返回资讯中心
外部精选
软件工程
#开发实践#Artificial Intelligence, Data Management, Databases

MariaDB为下一代数据库平台Enterprise Platform 2027新增四项面向Agent的能力

来源标题:MariaDB enhances agent development for its next-gen database platform

MariaDB宣布在其企业数据库平台Enterprise Platform 2027中新增四项面向Agent的能力,包括AI Retrieval、AI Plugins、Agent Memory和Semantic Cache。AI Retrieval可将自然语言问题转换为只读SQL查询,AI Plugins则把MariaDB专业知识引入Claude Code、Codex等编码Agent。这些能力旨在帮助开发者更快检索企业数据、跨会话保持Agent记忆,并降低重复模型查询的成本与延迟。

InfoWorld2026/11/4 · 13 天前16 分钟阅读

以下正文由 AI 翻译自 InfoWorld(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。

MariaDB于周三表示,将在其企业数据库平台最新版本Enterprise Platform 2027中新增四项面向agent的能力,帮助开发者更快检索企业数据、跨会话维持agent记忆,并降低重复模型查询的成本与延迟。

这些新能力包括AI Retrieval、AI Plugins、Agent Memory和Semantic Cache。

公司在一份声明中表示,AI Retrieval旨在帮助agent通过单一托管服务访问企业文档和实时运营数据中的信息,而AI Plugins则旨在将MariaDB相关的专业知识引入Anthropic的Claude Code和OpenAI的Codex等编码agent,帮助开发者更准确地生成数据库相关代码。

AI Retrieval还可将自然语言问题转换为只读SQL查询。MariaDB表示,这将使开发者无需为每个请求手动编写查询。

据该公司介绍,Agent Memory为agent提供持久化的内存存储,使其能够跨会话保留信息并恢复任务,而无需每次重新构建上下文。

MariaDB表示,第四项能力Semantic Cache旨在通过识别语义相似的问题(即使表述方式不同),并复用此前生成的答案而非从头处理每个查询,从而缩短响应时间并降低AI推理成本。

AI检索简化数据访问,但引发可靠性担忧

HFS Research执行研究负责人Ashish Chaturvedi表示,对开发者而言,AI Retrieval可以提升生产力。

“大多数RAG设置将文档保存在向量存储中,将实时记录保存在事务数据库中,再由胶水代码决定查询哪一个以及如何合并结果。将两者置于一个托管服务之后,可以省去一个组件和一个同步步骤,使agent在运营事实为真的一刻读取它们,”Chaturvedi补充道。

Chaturvedi进一步表示,这种整合对CIO而言意味着降低成本和复杂性,尤其是对以MariaDB为核心的企业而言,因为它可以退役独立的向量数据库和同步管道,从而减少许可、运维以及敏感数据存放的位置数量。

然而,他警告称,自然语言转SQL能力在处理复杂企业数据库时可能面临可靠性挑战。

“面对庞杂的schema、含义隐晦的列名、复杂的join以及缺乏文档化定义的业务术语,可靠性可能会下降。如果你要求‘活跃客户’,而模型必须猜测其含义,它很可能产出看似合理但不同的数字,”Chaturvedi说。

“只有配合经过整理的业务定义,并针对真实用户问题进行测试,这项能力才可能变得可靠,”他补充道。

AI插件需要监督

同样,Moor Insights and Strategy首席分析师Michael Leone表示,AI Plugins能力可能提升开发者的生产力。

“编码agent倾向于为它们最熟悉的数据库编写代码,因此教会它们MariaDB是明智之举。通用模型通常了解标准SQL,但仍会在MariaDB特定语法和向量搜索等较新特性上出错,”Leone补充道。

然而,Chaturvedi警告称,CIO不应假定AI编码agent生成的数据库代码天然可靠或安全。

“AI生成的代码应当与人类开发者编写的代码一样,经过同样的审查、测试和安全扫描,尤其要关注SQL注入风险、过度的数据库权限以及agent提议的schema变更——这些变更可能难以回滚,”他说。

“CIO还应追踪哪些AI工具生成了特定的代码片段,以帮助开发团队识别反复出现的错误,并解决其编码工作流中的薄弱环节,”他补充道。

Agent记忆与缓存带来效率,但也增加风险

Agent Memory和Semantic Cache同样可以帮助企业提升AI agent的效率,尽管这两项能力都引入了数据管理和可靠性方面的考量。

Chaturvedi表示,如果没有Agent Memory,每个agent会话都从头开始,浪费token并增加长时间运行流程中决策不一致的风险;但CIO需要确保记忆通过明确的所有权、保留策略和访问控制进行治理,因为它可能包含受隐私法规约束的个人信息和商业敏感信息。

“过时的记忆还可能导致agent基于错误信息行动,例如已被取代的供应商条款或客户偏好。因此,企业需要机制来使存储的信息过期或纠正,跨用户隔离记忆,并保护其免受蓄意植入的虚假条目影响,”他补充道。

同样,Semantic Cache可以带来可观的计算和AI推理成本节省,尤其是对涉及相对稳定信息的工作负载,例如helpdesk查询、HR政策和产品FAQ。

然而,Chaturvedi表示,对于个性化或分析性查询,其收益可能更为有限,因为用户需求和底层数据经常变化。

“这主要是因为判断问题之间的相似度极其困难。例如,关于公司退款政策的问题和关于其在德国退款政策的问题可能看起来相似,但需要不同的答案。同样,两个用户提出相同问题,可能因其访问权限不同而有权获得不同的回答,”他解释道。

他补充道,因此CIO应根据底层数据变化频率以及错误响应的潜在后果对工作负载进行分类,仅在两类风险都较低的场景中更积极地使用缓存。

(原文较长,此处译出前 6000 字,完整内容请点「打开原文」。)

正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。

打开原文
去社区讨论 →