Akamai推出Valkey托管数据库：为企业AI补上实时记忆层

Akamai推出的 Valkey托管数据库（Valkey Managed Database），可以理解为企业AI应用的“实时记忆层”：它把对话上下文、嵌入向量、缓存结果和智能体工作流状态放在高速内存数据层中，并与Akamai的分布式云基础设施结合。该服务于2026年8月18日宣布，目前文档显示其在洛杉矶处于有限可用阶段。

企业AI为什么需要实时记忆层

大语言模型本身只是AI应用的一环。一个真正投入生产的智能助手、检索增强生成（RAG）系统或自主智能体，还需要持续读取历史对话、查找相关文档、获取工具调用结果，并在多轮任务之间保存状态。

Akamai文档将Valkey托管数据库定位于向量搜索结果、助手对话上下文、嵌入缓存、智能体会话状态和检索流水线等场景。这些工作负载对数据库延迟尤其敏感，因为每一次额外的数据访问，都可能延长用户等待模型响应的时间。

在集中式架构中，即使推理资源已经部署在靠近用户的位置，应用仍可能需要跨网络访问远端数据库。一次次额外的网络往返，会削弱边缘推理带来的低延迟优势。Akamai的Inference Cloud战略正是将AI推理从核心数据中心延伸到更靠近用户和设备的网络边缘，因此，将高频使用的运行数据放进相同的分布式架构，是顺理成章的补充。

Valkey如何帮助降低延迟与成本

1. 提示词和嵌入缓存：减少重复计算

缓存的核心价值，是避免应用反复完成相同或相近的昂贵操作。

• 精确提示词缓存：当用户重复提交相同请求时，应用可以直接复用此前的结果。
• 语义缓存：通过向量相似度判断两个请求是否“足够相近”，从而复用过去的回答。

典型的语义缓存流程是：应用先将新问题转换为嵌入向量，再搜索相似的历史请求；如果找到仍然有效的缓存结果，就可以直接返回，而不必再次调用模型。

对于问题高度重复或相近的工作负载，这种机制有望缩短响应时间，并减少模型调用次数。不过，实际收益取决于缓存命中率、数据新鲜度要求和具体的模型工作流。缓存并不是检索或推理的普遍替代方案。

2. 原生向量搜索：简化RAG检索路径

RAG应用通常会把文档和用户问题转换为嵌入向量，然后搜索距离较近的内容，再将相关上下文交给模型生成答案。Valkey支持向量搜索工作流，因此同一个内存数据层可以同时处理键值数据、缓存内容和向量检索。

这对部分应用意味着，开发团队可以减少单独维护一个向量数据库的需要，并简化从用户请求到模型推理之间的数据路径。但这并不代表所有RAG系统都应该放弃专用数据库。数据规模、持久化要求、过滤能力、索引方式和一致性需求，仍然决定着哪种架构更合适。

3. 保存智能体状态：让多步骤任务能够持续

AI智能体通常不是一次请求、一次回答的简单流程。它们可能需要记住对话内容，保存工具调用结果，跟踪任务进度，并在中断后从检查点恢复执行。

Valkey提供的内存数据结构和向量存储能力，可以充当这类应用的高速工作记忆层；Valkey也被用于会话存储等实时工作负载。

这里需要区分模型调用与模型周边的应用状态：Valkey不会替智能体进行推理，也不能保证智能体行为正确，但它可以保存那些需要被多个模型调用和工具调用快速读取的运行状态。

“托管”对企业团队意味着什么

自行部署Valkey，企业仍需负责实例配置、复制与故障转移、性能监控、版本更新、容量扩展和可用性规划。Akamai的托管服务则试图将这些数据库运维职责交由平台承担，让开发者以服务形式使用Valkey，而不是从头搭建数据层。

对于正在将AI投入生产的企业团队，这种取舍很重要：托管数据库可以减少基础设施工作，让团队把精力放在应用逻辑和模型编排上。但企业仍然需要自行制定数据保留、缓存失效、访问控制、持久化、可观测性和灾难恢复策略。

它如何补充Akamai Inference Cloud

Akamai Inference Cloud是该公司分布式AI战略中的计算与路由层。该平台于2025年10月推出，目标是把智能体AI推理带到更靠近用户和设备的边缘位置。

Valkey托管数据库则增加了相邻的记忆与检索层，负责保存推理所需的应用状态。理想中的架构不只是“把模型放到边缘”，还包括：

1. 推理资源：在更靠近用户和数据的位置执行模型工作负载。
2. Valkey数据层：在内存中保存高频访问的上下文、嵌入、缓存结果和会话状态。
3. 向量搜索：为RAG和语义缓存检索语义相关的信息。
4. 托管运维：减少企业维持数据层可用性所需的日常工作。

Akamai还在持续扩展这一战略背后的基础设施。公司宣布将部署数千块NVIDIA Blackwell GPU，用于分布式AI工作负载，并介绍了通过网络智能路由推理任务、降低集中式数据中心常见延迟和数据出口问题的方案。

Valkey并不取代GPU计算层，而是试图让围绕推理的上下文、检索和状态访问更适合低延迟AI应用。

这次发布为何对Akamai的云战略重要

Valkey托管数据库扩大了Akamai的产品范围：公司正在从内容分发和网络安全，进一步走向一个整合计算、数据服务、边缘执行与安全防护的分布式云平台。

这一方向也与其基础设施业务的增长相呼应。Akamai的云基础设施服务在2026年第二季度实现9,900万美元收入，同比增长39%。

Akamai在2026年第一季度业绩信息中还披露，一家领先的前沿模型提供商承诺在七年内为其云基础设施服务投入18亿美元。这一承诺显示出Akamai扩展基础设施业务的雄心，但不能将其解读为Valkey专属合同，也不能据此认定Akamai分布式AI路线中的每一项能力都已广泛部署。

Akamai为何选择Valkey

Valkey是一个开源、由社区主导的内存键值数据库，源自Redis项目的分叉。该项目旨在保持开源属性，兼容Redis协议和数据结构，并服务于缓存及其他实时工作负载。

对Akamai而言，Valkey提供了开发者较为熟悉的Redis风格数据模型，可用于高速缓存、会话存储和键值数据处理，同时也能与开源生态保持一致。它还为语义缓存和向量检索等AI场景提供了基础。

不过，Valkey更适合被看作高性能的实时数据层，而不是所有数据库类别的通用替代品。企业仍需根据数据规模、持久化和一致性要求，组合使用关系型数据库、对象存储或专业向量数据库等其他系统。

结论：AI的“记忆”正在成为基础设施

Akamai Valkey托管数据库的定位相当明确：它是Akamai分布式AI架构中的记忆与检索层。其价值主张包括：

• 将高频AI数据保存在内存中；
• 让数据更靠近推理资源和最终用户；
• 在条件合适时复用缓存结果，减少重复模型调用；
• 通过向量搜索支持RAG和语义缓存；
• 以托管服务形式减少数据库运维工作。

最值得关注的应用场景，是对延迟敏感的智能助手、RAG流水线、语义缓存和有状态AI智能体。对Akamai来说，这次发布的战略意义在于：它把边缘推理能力与AI应用所需的数据基础设施连接了起来。

但目前该产品仍处于有限可用阶段。关于确切的全球覆盖范围、渠道合作伙伴供货情况或未来新增地点，仍需等待更多产品或合作伙伴文档确认，不能仅凭现有资料视为已确定事实。