MySQL verfügt über keine „KI-Schnittstelle“. Wenn Unternehmen große Modelle integrieren, stoßen sie zunächst auf das Problem der Speicherort der Daten. Shannon Boolean durchbricht diese Situation mit dem Konzept des „In-situ-Upgrades“ und startet seine Angel-Finanzierungsrunde.
Das Bestands-MySQL verfügt über keine „KI-Schnittstelle“ und stellt die erste Hürde für die KI-gestützte Umwandlung von Unternehmensdatenvermögen dar
Wenn Unternehmen ihre privaten Daten in große Modelle einbinden, stoßen sie zuerst meist nicht auf Probleme mit den Modellen selbst, sondern auf Probleme im Zusammenhang mit dem Speicherort der Daten. In Szenarien für Online-Transaktionen ist MySQL seit langem die Standard-Grundlage. Nach öffentlichen Statistiken beträgt die Anzahl der weltweit bereitgestellten Instanzen mehrere zehn Millionen, und Hunderttausende von Unternehmen haben es in ihren Kerntechnologie-Stack integriert. Die Fähigkeitsgrenzen von MySQL selbst liegen jedoch in der Transaktionsverarbeitung: Es gibt keine spaltenorientierte Ausführung für Analysen, keine direkt aufrufbare Modelltraining und -inferenz, keine vollständige Kette für Vektorsuche und Retrieval-Augmented Generation (RAG) und erst recht keine Agenten, die sicher in der Datenbank ausgeführt werden können.
Die beiden daraus resultierenden Umgestaltungspfade sind nicht einfach. Der eine Pfad ist die Ersetzung: Die Onlinedatenbank wird auf eine neue Datenbank mit KI-Funktionen migriert, wobei Datenmigration, SQL-Kompatibilität, Betriebs- und Wartungssysteme sowie Compliance-Prüfungen vollständig neu erstellt werden müssen – dies stellt eine zu hohe Hürde für Kernsysteme dar, die bereits seit vielen Jahren laufen. Der andere Pfad ist die externe Ergänzung: Außerhalb von MySQL werden Vektordatenbanken, Big-Data-Plattformen, Merkmalsplattformen und Gateways für große Modelle hinzugefügt. Die Architekturänderungen sind gering, aber die Daten müssen zwischen mehreren Systemen hin- und hertransportiert werden, was zu Verzögerungen in der Kette, Kosten für redundante Speicherung, inkonsistenten Berechtigungsstandards und Sicherheitsrisiken durch den Fluss von Kontext außerhalb der Datenbank führt. Für Branchen wie Finanzen, Regierung und Unternehmen mit der zwingenden Anforderung „Daten dürfen die Datenbank nicht verlassen“ sind die Compliance-Kosten des letztgenannten Pfads besonders hoch.
ShannonBase definiert diese Lücke als Anforderung der „In-Situ-Aktualisierung“: Ohne Geschäftscodes zu ändern oder Daten zu migrieren, erhalten die bereits laufenden MySQL-Instanzen vor Ort Fähigkeiten für Analysen, maschinelles Lernen und Agenten. Das Projekt wurde vom Datenbankkernteam Shannon Data AI initiiert, verfolgt einen Open-Source-Ansatz, dessen Code bereits auf GitHub gehostet wird und für die Testnutzung freigegeben ist.
Keine Ersetzung, nur Aktualisierung: Spaltenspeicherung, Inferenz und Agent-Laufzeit sind alle in den Kern integriert
ShannonBase ist eine Reihe von quelloffenen intelligenten Datenbanken, die mit MySQL 8.4 LTS kompatibel sind. Sein technisches Konzept lässt sich als „Run AI where your data lives“ zusammenfassen, und seine Fähigkeiten sind auf drei Ebenen aufgebaut.
Die unterste Ebene ist die HTAP-Ausführung. InnoDB behält als Haupt-Engine die vollständige Transaktionssemantik und die bestehenden Betriebs- und Wartungsverfahren bei. Das selbstentwickelte spaltenorientierte Speicher-Engine Rapid im Arbeitsspeicher übernimmt als sekundäre Engine die Analysearbeitslast. Beide werden über DML-Benachrichtigungen synchron gehalten, ohne dass externe ETL-Aufgaben erforderlich sind. Nach dem Eintreffen einer Abfrage entscheidet der Optimierer auf Kostenbasis, ob der zeilenorientierte oder spaltenorientierte Speicher verwendet wird – die Geschäftsseite bemerkt den Engine-Wechsel nicht. Intern verwendet Rapid vektorisierte Ausführung und führt SIMD-Beschleunigung bei Operatoren wie Prädikatfilterung und Aggregation ein, sodass Analyseabfragen und Transaktionsschreibvorgänge auf denselben Daten ausgeführt werden können.
Die mittlere Ebene sind die KI/ML-Fähigkeiten in der Datenbank. Aufgaben wie Klassifizierung, Regression und Anomalieerkennung können direkt in der Datenbank trainiert und vorhergesagt werden. Auf der Seite der Baummodelle werden gängige Frameworks wie LightGBM und XGBoost unterstützt, auf der Seite der Inferenz ist ONNX Runtime integriert, das die lokale Generierung von Einbettungsvektoren und Modellinferenz unterstützt, zudem die Einbindung von lokal bereitgestellten Modellen über Ollama sowie von Diensten für große Modelle wie DeepSeek und Tongyi Qianwen ermöglicht. Die Vektorsuche und der RAG-Prozess werden in der Datenbank geschlossen ausgeführt, sodass Daten und Modelle sich in derselben Datenbank befinden und das Abfließen von Merkmalen und Kontext vermieden wird. Bei Annähernd-Nächster-Nachbar-(ANN)-Indizes folgt das Team der Entwicklungsrichtung der Vektorindizes des oberen MySQL-Community-Zweigs, anstatt eine eigene private Implementierung zu erstellen, um eine langfristige Ökosystemkompatibilität zu gewährleisten. Die oben genannten Fähigkeiten werden einheitlich über Standard-SQL bereitgestellt, sodass für bestehende Anwendungen keine neuen Clients oder Protokolle eingeführt werden müssen.
Die oberste Ebene ist die native Agent-Engine, die das Kernanliegen dieses Projekts im Unterschied zu extern ergänzenden Lösungen darstellt: Agenten sollten zu erstklassigen Bürgern der Datenbank werden. ShannonBase bettet im Serverprozess eine leichtgewichtige JavaScript-Engine namens JerryScript ein. Agenten führen JavaScript-Codes über interne SQL-Syntax-Schnittstellen aus und nutzen auf natürliche Weise das bestehende Berechtigungssystem, die Transaktionsgrenzen und die Prüfkette der Datenbank wieder, ohne dass Daten in ein externes Orchestrierungsframework transportiert werden müssen. Im Betriebsmechanismus verwenden Agenten den ReAct-Zyklus, um Inferenz und Tool-Aufrufe durchzuführen, und sind mit einem Zustandsautomat für die Genehmigung durch Menschen im Prozess (HITL) ausgestattet: Bei risikoreichen Aktionen wie Schreibvorgängen wird der Ausführungsplan zuerst in der Datenbank gespeichert und wartet auf die menschliche Bestätigung. Die Wartezeit für die Genehmigung ist von dem Lebenszyklus der Datenbanktransaktion entkoppelt, sodass die Belegung durch langlaufende Transaktionen vermieden wird. Für Tools und Plugins wird ein vierstufiges Zuweisungsmechanismus verwendet, der nacheinander über Sitzungsvariablen, Registrierungen, konventionelle Benennungen und Standardimplementierungen wirkt, sodass Implementierungen ersetzt werden können, ohne den Kern zu ändern. Endnutzer können mit einem einfachen Satz natürlicher Sprache Datenabfragen und Geschäftsanalysen durchführen, wobei der gesamte Prozess Aufzeichnungen für SQL-Prüfungen und Berechtigungsvalidierungen hinterlässt und nachverfolgbar ist.
Open-Source-Anziehung, Monetarisierung über Abonnements: Zielnutzer, Marktraum und Fortschritte des Teams
ShannonBase verfolgt das Geschäftsmodell „Anziehung von Nutzern durch Open Source, Monetarisierung über Abonnements und SaaS“: Die Community-Version stellt Kernfunktionen kostenlos zur Verfügung, die Einnahmen stammen aus jährlichen Abonnements für die Enterprise-Version, branchenspezifischen Lösungen für vertikale Branchen und gehostetem SaaS auf dem Cloud-Markt. Es gibt zwei Arten von Zielnutzern: Die eine Gruppe umfasst Finanz-, Regierungs- und Fertigungsunternehmen, die über eine große Anzahl von MySQL-Bestandsinstanzen verfügen und deren Daten die Datenbank nicht verlassen dürfen. Die In-Situ-Aktualisierung kann die Kosten für Migration und Compliance vermeiden. Die andere Gruppe sind kleine und mittlere Technologieunternehmen, die ihre Geschäftsprozesse schnell um KI-Fähigkeiten ergänzen müssen, aber kein spezialisiertes Plattformteam haben. Eine einzelne Engine ersetzt den zusammengesetzten Stack aus „Datenbank + Vektordatenbank + Merkmalsplattform + Modell-Gateway“ und kann die Komplexität von Bereitstellung und Betrieb erheblich reduzieren.
Auf Marktebene schneidet das Projekt die Schnittmenge zweier wachstumsstarker Märkte an: die Aktualisierung von MySQL-Bestandsinstanzen und die Infrastruktur für Agenten. Nach Branchenprognosen wird der weltweite Markt für Agenten-Infrastruktur bis 2028 voraussichtlich ein Volumen von mehreren zehn Milliarden US-Dollar erreichen. Unter der Annahme, dass etwa 5 % der weltweit mehreren zehn Millionen MySQL-Instanzen einen Aktualisierungsbedarf haben und das jährliche Abonnement pro Instanz mehrere Tausend US-Dollar beträgt, beträgt der entsprechende Einnahmeraum mehrere Milliarden US-Dollar. Im Inland entspricht eine Durchdringungsrate von 1 % einem jährlichen Einnahmeraum von etwa 3 Milliarden Yuan, wenn die Prognose für den mit MySQL verbundenen Aktualisierungsmarkt bis 2028 über 30 Milliarden Yuan liegt. In der Wettbewerbslandschaft ist Oracle MySQL HeatWave eine quellgeschlossene Lösung, die eng mit OCI verbunden ist und in den öffentlichen Cloud-Regionen des chinesischen Festlands noch nicht verfügbar ist. Obwohl die MySQL-Community-Version in der 9.x-Version den VECTOR-Speichertyp unterstützt, besteht noch eine deutliche Lücke zu vollständigen KI- und Agentenfähigkeiten in der Datenbank, sodass eine klare Marktlücke in diesem Bereich vorhanden ist.
Auf Seiten des Teams stammen die Kernmitglieder von ShannonBase größtenteils aus Datenbankteams von Unternehmen wie Huawei und Tencent, verfügen über mehr als zehn Jahre Erfahrung in der Kernentwicklung und sind Mitwirkende an Open-Source-Communities wie MySQL und openGauss. Ihre Fähigkeiten decken die gesamte Kette von Speicher-Engines, Abfrageoptimierern bis hin zu Ausführungsengines ab. Derzeit ist die erste Version fertiggestellt und wird schnell weiterentwickelt. Die offizielle Version wird voraussichtlich im Oktober veröffentlicht, der Code ist auf GitHub in offener Open-Source-Form (Shannon-Data/ShannonBase) öffentlich zugänglich und steht für die Testnutzung zur Verfügung. Auf der internationalen Seite hat das Team technische Inhalte für die japanische Entwickler-Community auf Plattformen wie Zenn, Qiita und Note veröffentlicht, um die frühe Marktvalidierung zu starten. Anschließend wird die Marktvalidierung in weiteren Märkten wie Europa und den USA vorangetrieben. Das Projekt führt derzeit eine Finanzierungsrunde für das Engelskapital durch. Die Mittel werden hauptsächlich für die Erweiterung des Entwicklerteams für den Datenbankkern verwendet, zudem in die Produktivisierung und Stabilitätsvalidierung der Enterprise-Version investiert, ein System für Kompatibilitätstests und Leistungsbenchmarks aufgebaut sowie die Umsetzung in Produktivumgebungen mit frühen Referenzkunden abgeschlossen. Der verbleibende Teil wird für den fortlaufenden Betrieb der Open-Source-Community und des Entwickler-Ökosystems verwendet.
MySQL dient weltweit Unternehmen bereits seit mehreren Jahrzehnten. Im KI-Zeitalter sollte es nicht direkt ersetzt werden, sondern neue Fähigkeiten erhalten. Das Team hofft, auf offene und quelloffene Weise allen MySQL-Nutzern den niedrigschwelligen Zugang zu KI-Fähigkeiten zu ermöglichen und gemeinsam das KI-Zeitalter von MySQL zu gestalten. Das langfristige Ziel ist es, die standardmäßige KI-Dateninfrastruktur für MySQL-Nutzer im KI-Zeitalter zu werden, sodass Daten und KI in derselben Engine fließen können.