MySQL没有“AI接口”，企业接大模型先撞上数据在哪的问题？香农布尔用“原位升级”破局，启动天使轮
存量MySQL没有"AI接口"，成为企业数据资产AI化的第一道门槛
企业把私有数据接入大模型时，最先撞上的往往不是模型问题，而是数据所在位置的问题。在在线事务场景中，MySQL长期是默认底座，公开统计口径下全球部署实例在千万量级，将其纳入核心技术栈的企业数以十万计。但MySQL自身的能力边界停留在事务处理：没有面向分析的列式执行，没有可直接调用的模型训练与推理，没有向量检索与检索增强生成（RAG）的完整链路，更没有可以在库内安全运行的智能体（Agent）。
由此形成的两条改造路径都不轻松。一条是替换，把在线库迁移到具备AI能力的新型数据库，数据搬迁、SQL兼容、运维体系与合规审计需要整体重做，对已经运行多年的核心系统而言门槛过高；另一条是外挂，在MySQL之外叠加向量库、大数据平台、特征平台与大模型网关，架构改动小，但数据要在多个系统间来回搬运，带来链路延迟、重复存储成本、权限口径不一致，以及上下文在库外流转的安全风险。对金融、政企等有"数据不出库"硬性要求的行业，后一条路径的合规成本尤其明显。
ShannonBase 将这段空白定义为"原位升级"需求：不改业务代码、不迁移数据，让已经在跑的MySQL实例原地获得分析、机器学习与Agent能力。项目由数据库内核团队 Shannon Data AI 发起，采取开源路线，代码已托管于 GitHub 并开放试用。
不替换，只升级：列存、推理与Agent运行时都被做进内核
ShannonBase 是一套与 MySQL 8.4 LTS 保持兼容的开源智能数据库，技术理念概括为"Run AI where your data lives"，能力构建在三个层次上。
底层是HTAP执行。InnoDB 作为主引擎保留完整的事务语义与既有运维方式，团队自研的 Rapid内存列存引擎作为二级引擎承接分析负载，两者通过DML通知方式保持同步，不需要外部 ETL 作业；查询进入后由优化器基于代价决定走行存还是列存，业务侧感知不到引擎切换。Rapid 内部采用向量化执行，并在谓词过滤与聚合等算子上引入 SIMD 加速，使分析查询与事务写入可以运行在同一份数据之上。
中间层是库内AI/ML能力。分类、回归、异常检测等任务可以直接在数据库内完成训练与预测，树模型侧兼容 LightGBM、XGBoost 等主流框架，推理侧内置 ONNX Runtime，支持本地嵌入向量生成与模型推理，也支持通过 Ollama 接入本地部署模型，以及 DeepSeek、通义千问等多家大模型服务。向量检索与 RAG 流程在库内闭环，数据与模型同库，避免了特征和上下文外流。在近似最近邻（ANN）索引这一环上，团队选择跟随 MySQL 社区上游的向量索引演进路线，而非自建私有实现，以保证长期的生态兼容性。上述能力统一以标准 SQL 暴露，存量应用无需引入新的客户端或协议。
最上层是Agent原生引擎，也是该项目区别于外挂式方案的核心主张：Agent 应当成为数据库的一等公民。ShannonBase 在服务端进程内嵌入了轻量JavaScript引擎-JerryScript，Agent 通过内部 SQL 语法接口执行Javascript代码，天然复用数据库既有的权限体系、事务边界与审计链路，不需要把数据搬到库外的编排框架中。运行机制上，Agent 采用 ReAct 循环完成推理与工具调用，并配有人在环（HITL）审批状态机——对写操作等高风险动作，执行计划会先落库等待人工确认，审批等待时间与数据库事务生命周期解耦，避免长事务占用；工具与插件采用四级分派机制，依次由会话变量、注册表、约定式命名与默认实现生效，便于在不改内核的前提下替换实现。终端用户一句自然语言即可完成数据查询与业务分析，全过程保留 SQL 审计与权限校验记录，可追溯。
开源引流、订阅变现：目标用户、市场空间与团队进展
ShannonBase 采取"开源引流、订阅与SaaS变现"的商业模式：社区版开放核心功能免费使用，收入来自企业版年度订阅、垂直行业解决方案，以及云市场上的托管SaaS。目标用户分为两类，一类是持有大量MySQL存量、且数据不能出库的金融、政企与制造企业，原位升级可以规避迁移与合规成本；另一类是需要快速为业务补上AI能力、但没有专门平台团队的中小科技公司，单一引擎替代"数据库+向量库+特征平台+模型网关"的拼装栈，可显著降低部署与运维复杂度。
市场层面，项目切入的是MySQL存量升级与Agent基础设施两个增长市场的交叉点。按行业预测口径，2028年全球Agent基础设施市场规模有望达到数百亿美元量级；若以全球千万级MySQL实例中约5%产生升级需求、单实例年均订阅数千美元的假设测算，对应的收入空间在数十亿美元量级。国内方面，若按2028年MySQL相关升级市场超过300亿元人民币的预测口径，1%的渗透率对应约3亿元人民币的年度收入空间。竞争格局上，Oracle MySQL HeatWave 为闭源方案且与 OCI 深度绑定，在中国大陆尚无公有云区域可用；MySQL 社区版在 9.x 中虽已支持 VECTOR 存储类型，但距离完整的库内AI与Agent能力仍有明显距离，赛道空白较为明确。
团队方面，ShannonBase核心成员多来自华为、腾讯等企业的数据库团队，具备十余年内核研发经验，是 MySQL、openGauss 等开源社区的贡献者，能力覆盖存储引擎、查询优化器到执行器的全链路。当前进展上，初始版本已开发完成并持续快速迭代，预计十月发布正式版本，代码在 GitHub 上以开源形式公开（Shannon-Data/ShannonBase），对外开放试用；海外侧，团队已面向日本开发者社区在 Zenn、Qiita、Note 等平台发布技术内容，启动早期市场验证。后续会在欧美等市场继续推进市场验证。项目目前正在推进天使轮融资，资金将主要用于数据库内核研发团队的扩充，同时投入企业版的产品化与稳定性验证，建设兼容性测试体系与性能基准，配合早期标杆客户完成生产环境落地；剩余部分用于开源社区与开发者生态的持续运营。
MySQL 已经服务全球企业数十年，在AI时代不应该被直接替换，而是应该获得新的能力；团队希望以开源开放的方式，让所有MySQL用户都能低门槛接入AI能力，共同定义MySQL的AI时代，长期目标是成为AI时代MySQL用户默认的AI数据基础设施，让数据与AI在同一引擎中流动。