OpenAI 发布最新技术博客，披露了其如何将开源关系型数据库 PostgreSQL 扩展到前所未有的规模，以支撑 ChatGPT 和 API 的全球业务，这一实践刷新了业内对传统数据库可扩展性的认知。

随着 ChatGPT 用户数快速增长，OpenAI 过去一年里 PostgreSQL 的数据库负载激增超过 10 倍。为了满足数百万级查询/秒（QPS）的请求并保持低延迟性能，他们在架构上进行了大量优化。

核心架构依旧采用单主库（single-primary） + 多只读副本方案，主库负责写入工作，约 50 个只读副本分布全球多个区域用来处理读取请求。这样既避免了复杂的分片系统，又能支持大规模读负载。

核心优化策略

1. 分离读写，并减少写入压力
为了防止主库写入瓶颈，OpenAI 将可拆分的写密集型工作负载迁移到分片系统（如 Azure Cosmos DB），并在应用逻辑层尽量减少不必要的写操作。

2. 读查询尽可能下放到副本
主库仅保留必须在写事务中运行的查询，其他读取由全球副本处理，大幅减少主节点负载。

3. 连接池与缓存策略
使用 PgBouncer 做连接池代理，把数据库连接延迟从约 50ms 降到 5ms，并结合高效缓存策略避免缓存雪崩事件引发数据库突发压力。

4. 限制复杂查询与优先级隔离
避免资源密集型的多表 JOIN，必要时将复杂逻辑移到应用层。使用资源隔离机制，将低优先级请求隔离到单独实例，防止“吵闹邻居”影响高优先级流量。

5. 高可用性与故障缓解
主库采用高可用 HA 模式，并配有热备实例，在故障时能快速切换，保障服务连续性。

经过这些系统性优化，OpenAI 的 PostgreSQL 设计达成了：

• 几百万 QPS 的读性能

• 全球低延迟访问

• 99.999% 可靠性

• 极低的 p99 延迟（十几毫秒级）

在过去 12 个月里，只有一次严重数据库级事件（SEV-0），发生在 ImageGen 功能爆发式增长时。

OpenAI 的案例表明，传统的 PostgreSQL 在强工程实践与架构优化下，能够支持极大规模的生产级负载，这对于很多没有充分理由提前采用复杂分布式数据库的团队来说，具有重要的参考价值。

未来 OpenAI 也在探索更进一步的方案，例如 PostgreSQL 的分片或级联复制等，以支撑更大规模的读副本扩展需求。