以色列特拉维夫时间9月16日，数据基础设施初创企业Keewano宣布正式推出KeewanoDB，并同步披露已完成1200万美元种子轮融资。该产品定位为业界首款从底层架构重新设计的“机器推理数据库”，旨在解决传统数据分析平台无法直接支撑AI智能体实时决策的瓶颈。本轮融资由Hetz风投领投，a16z加速器、Remagine风投及DIG风投参与。
Keewano由马克·卡多沙夫担任首席执行官，创始团队包含迪马·卡格、帕维尔·比伯加尔与维塔利·布霍夫斯基。团队在游戏数据分析与企业级SaaS领域拥有十年以上实战经验，曾主导两家公司的成功并购退出。此次资本注入将主要用于核心引擎优化、企业级安全认证推进以及北美与欧洲市场的渠道拓展。
突破传统列式存储的架构逻辑
过去数十年，商业智能与数据分析基础设施的设计初衷均服务于人类分析师。系统通常以扁平化的行、列结构及预计算聚合指标存储数据，当需要追溯事件发生顺序或交叉分析时，必须在查询阶段临时重组上下文。这种架构导致企业只能保留数百种离散事件类型，新增数据类型会显著拖慢查询速度并推高存储成本。KeewanoDB彻底改变了这一范式，其存储引擎将每个实体（用户、设备或AI代理）的完整事件序列保持连续且有序的状态。数据落地瞬间即被结构化索引，无需二次拼接即可供机器直接读取。
在性能表现上，该架构支持并行处理万亿级事件流，单次查询可在零点五秒内返回两亿五千万条事件记录，并附带完整的推理上下文。这意味着AI智能体能够直接基于原始数据生成答案，而非依赖人工预设的固定报表。系统内置的分析模块可直接在数据库内部运行复杂逻辑，大幅降低网络传输开销与内存占用。传统数据库在处理高并发遥测数据或物联网终端指令时，往往需要额外的流处理中间件进行清洗与排序，而KeewanoDB的原生时序索引有效削减了数据管道中的冗余节点。
场景适配与商业化部署路径
在实际业务场景中，KeewanoDB主要面向需要深度行为归因与动态策略调整的数字化企业。例如，电商平台或SaaS服务商可通过该数据库追踪客户流失前的完整交互链路，识别不同用户群体的共性行为模式，并在异常操作发生前主动触发风险干预。由于不再采用按事件数量计费的旧有模式，企业可以无限制地捕获细粒度日志，从而避免因数据采样导致的决策盲区。对于金融风控或工业预测性维护领域，这种全量事件保留能力能够显著提升特征工程的覆盖率，减少因信息缺失造成的误报率。
部署层面，Keewano提供全托管云服务，支持通过标准API无缝对接企业现有的数据仓库或直接替代原有系统。客户既可以使用平台内置的智能体模板，也可接入自研的AI模型。对于中国出海企业及国内数据中台厂商而言，此类新型数据库的引入意味着数据治理重心正从历史报表统计向实时因果推断转移。在选型过程中，需重点评估新架构与现有ETL工具的兼容性，以及跨地域数据驻留是否符合当地隐私法规。传统数仓迁移至该架构时，通常需要进行字段映射重构与查询语法适配，初期集成成本可能高于常规OLAP系统。
从以色列与美国硅谷的技术演进路线来看，当前AI基础设施投资已明显从大模型训练算力转向推理层的数据管道建设。传统BI工具难以满足Agent对确定性、可追溯数据的严苛要求，这促使底层存储技术必须做出结构性调整。Keewano提出的新轨道理念，实质上是针对非结构化、高并发时序数据的专用优化方案。随着端侧智能与边缘计算设备的普及，具备本地化缓存与断点续传能力的混合部署架构将成为下一阶段的技术竞争焦点。
针对企业采购与技术集成，建议重点关注该数据库的灾备恢复机制、权限隔离模型及审计日志留存周期。在跨境数据流转场景下，需提前确认数据加密标准是否满足GDPR或中国数据安全法的合规要求，并明确供应商在版本迭代期间的服务等级协议与故障响应时限。建立完善的批次追溯与测试验证流程，是确保AI推理结果稳定落地的关键前提。企业在引入此类新型数据底座时，应优先在非核心业务线进行灰度测试，验证查询延迟与资源消耗的实际阈值后再进行全量切换。