当 AI 代理开始追问“为什么”，数据库还在回答“是什么”

一家公司想知道，上个月流失的客户在离开前经历了什么。这个问题在传统分析栈里几乎无法被直接回答。仪表盘能告诉你流失率是 3.2%，能按渠道、地域、套餐切出十几个维度，但“哪些用户正在走上和已流失用户相同的路径”这类问题，需要把散落在事件表、会话表、用户属性表里的碎片按时间顺序重新拼装。每一次追问都意味着工程师写新的 SQL、建新的中间表、等新的批处理任务。等结果出来，那些“正在流失路上”的用户可能已经走了。

这不是某一家公司的困境。过去二十年，分析数据库的底层假设从未变过：人类决定要问什么，工程师据此设计表结构、埋点方案和预计算聚合。事件被拍平成行和列，顺序信息在写入时就被丢弃，查询时再临时重建。当提问者从人类变成 AI 代理，这个假设开始从根上动摇。代理不会只问预设的问题，它需要沿着“发生了什么、以什么顺序发生、在什么上下文里发生”的链条持续追问，而传统数据库恰恰在“顺序”和“上下文”两个环节上最薄弱。

以色列初创公司 Keewano 试图从存储格式层面回答这个问题。2026 年 9 月 15 日，这家总部位于特拉维夫的公司宣布完成 1200 万美元种子轮融资，并同步发布其核心产品 KeewanoDB 的正式可用版本。公司称，这是第一个从底层为大规模机器推理设计的数据库。领投方 Hetz Ventures 的管理合伙人 Judah Taub 给出的投资逻辑直指基础设施代际更替：“每一波 AI 采用都会暴露其下一层并非为新工作负载而建。我们认为机器推理正在暴露分析基础设施中的这个缺口，而 Keewano 是在直接解决它，而不是绕着它打补丁。”

字段 内容
公司 Keewano
轮次 种子轮
金额 1200 万美元
投资方 Hetz Ventures 领投，a16z speedrun、Remagine Ventures、DIG Ventures 及天使投资人参与
总部 以色列特拉维夫
创始人 Mark Kardashov、Dima Karger、Pavel Bibergal、Vitaly Bukhovsky
官网 https://keewano.com

把“顺序”从查询时重建，变成写入时保存

KeewanoDB 的核心设计选择可以归结为一句话：每个实体的完整事件序列被保存在一起，并保持顺序。这与传统事件存储形成根本差异。在传统架构中，用户的一次点击、一次页面停留、一次支付失败，都是独立的一行记录，分散在不同的表或分区里。当需要回答“用户在流失前经历了什么序列”时，系统必须按用户 ID 和时间戳把这些行重新组装起来。Keewano 的联合创始人兼 CEO Mark Kardashov 用了一个来自自身实践的场景来描述这个痛点：“我们试图用 AI 代理回答业务问题，比如‘哪些用户正在走上和上个月流失用户相同的路径？’你可以在任何仪表盘上看到发生了什么，但为什么发生，存在于数据库够不到的地方。”

据公司披露，KeewanoDB 可以在不到半秒内查询 2.5 亿个事件，并返回代理可以立即推理的“上下文就绪”结果。分析在数据库内部运行，并行处理数万亿事件，代理收到的是紧凑的结果而非原始数据洪流。这一性能数字目前仅来自公司单方面披露，未见独立第三方基准测试或客户验证报告。从已披露的架构逻辑看，将事件序列在写入时即保持有序，确实可以减少查询时的排序和重建开销，这是数据库领域公认的优化方向；但“半秒查询 2.5 亿事件”的具体表现取决于硬件配置、查询类型和并发负载，在缺乏测试条件说明的情况下，这一数字的横向可比性有限。

值得注意的另一个设计选择是定价模式。KeewanoDB 不按事件收费。这与 Snowflake、BigQuery 等按计算量或扫描量计费的主流分析数据库形成直接对比。公司称，这一模式之所以可行，是因为引擎专为机器设计。从商业逻辑上理解，不按事件计费意味着客户不需要在埋点阶段就做“哪些事件值得保留”的经济决策，这恰好回应了公司指出的行业痛点：大多数部署只捕获几百种不同事件类型，因为每增加一种类型都会增加埋点成本、拖慢查询并推高费用。但“不按事件收费”并不意味着免费，Keewano 提供全托管的 Keewano Cloud 服务，具体定价结构未披露。在缺少价格表的情况下，无法判断其总拥有成本与传统方案相比是否真的更低，也无法验证“不按事件收费”是否以更高的存储费用或计算费用为代价。

创始团队带着两次退出和游戏级数据规模入场

Keewano 的创始团队构成在以色列创业生态中属于典型的“连续创业者 + 规模化技术负责人”组合。Kardashov 和 Bukhovsky 此前共同创立了两家公司：TestProject 于 2019 年被 Tricentis 收购，Devalore 于 2022 年被 Abra 收购。Bibergal 曾任游戏公司 Plarium 的 CTO，Karger 曾领导该公司最大的工作室之一。Plarium 以大规模多人在线游戏著称，其数据基础设施需要处理数百万玩家的实时行为流，这与 KeewanoDB 面向的事件序列分析场景存在直接的经验映射。

从投资机构组合来看，Hetz Ventures 是以色列本土的早期基金，a16z speedrun 是 Andreessen Horowitz 旗下专注于游戏和交互媒体的加速器项目。a16z speedrun 的参与值得玩味：游戏行业是行为事件序列最密集、对实时分析要求最高的领域之一，而 Plarium 背景的两位创始人恰好来自这个场景。Remagine Ventures 和 DIG Ventures 的参与则补充了以色列本土和跨境的投资网络。不过，种子轮 1200 万美元的规模在 2026 年的数据库赛道中并不算大。作为参照，同年在 AI 数据基础设施方向，多家早期公司以 2000 万至 4000 万美元的种子轮或 A 轮入场。Keewano 的资本体量意味着它在工程投入和市场拓展之间必须做出更紧凑的取舍。

一个需要指出的数据冲突是：Tracxn 的页面显示 Keewano 为“未融资”状态，与新闻稿和多家媒体报道的 1200 万美元种子轮存在明显矛盾。Tracxn 的数据更新滞后在早期公司中并不罕见，但这一冲突也提示，Keewano 的工商注册信息或披露节奏可能存在不透明之处。PremierAlts 页面则将其最新轮次标注为 Early Stage VC，与种子轮的描述基本一致。对于外部观察者而言，1200 万美元这一数字目前的主要依据是公司新闻稿和投资方声明的交叉印证，未见监管文件或第三方审计数据。

“机器推理数据库”是品类定义，还是旧瓶新酒？

Keewano 在新闻稿中使用了“第一个为大规模机器推理构建的数据库”这一表述。这是一个典型的品类定义动作，和当年 Snowflake 定义“云数据仓库”、ClickHouse 定义“实时分析数据库”的逻辑一脉相承。但“第一个”的说法需要审慎对待。来源材料中并未列出任何具体竞争对手名称，Tracxn 的数据显示 Keewano 有 496 个活跃竞争对手，其中 56 个已融资，31 个已退出。这个数字本身说明，Keewano 所处的赛道并非无人区。

从技术路径上看，KeewanoDB 的“事件序列保持有序存储”与现有技术之间存在多条可比较的路线。时序数据库如 InfluxDB、TimescaleDB 已经在时间戳排序和高效时间范围查询上做了大量优化，但它们的核心设计目标是数值型指标，而非用户行为事件的完整序列。事件流处理平台如 Kafka + Flink 的组合可以实时处理事件流，但查询模式以窗口聚合和规则触发为主，不擅长回答“找出与某组用户行为路径相似的全体用户”这类需要全量历史序列比对的问题。图数据库如 Neo4j 可以表达事件之间的关联关系，但在万亿级事件的并行分析上并非其设计重心。ClickHouse 等列式分析数据库在扫描和聚合性能上极为出色，但事件序列的重建仍然依赖排序操作。

KeewanoDB 的定位似乎处于这些品类的交叉地带：它需要时序数据库的写入吞吐、列式数据库的分析性能、事件溯源系统的序列保真度，以及面向 AI 代理的结果封装能力。这是一个雄心勃勃的技术组合，但“交叉地带”也意味着它可能同时面对来自多个方向的竞争压力。在缺乏具体客户案例和第三方性能对比的情况下，KeewanoDB 与上述替代方案之间的实际差异，目前只能从其架构描述中推断，尚无法通过可验证的基准数据确认。

投资逻辑押注的是一次基础设施代际切换

Hetz Ventures 的 Taub 将投资逻辑表述得相当清晰：AI 的每一波采用都会暴露其下一层基础设施的错配，而机器推理正在暴露分析数据库的错配。这个判断的前提是，AI 代理将从“调用工具查询数据库”的模式，演变为“直接消费数据库返回的上下文”的模式。在前一种模式下，数据库只需要提供准确的数据；在后一种模式下，数据库需要提供“适合推理的数据”——这意味着数据的完整性、顺序性和上下文保真度从可选项变成了必选项。

从已披露的信息看，Keewano 的产品设计确实在回应这个前提。它强调“代理可以直接从原始数据读取答案，而无需重建”，这意味着数据库承担了传统上属于应用层或代理层的序列组装工作。如果这一设计能够兑现，它降低的是 AI 代理在数据分析场景中的工程复杂度：代理不需要理解底层表结构，不需要写 SQL，不需要等待 ETL 流程，只需要接收已经按实体、按时间、按上下文组织好的紧凑结果。

但这一投资逻辑的成立依赖于一个尚未被验证的假设：AI 代理在数据分析中的角色，会从“辅助人类分析师”演变为“自主消费数据的推理主体”。如果代理的实际采用停留在“自然语言转 SQL 然后交给人类审核”的阶段，那么传统数据库加上一层语义层可能已经足够，KeewanoDB 的架构优势就难以转化为商业优势。反过来，如果代理确实开始自主执行“为什么流失”“什么行为序列预示风险”这类开放式分析任务，那么传统数据库在序列重建上的性能瓶颈和上下文丢失问题就会成为真实痛点。目前，这两种路径的证据都还不足以形成定论。

资金用途未披露，但产品已经 GA，接下来是验证还是扩张？

Keewano 没有披露这 1200 万美元的具体用途。这是一个值得注意的信息缺口。对于一家种子轮公司，资金用途通常指向几个方向：工程团队扩张、市场推广、客户成功体系建设，或进一步的性能优化。KeewanoDB 已经正式发布，这意味着产品度过了从零到一的阶段，资金更可能投向从一到十的验证和扩张。

从产品阶段来看，GA 意味着 KeewanoDB 已经向公众开放使用，但“正式发布”不等于“有客户验证”。来源材料中未披露任何具体客户名称、收入数据或用户规模。对于一个声称“处理数万亿事件”的数据库产品，缺少可公开引用的客户案例是一个显著的信号缺口。在数据库行业，信任的建立通常需要标杆客户、第三方基准测试或至少一个可复现的性能对比。Keewano 目前在这三方面都还处于空白状态。

Keewano Cloud 的部署模式——可与现有数据仓库连接或替代，使用标准集成——表明公司在市场策略上选择了“兼容并蓄”而非“推倒重来”。这意味着它需要与 Snowflake、BigQuery、Databricks 等现有数据栈共存，至少在一段时间内作为补充而非替代。这种策略降低了客户的采用门槛，但也意味着 KeewanoDB 需要在与现有平台的集成成本和性能增益之间证明自己的增量价值。如果客户需要把数据同时写入数据仓库和 KeewanoDB，那么“不按事件收费”的优势就可能被双份存储成本抵消。

风险不在技术，在于“机器推理”这个需求是否真实存在

Keewano 面临的核心风险不是技术可行性，而是需求时机。公司描述的应用场景——客户流失分析、行为序列识别、用户群体对比——在传统分析栈中并非完全不可实现，只是成本高、速度慢、需要大量工程投入。对于大多数企业而言，这些“为什么”类问题目前仍然由数据科学家和产品分析师以离线方式回答，AI 代理在这些场景中的自主性还处于早期探索阶段。

如果 KeewanoDB 的主要买点是“让 AI 代理能直接推理”，那么它的商业成功就与 AI 代理在数据分析中的采用速度深度绑定。如果代理的采用慢于预期，KeewanoDB 就需要作为一款“更快的事件序列分析数据库”与传统方案竞争，而在这个定位下，它面对的是 ClickHouse、TimescaleDB 等成熟产品在性能、生态和社区上的积累。从已披露的架构描述看，KeewanoDB 在事件序列保真度上确实有差异化，但这种差异化能否转化为足够大的性能优势或成本优势，目前缺乏可验证的数据支撑。

另一个结构性风险是数据迁移成本。数据库是粘性最高的基础设施层之一。一旦企业的数据管道、监控系统、BI 工具围绕某个数据仓库建立，迁移到新数据库的代价极其高昂。Keewano 的“连接或替代”策略在降低初始采用门槛的同时，也意味着它可能长期停留在“连接”角色，难以进入客户的核心数据路径。从“连接”到“替代”的跨越，需要的不只是性能优势，还需要生态成熟度、安全合规认证、运维工具链和足够多的成功案例。

从已披露的 2.5 亿事件半秒查询这一性能指标看，如果该数字在真实客户环境中可复现，它确实构成一个有意义的工程突破。但“半秒”这个数字本身缺少查询类型、并发条件、硬件规格和数据分布等关键参数。在数据库性能评估中，同样的数据量在不同查询模式下可能产生数量级的性能差异。没有这些参数，外部观察者无法判断这一指标的实际意义，也无法将其与 ClickHouse、TimescaleDB 等产品在类似条件下的表现进行比较。

Keewano 的故事在叙事层面是完整的：一个连续创业团队，带着游戏行业的大规模事件处理经验，在 AI 代理崛起的节点上，试图从存储格式层面重建分析数据库的基础假设。投资方给出的逻辑也自洽：基础设施的代际切换往往发生在上一代设计假设被新工作负载击穿的时刻。但从叙事到商业验证之间的距离，恰恰是种子轮公司最不确定的部分。KeewanoDB 已经正式发布，接下来需要回答的问题不再是“能不能建出来”，而是“谁愿意为它买单，以及为什么现在”。

验证边界与可复核指标

本文涉及的“首个、唯一、最大、领先”、订单、出货、性能等表述，如无另行说明，均是公司、创始人或投资方在现有公开材料中的披露口径；RecodeX未在本次采集材料中找到独立审计或第三方测试结论，因而不将其视为已经独立确认的事实。文中的产业协同、竞争位置和商业路径属于基于已披露产品与融资用途的编辑分析，不代表相关结果已经实现。

  • 技术侧应核验第三方测试条件、样本规模、良率、稳定性及与可比方案一致口径的结果；
  • 商业侧应核验去重后的付费客户、可执行合同、收入确认、复购率以及订单转化；
  • 资本与产业协同应以工商股权、关联交易、联合开发、采购或量产文件为准。

RecodeX 极客视：Keewano 把赌注押在一个尚未被证实的代际切换上——AI 代理从“查数据的工具”变成“消费数据的推理主体”。如果这个切换发生，传统分析数据库在序列和上下文上的结构性缺陷就会从隐性成本变成显性瓶颈，KeewanoDB 的底层架构选择将获得时间窗口。如果切换延迟或走偏，它就必须作为一款更快的事件序列数据库在红海里肉搏。1200 万美元种子轮买的是前者发生的概率，而概率的兑现速度，取决于第一批愿意把核心行为数据迁入 KeewanoDB 的客户何时出现，以及他们能否公开说出“为什么”。