED 指标；多跳遍历用 `WITH RECURSIVE` 写成普通 SQL，SQL/PGQ 的图查询语法还没有实现[^10]。

派生视图也会滞后，但滞后可以衡量并且设上界；独立 catalog 的偏差没有天然上界。需要更低查询延迟时，可以用 Flow Engine 在写入时增量维护物化视图，逻辑定义仍然只有一份。

这里还有一个容易被忽略的点：关系天然带时间。`A calls B` 只在某个窗口内成立。发布结束、实例退出或者路由切换之后，关系会变化。一个脱离时间的 service catalog 在持续陈述一个部分过期的世界，这对于故障排查反而是一个拖累。GreptimeDB 的派生边按 60 秒窗口记录，「当前拓扑」就是对最近几个窗口的查询，不再产生遥测的实体和边自然消失[^10]。

这一层不只供 Agent 使用。我们在 GreptimeDB Dashboard 里基于它做了 service map，一张实时的服务依赖图。节点、调用边，以及边上的请求数、错误数和耗时，都来自对这两张表的几条带时间范围的 SQL；Dashboard 不自己配对 span，也不维护单独的拓扑存储。它只是这层数据的一个消费者，同样的查询也可以由 Grafana、MCP server 或者排障 Agent 发出，所以不越过前面说的产品边界。

<figure style="text-align: center">
  <img src="/zh/blogs/2026-08-26-what-is-an-observability-database/service-map.png" alt="GreptimeDB Dashboard 的 service map：最近 10 分钟内的 19 个节点和 25 条调用关系，虚线方块是从对端属性推断出的数据库和缓存" style="max-width: 960px; width: 100%; display: block; margin: 0 auto">
  <figcaption>GreptimeDB Dashboard 的 service map：最近 10 分钟内的 19 个节点和 25 条调用关系，虚线方块是从对端属性推断出的数据库和缓存</figcaption>
</figure>

<figure style="text-align: center">
  <img src="/zh/blogs/2026-08-26-what-is-an-observability-database/service-map-hover.png" alt="悬停在 checkout 上，查看入站和出站的请求率、错误率和平均延迟" style="max-width: 960px; width: 100%; display: block; margin: 0 auto">
  <figcaption>悬停在 checkout 上，查看入站和出站的请求率、错误率和平均延迟</figcaption>
</figure>

> service map 已合并进 Dashboard 主干，尚未包含在 v1.3.0 内置的 Dashboard 中[^15]，预计随 v1.3.1 发布。

这一层的效果也放进了同一个 benchmark。图能直接回答依赖问题：依赖检索的 12 个结果里，11 个同时减少了返回行数和调用次数[^4]。效果集中在图上有边的地方。基础设施节点故障这类用例里，问题出在 node 上，而图目前走到 service 和 pod；下一步是把 service 到 pod 再到 node 这条链接完整。v1.3 已经零配置接上了一段：kube-state-metrics 给出 pod 运行在哪个 node 上，带 `k8s.pod.uid` 的 trace 能关联到对应的 pod，只要各张表对同一个实体使用同一个标识值[^10]。

## 统一的代价

统一不要求在某一类信号上让步，但它有代价。按信号特化，意味着要在一个数据库里维护多套物理设计和执行路径，工程投入远大于只做一种信号；额外的布局和索引也要占用存储和后台维护。我们的另一个选择是把扩展性放在单机性能前面：依靠分布式执行和存算分离扩大容量与吞吐，同时获得跨信号的实时语义查询。存算分离还带来一个好处：compaction 以及随之重建的索引这类后台任务，不必和写入、查询抢同一批节点，可以交给独立的、可扩展的节点执行，也就是 remote compaction（GreptimeDB 企业版提供）。

对象存储也带来明确的代价。Parquet 擅长大范围顺序扫描，不擅长按 `trace_id` 取一条记录。一次点查可能触发多轮串行 HTTP range request[^16]。GreptimeDB 用本地缓存和冷热分层缓解，冷数据点查仍然比热数据慢。这个代价来自对象存储，不是来自统一：Tempo 同样把 trace 以 Parquet 存在对象存储上。

产品边界仍然要守住。Observability Database 位于 Observability Platform 下面，不试图吃掉上面所有层。

关键告警我们仍然建议放在本地 Prometheus 上。Prometheus 强调每个 server 都应 standalone，不依赖网络存储或者其他远程服务，这个原则没有过时[^17]。本地 Prometheus 评估需要通知值班人员的告警规则，数据同时远程写入 GreptimeDB，用于长期留存、跨信号关联、dashboard，以及实时和历史查询。GreptimeDB 也有自己的告警能力：Trigger 用 SQL 定义规则，按固定间隔求值，以 Alertmanager 兼容的格式推出去[^18]，适合跨信号、长时间窗口这类本地 Prometheus 评估不了的规则。

可视化继续交给 Grafana，以及 CNCF 的 Perses[^19]。数据采集继续兼容 OpenTelemetry Collector 和 Prometheus 生态。我们没有理由再发明一套 dashboard、一套 agent 或者一门查询语言。

这些边界和代价都属于定义本身。可观测性数据库不能只讲统一带来的便利，也要说明它为了统一放弃了什么。

## 这个名字要如何被证明

「Observability Database」短期内不会带来现成的搜索流量，也不会让 GreptimeDB 出现在 Observability Platforms 的 Magic Quadrant 里。它首先是一项产品承诺：

- 遥测语义进入数据库后不能丢；
- metrics、logs、traces、wide events 和未来的 signals 在逻辑上可以关联，并支持实时语义查询；
- 数据库应根据协议语义生成初始物理设计和分片方式，再根据真实负载持续优化索引、primary key、append-only、sharding 和扩展；
- SQL 和 PromQL 由同一个查询引擎执行；
- 数据库不越过告警、可视化和事件响应的产品边界。

这个名字最终要由用的人来认。如果平台工程团队和做可观测性产品的人开始用「observability database」称呼这一层，并拿上面几条来衡量它，这个品类才算成立。

GreptimeDB 先把这个名字写在了首页。接下来要靠产品把它变成一个有用的定义。

如果你想直接验证，可以把现有的 OpenTelemetry Collector 或者 Prometheus remote write 指向 GreptimeDB，再用 SQL 查询跨信号数据、用 SQL 和 PromQL 分别查询指标。文档在 [docs.greptime.cn](https://docs.greptime.cn/)；实体关系的完成项、未完成项和已知难点在 [issue #8609](https://github.com/GreptimeTeam/greptimedb/issues/8609)；上面那些数字的完整方法、原始记录和限制说明在 [Agent RCA Bench](https://rca-bench.greptime.com/)。

## 参考资料

[^1]: [ClickHouse：What is observability?](https://clickhouse.com/resources/engineering/what-is-observability)
[^2]: [GreptimeDB 文档：TQL](https://docs.greptime.cn/reference/sql/tql/)；[GreptimeDB RFC：Rewrite PromQL in Rust](https://github.com/GreptimeTeam/greptimedb/blob/main/docs/rfcs/2022-12-20-promql-in-rust/rfc.md)
[^3]: [Grafana：Cross-store correlations](https://grafana.com/blog/breaking-siloes-how-to-use-cross-store-correlations-with-grafana/)
[^4]: [换掉查询接口，Agent 根因分析的错误诊断少了 40%](/blogs/2026-09-08-agent-rca-bench-interface-semantic-layer)；[Agent RCA Bench 榜单与原始记录](https://rca-bench.greptime.com/)
[^5]: [Grafana Observability Survey 2025](https://grafana.com/observability-survey/2025/)；[Grafana Observability Survey 2026](https://grafana.com/observability-survey/2026/)；[Grafana Labs 2026 调查发布稿](https://grafana.com/press/2026/03/18/grafana-labs-4th-annual-observability-survey-reveals-a-field-at-a-crossroads-ai-economics-complexity-and-the-enduring-power-of-open-source/)
[^6]: [GreptimeDB 文档：表语义](https://docs.greptime.cn/user-guide/semantic-layer/table-semantics/)；[GreptimeDB RFC：Table semantic layer](https://github.com/GreptimeTeam/greptimedb/blob/main/docs/rfcs/2026-05-28-table-semantic-layer.md)
[^7]: [GreptimeDB 文档：OpenTelemetry](https://docs.greptime.cn/user-guide/ingest-data/for-observability/opentelemetry/)
[^8]: [Gartner Peer Insights：Observability Platforms](https://www.gartner.com/reviews/market/observability-platforms)
[^9]: [OpenTelemetry semantic conventions v1.42.0 release notes](https://github.com/open-telemetry/semantic-conventions/releases/tag/v1.42.0)；[open-telemetry/semantic-conventions-genai](https://github.com/open-telemetry/semantic-conventions-genai)；[2026 semantic conventions roadmap](https://github.com/open-telemetry/semantic-conventions/issues/3330)；[OpenTelemetry：Kubernetes attributes processor reaches v1.0.0](https://opentelemetry.io/blog/2026/k8s-attributes-processor-v1/)
[^10]: [GreptimeDB 文档：语义图](https://docs.greptime.cn/user-guide/semantic-layer/semantic-graph/)；[GreptimeDB 文档：声明实体和关系](https://docs.greptime.cn/user-guide/semantic-layer/declaring-entities/)；[GreptimeDB issue #8609：Entity relationships and graph query](https://github.com/GreptimeTeam/greptimedb/issues/8609)
[^11]: [Elastic：LogsDB storage evolution](https://www.elastic.co/observability-labs/blog/elasticsearch-logsdb-storage-evolution)
[^12]: [GreptimeDB 文档：Trace 数据模型](https://docs.greptime.cn/user-guide/traces/data-model/)
[^13]: [GreptimeDB 文档：数据建模指南与 Metric Engine](https://docs.greptime.cn/user-guide/deployments-administration/performance-tuning/design-table/)；[GreptimeDB RFC：Repartition](https://github.com/GreptimeTeam/greptimedb/blob/main/docs/rfcs/2025-06-20-repartition.md)
[^14]: [GreptimeDB 企业版文档：Auto Repartition](https://docs.greptime.cn/enterprise/autopilot/auto-repartition/)；[GreptimeDB 企业版文档：Region Balancer](https://docs.greptime.cn/enterprise/autopilot/region-balancer/)；[GreptimeDB 文档：Region 迁移](https://docs.greptime.cn/user-guide/deployments-administration/manage-data/region-migration/)；[GreptimeDB 文档：Repartition](https://docs.greptime.cn/user-guide/deployments-administration/manage-data/repartition/)
[^15]: [GreptimeTeam/dashboard#665：Service map](https://github.com/GreptimeTeam/dashboard/pull/665)
[^16]: [ClickHouse：Are open table formats and lakehouses the future of observability?](https://clickhouse.com/blog/lakehouses-path-to-low-cost-scalable-no-lockin-observability)
[^17]: [Prometheus overview](https://prometheus.io/docs/introduction/overview/)
[^18]: [GreptimeDB 企业版文档：Trigger](https://docs.greptime.cn/enterprise/trigger/)
[^19]: [GreptimeDB 文档：Perses](https://docs.greptime.cn/user-guide/integrations/perses/)
