2026 年 11 月 11 日，Neo4j、CoreWeave 與 Edelbyte 接連公布 AI 資料基礎設施布局：Neo4j 推出嵌入式圖資料庫 Relate；CoreWeave 開放自家 Kubernetes 叢集內的託管 PostgreSQL 服務；Edelbyte 則以面向 AI 工作負載的分析平台走出隱形模式。3627

三項消息的共同方向，是讓 AI 系統更容易存取或分析資料；但它們解決的是不同問題，也不足以證明某一種架構將成為業界標準。

Neo4j Relate：把圖資料庫放進代理所在的環境

Neo4j 將 Relate 描述為以 Rust 開發的開源圖資料庫，採用記憶體內、程序內的嵌入式架構。它不是必須另外部署的資料庫伺服器，而是可作為應用程式函式庫或命令列工具使用；Neo4j 表示，Relate 安裝快速，並可在毫秒內啟動。67

發布資料也提到 WebAssembly 版本，以及讓 AI 代理透過模型上下文協定（Model Context Protocol，MCP）連線的方式。617 Relate 支援 Neo4j 的圖形查詢語言 Cypher。19 不過，現有來源並未確認所有更細部的功能說法，例如可重試的結構化錯誤、依上下文視窗調整的結果上限，或透過 Cypher 結合向量搜尋與圖形遍歷的完整工作流程。

Relate 的主要設計取捨在於「就近」：資料庫可以和代理位於同一個程序或應用環境，不必另行架設伺服器。這種做法可能適合需要讓圖資料靠近代理的應用；但僅憑產品發布資訊，尚無法判斷它在不同工作負載下的效能表現。

CoreWeave Database：讓 PostgreSQL 靠近 AI 運算

CoreWeave 宣布，其託管資料庫服務 CoreWeave Database 已正式推出。這是一項相容 PostgreSQL 的服務，運行在客戶的 CoreWeave Kubernetes Service（CKS）叢集內，與模型訓練及推論工作負載並置。CoreWeave 表示，這樣可省去 AI 應用程式與資料庫之間跨雲端傳輸的一段路徑。35

另有報導指出，該服務支援在應用程式記錄資料旁進行向量搜尋。2 不過，現有資料未能確認它採用 pgvector，也未能證實對嵌入向量搜尋、檢索增強生成（RAG）或代理工作流程的具體支援程度。

簡單來說，CoreWeave 的主張是部署位置：在 CoreWeave 上運行 AI 應用的團隊，可以在同一個 Kubernetes 環境中使用託管關聯式資料庫。這與 Relate 把圖資料庫嵌入應用程式的做法，代表不同的設計方向。

Edelbyte：以 AI 代理需求為出發點做資料分析

Edelbyte 走出隱形模式時，公布已募集總額 7,000 萬美元的種子輪與 A 輪資金，由 Sequoia 與 Quiet Capital 領投，Greenoaks 和 Swish Ventures 也參與投資。2732 報導指出，這家公司成立於 2025 年，據點位於特拉維夫與舊金山。27

相關報導將創辦團隊描述為曾任職於 Microsoft 資料基礎設施部門的工程師，並提到他們參與打造 Kusto——與 Azure Data Explorer 相關的資料引擎。2734 Edelbyte 表示，公司的重點是因應 AI 代理帶來的資料分析需求。融資與公司亮相顯示它正投入市場，但本身並不能證明其效能、成本或客戶規模主張。

三者相比，Relate 著重把圖資料庫嵌入應用程式；CoreWeave 著重讓 PostgreSQL 與 AI 運算部署在同一環境；Edelbyte 則以搜尋與分析為定位。它們瞄準的是代理技術堆疊中不同的資料層面。

與 Gartner 預測的關聯：方向相符，不等於預測已獲證實

Neo4j 在 11 月 11 日的發布資料中引用 Gartner 於 2026 年 6 月提出的預測：到 2029 年，機器使用者將占資料庫管理系統（DBMS）工作負載的 75%。714

不過，現有來源摘錄未能獨立確認題述的 2025 年 10% 基準，也未能確認機器使用者產生的互動量是人類的 10 至 100 倍。因此，這些數字不宜視為已由本文來源獨立核實。

若機器驅動的資料庫使用量如預測般成長，三種產品方向可對應到不同需求：代理在本地環境存取圖資料、資料庫靠近 AI 運算，以及針對代理產生的查詢設計分析能力。這是理解這些發布消息的一種方式，並非預測必然成真，或證明相關產品已滿足所有需求。

重點整理

這三項消息呈現 AI 資料基礎設施的不同解法：Relate 強調嵌入式圖資料庫，CoreWeave 強調靠近 AI 工作負載的託管 PostgreSQL，Edelbyte 則把分析平台定位於 AI 代理帶來的需求。共同點是著眼於機器驅動的資料使用；至於效能、可靠性，以及 Gartner 預測的完整細節，現有來源仍不足以一概確認。

2026 年 11 月 11 日，Neo4j、CoreWeave 與 Edelbyte 接連公布 AI 資料基礎設施布局：Neo4j 推出嵌入式圖資料庫 Relate；CoreWeave 開放自家 Kubernetes 叢集內的託管 PostgreSQL 服務；Edelbyte 則以面向 AI 工作負載的分析平台走出隱形模式。3627

三項消息的共同方向，是讓 AI 系統更容易存取或分析資料；但它們解決的是不同問題，也不足以證明某一種架構將成為業界標準。

Neo4j Relate：把圖資料庫放進代理所在的環境

Neo4j 將 Relate 描述為以 Rust 開發的開源圖資料庫，採用記憶體內、程序內的嵌入式架構。它不是必須另外部署的資料庫伺服器，而是可作為應用程式函式庫或命令列工具使用；Neo4j 表示，Relate 安裝快速，並可在毫秒內啟動。67

發布資料也提到 WebAssembly 版本，以及讓 AI 代理透過模型上下文協定（Model Context Protocol，MCP）連線的方式。617 Relate 支援 Neo4j 的圖形查詢語言 Cypher。19 不過，現有來源並未確認所有更細部的功能說法，例如可重試的結構化錯誤、依上下文視窗調整的結果上限，或透過 Cypher 結合向量搜尋與圖形遍歷的完整工作流程。

Relate 的主要設計取捨在於「就近」：資料庫可以和代理位於同一個程序或應用環境，不必另行架設伺服器。這種做法可能適合需要讓圖資料靠近代理的應用；但僅憑產品發布資訊，尚無法判斷它在不同工作負載下的效能表現。

CoreWeave Database：讓 PostgreSQL 靠近 AI 運算

CoreWeave 宣布，其託管資料庫服務 CoreWeave Database 已正式推出。這是一項相容 PostgreSQL 的服務，運行在客戶的 CoreWeave Kubernetes Service（CKS）叢集內，與模型訓練及推論工作負載並置。CoreWeave 表示，這樣可省去 AI 應用程式與資料庫之間跨雲端傳輸的一段路徑。35

另有報導指出，該服務支援在應用程式記錄資料旁進行向量搜尋。2 不過，現有資料未能確認它採用 pgvector，也未能證實對嵌入向量搜尋、檢索增強生成（RAG）或代理工作流程的具體支援程度。

簡單來說，CoreWeave 的主張是部署位置：在 CoreWeave 上運行 AI 應用的團隊，可以在同一個 Kubernetes 環境中使用託管關聯式資料庫。這與 Relate 把圖資料庫嵌入應用程式的做法，代表不同的設計方向。

Edelbyte：以 AI 代理需求為出發點做資料分析

Edelbyte 走出隱形模式時，公布已募集總額 7,000 萬美元的種子輪與 A 輪資金，由 Sequoia 與 Quiet Capital 領投，Greenoaks 和 Swish Ventures 也參與投資。2732 報導指出，這家公司成立於 2025 年，據點位於特拉維夫與舊金山。27

相關報導將創辦團隊描述為曾任職於 Microsoft 資料基礎設施部門的工程師，並提到他們參與打造 Kusto——與 Azure Data Explorer 相關的資料引擎。2734 Edelbyte 表示，公司的重點是因應 AI 代理帶來的資料分析需求。融資與公司亮相顯示它正投入市場，但本身並不能證明其效能、成本或客戶規模主張。

三者相比，Relate 著重把圖資料庫嵌入應用程式；CoreWeave 著重讓 PostgreSQL 與 AI 運算部署在同一環境；Edelbyte 則以搜尋與分析為定位。它們瞄準的是代理技術堆疊中不同的資料層面。

與 Gartner 預測的關聯：方向相符，不等於預測已獲證實

Neo4j 在 11 月 11 日的發布資料中引用 Gartner 於 2026 年 6 月提出的預測：到 2029 年，機器使用者將占資料庫管理系統（DBMS）工作負載的 75%。714

不過，現有來源摘錄未能獨立確認題述的 2025 年 10% 基準，也未能確認機器使用者產生的互動量是人類的 10 至 100 倍。因此，這些數字不宜視為已由本文來源獨立核實。

若機器驅動的資料庫使用量如預測般成長，三種產品方向可對應到不同需求：代理在本地環境存取圖資料、資料庫靠近 AI 運算，以及針對代理產生的查詢設計分析能力。這是理解這些發布消息的一種方式，並非預測必然成真，或證明相關產品已滿足所有需求。

重點整理

這三項消息呈現 AI 資料基礎設施的不同解法：Relate 強調嵌入式圖資料庫，CoreWeave 強調靠近 AI 工作負載的託管 PostgreSQL，Edelbyte 則把分析平台定位於 AI 代理帶來的需求。共同點是著眼於機器驅動的資料使用；至於效能、可靠性，以及 Gartner 預測的完整細節，現有來源仍不足以一概確認。