数据库公司七成新增用量来自AI代理，不是人类工程师
各行各业的人不再需要说服工程师才能动手：AI让懂业务的人直接建出复杂系统，这个新建造者群体的增长目前看不到天花板。
原视频在 YouTube 上放不出来，用音频听：
核心论点 · 点时间戳可跳到原声
一年内数据库在管量从800万到5000万
Superbase注册用户从去年同期约300万涨到1300万，每周新建数据库超过100万个，数据库在管总量从800万逼近5000万，预计今年收入增长4倍。驱动力不只是AI辅助软件工程师写代码更快，更关键的是原本不具备工程背景的人第一次能在Superbase上直接建东西——这是增长曲线真正的拐点。
— Paul新增长曲线反常：转化率不降反升
通常用户量暴涨时，激活率、转化率等指标会被稀释而下滑，这是产品增长里几乎公认的规律。但今年Superbase所有相关指标都在同时上升，原因是模型变得足够强，让大量原本不会写代码的人也能把东西建成——早年投资人说PLG式增长会在某个收入规模触顶、必须转向销售驱动的说法，到今年为止还没被验证成立。
— Paul下一步要撑住12亿量级的请求
Paul用ChatGPT 12亿周活跃用户做了个算术推演：如果这些用户每人每月都想建一次东西，就是12亿个数据库/月——这是数据库行业从未需要面对的规模。为此公司收购了兼容Postgres和SQLite的Terso，推出轻量级的Superbase Spark层，定位是「从原型到拍字节」，同时维护能扩到拍字节级的多租户架构和面向轻量起步场景的架构两端。
— Paul内部写代码：工程师被说服而非被规定
公司内部没有AI使用政策，员工想用什么工具就用什么。结果是从10%的工程师靠AI写出80%的代码，六个月内变成60%的工程师做到同样比例——不是靠强制，而是工程师逐渐被模型实际产出的质量说服。与此同时，随着AI生成代码越来越多，团队为正确性兜底而写的测试数量也大幅增加，这在YC的其他被投公司（如Blacksmith、UbiCloud）身上也能看到同样的模式。
— Paul三次换血：仪表盘到API到代码优先
每次转型都有一个具体触发点。第一次是发现连软件工程师都觉得用数据库太难，于是做了个像Airtable一样盖在Postgres上的仪表盘。第二次是2021年一个客户要求批量建库倒逼出API，恰好赶上2024年Bolt、Lovable等AI建站工具爆发式采用。第三次发生在今年：团队发现几乎没人再访问仪表盘了，于是把CLI和整套产品重做成「基础设施即代码」，让它天然匹配agent的工作方式。
— Paul赢代理分两阶段：选中之后还要防止它跑路
Superbase把面向人类的「500报错」式错误信息，改写成直接告诉agent该怎么修、该去读哪份文档——因为赢得AI工具这门生意分两步：先要被模型选为默认数据库，然后在agent卡住时不能让它转头换别的工具，所有agent迟早都会卡住，关键是有没有把自我修复的手段递给它。这种专门为agent而非人类重做产品细节的工作，占据了团队现在相当一部分工程精力。
— Paul个人知识库：靠检索结构，不是堆上下文
GBrain的构建者发现，context窗口再大也不够用——100万token大约等于三本哈利·波特，但让agent在回答某个问题时刚好调出「正确的那三本」本身就很难。于是用Postgres的pgvector做检索，在数据库里直接建图结构把非结构化数据组织起来，再让「Cappy」这类自动化角色24小时跑eval循环，持续测试并改进检索准确率，相当于一个针对单一场景的、很原始的递归自我改进。
垂直SaaS融资难，小团队靠AI做到高利润率
当下市场有个反常现象：年收入500万到1000万美元的垂直SaaS公司很难拿到Series A（放在九到十二个月前这是稳拿的门槛），但横向和AI相关的项目却一路绿灯。与此同时，15人的团队就能做到2500万到5000万美元的年收入、人均200万美元ARR、50%利润率，不再需要融一大笔钱去堆人头——这让「没融到钱」从过去创业圈里的耻辱变成了值得羡慕的结果。
原话 · 已逐字校验
I think actually if databases under management now are approaching 50 million, and this time last year it was 8 million.
我们现在在管的数据库数量接近5000万，去年同期是800万。
Paul1:05
usually when this happens, you see a lot of the other numbers start to decline, activation, conversion. But actually this year, all of them are kind of going up and to the right, which is a bit insane just because the models are getting so good at building.
通常出现这种暴涨时，你会看到其他指标比如激活率、转化率开始下滑。但今年实际上所有指标都在一路向上，这有点离谱，原因就是模型在构建这件事上变得太强了。
Paul4:14
Well, one kind of cool example was at our conference. We had the conference here and afterwards, this guy from Brazil came up to me and he's built an entire taxi app from his phone. And it's kind of like a little mini Uber for his local market.
有个挺酷的例子是在我们的大会上。会后有个巴西来的人找到我，说他在手机上建了一整个打车软件，就像他当地市场的一个迷你版Uber。
Paul8:24
because there's like two stages to winning the agents the first is being picked by the model and then the second is like if they get stuck you don't want them to switch away
因为赢得agent这件事分两个阶段：第一是被模型选中，第二是如果它卡住了，你不希望它转头换别的工具。
Paul30:57
a million tokens is actually an incredible working memory like most human beings only have like seven plus or minus two things that they can keep in their head whereas like a million tokens is like basically uh like three harry potter books
100万token其实是一种惊人的工作记忆——大多数人脑子里只能同时装下七个左右（正负二）的东西，而100万token大概相当于三本哈利·波特。
It was like if you've got 15 people, 2 million ARR per head and with 50% margins, you're all making a million a year. I mean, that's an amazing outcome for a lot of people.
就是说如果你有15个人，人均200万美元ARR，50%的利润率，那你们每个人一年能挣一百万美元。这对很多人来说已经是个很棒的结果了。
Databases have been around for 50 years. I think they'll be around for another 50 years.
数据库已经存在了50年。我认为它还会再存在50年。
Paul45:40
数字与实体
| Superbase注册用户数 | 1300万（去年同期约300万） | 1:05 |
| 数据库在管总量 | 接近5000万（去年同期800万） | 1:05 |
| 今年预计收入增速 | 4倍 | 1:05 |
| ChatGPT周活跃用户 | 12亿 | 14:34 |
| 内部工程师用AI写代码占比变化 | 从10%工程师写80%代码，6个月内升至60%的工程师 | 17:36 |
| AWS收入中来自初创公司的占比 | 约40% | 24:48 |
| 15人团队的人均ARR与利润率 | 人均200万美元ARR，50%利润率 | 43:32 |
术语
- RSI递归自我改进
- AI靠自动循环不断测试、改进自身能力，这里指持续跑eval自我优化检索效果
- vibe coding氛围编程
- 凭感觉口述需求让AI直接生成代码，不深究实现细节
- Lindy effect林迪效应
- 存续越久的事物，预期剩余寿命也越长
- PLG产品驱动增长
- 靠产品自身吸引和转化用户的增长模式，不依赖销售团队
收听指南
关注AI原生基建、开发者工具增长曲线，以及「全民建造者」趋势的创业者、产品经理和早期投资人。
片头([0:00])是全集剪辑混剪，内容后文都会重复出现，可直接从[1:05]听起。