9月16日，Perplexity首席执行官阿拉温德·斯里尼瓦斯在社交平台上宣布，公司自研的键值数据库CobbleDB已经完成对AWS DynamoDB的替代，用于支撑其快速网页内容抓取业务，迁移后每年最多可节省一亿美元。这条消息真正引发讨论的不是省钱数字，而是项目组织形式：核心基础设施由两名工程师带着数百个持续运行的智能体，在两个月内完成。当智能体开始参与写数据库这类最底层的工作，工程团队的规模定义就被重新改写了。
按照官方披露的口径，CobbleDB的核心基础设施在两个月内搭起来，人力配置是两名工程师。与人力形成对照的是数百个持续运行的Computer智能体，它们承担了大量重复但必须精确的工作，包括迁移验证、边界用例复现与回归检查。这类工作过去通常需要一支团队按周推进，而现在被拆成可以并行、可以无人值守的任务队列。
这种模式能否成立，取决于任务本身是否可验证。数据库迁移恰好具备这个特征：读写是否一致、延迟是否达标、异常路径是否覆盖，都可以用自动化测试给出确定答案。因此智能体在这里承担的不是设计职责，而是把设计意图转化为可执行的验证矩阵，人类工程师则从执行环节后撤到定义标准与处理疑难的位置。
值得追问的是人力口径。两名工程师指的是核心设计与决策角色，还是包含全部实际参与人数，官方并未展开。从工程常识看，两个月的迁移周期里，测试用例设计、故障演练、数据一致性校验与线上切换方案都需要人来拍板，智能体放大的只是执行吞吐。更准确的描述或许是：它把一支团队的工作压缩进两个人的指挥半径，而不是把团队替换成两个人。
官方研究给出的性能数据是，迁移后热存储的批量读取延迟在全分布上较DynamoDB下降约五倍，中位数从31.4毫秒降至5.60毫秒。对一个以实时抓取网页内容为核心业务的搜索型产品来说，这一层延迟直接决定了内容进入索引的速度，也决定了单位算力能覆盖多少抓取任务，属于典型的越底层越值钱的优化。
之所以自研能拿到这样的收益，关键在于负载特征足够特殊。通用数据库要为各种访问模式留出冗余，而Perplexity只需要服务自家抓取管线这一种模式，可以把存储布局、批量读取与缓存策略全部按自己的访问曲线重新设计。这种以特定负载换极致效率的思路，正在成为头部AI应用公司绕开云厂商标准件的常见理由。
另一个容易被忽略的收益是成本的可预测性。按调用量计费的托管数据库在业务高速增长时会带来账单持续攀升，自研之后成本主要体现为固定投入与运维人力，边际成本随规模下降。对需要向投资人展示单位经济模型的AI公司来说，把一项随规模线性增长的开支转为固定开支，本身就是对毛利结构的改善，这也是公告里强调年度节省金额的原因。
一亿美元的年度节省，放在任何一家未上市公司的成本表里都是重头戏。这笔账的逻辑是规模效应：当抓取量增长到一定程度，按调用量计费的托管数据库会把成本曲线抬到不可接受的位置，此时自研的一次性投入会被摊薄，收益随规模持续放大。对现金流仍然紧张的AI公司来说，把可变成本变成固定成本，本身就是一种融资行为。
但自研也有隐性代价。托管服务把可用性、备份、故障恢复与扩容都打包在费用里，自研意味着这些责任全部回到自己身上，需要长期投入人力维护，也需要承担故障时的全部后果。因此这条路的门槛并不低，只有当业务量足够大、访问模式足够集中、团队又具备底层工程能力时，自研才真正划算，否则省下的钱会在运维上以另一种形式花出去。
行业里已经出现分化的案例。有的公司自研数据库省下巨额开支，也有的公司在自研之后因稳定性问题被迫回迁到托管服务，最终付出双份成本。判断临界点的一个实用标准是：当某项基础设施的月度支出接近或超过一支专职团队的年成本时，自研才具备讨论价值；在此之前，把工程资源投入产品差异化的回报通常更高。
这则消息最值得行业记住的部分，是它给出了一条智能体落地的新路径：不去替代人类做决策，而是把决策之后那些必须做对、但不必由人亲手做的验证工作承接过去。相比让智能体直接面对用户，让它面对测试与回归这类有明确判据的任务，失败成本更低，也更容易设计人工复核的卡点。
边界同样清楚。智能体的验证能力上限取决于测试设计本身，如果测试用例没有覆盖到某类故障，智能体不会凭空发现它。因此真正决定这类项目成败的，仍然是人类工程师能否把系统风险拆解成可自动判定的命题。工具把执行速度提高了数倍，但风险识别的责任并没有转移，这也是自研团队必须自己扛住的那部分。
从更长的时间尺度看，这类案例提供的是一条渐进路径：先让智能体承担可自动判定的重复劳动，再逐步扩展到需要多步推理的验证任务，最后才触及架构设计。每一层扩展的前提，都是上一层的失败模式已经被充分理解。跳过这个顺序直接让智能体参与关键决策，失败时的排查成本会远超节省下来的人力，这也是多数团队仍把智能体限制在验证环节的原因。