関連スライド
Meta XR SDK(V66-74)でQuestアプリを開発
あうぜん
1.2M
各ページのテキスト
AIエージェントのための 分散SQL TiDBが歩んだAIとの軌跡と OSSエコシステムの進化 PingCAP株式会社 Open Source Conference Tokyo/Spring
関⼝匡稔 X: @bohnen PingCAP株式会社 Senior Solutions Architect わかばちゃんと つくって、壊して、 直して学ぶ NewSQL⼊⾨ 好評発売中！
TiDBとは
NewSQL + HTAPの先進性 ミッションクリティカルな ワークロードをスケーラブルに Horizontal Scalability High Availability アーキテクチャを複雑に することなくスケールア ウト ビジネス継続性を確実に する自動フェイルオー バーと回復 Strongly Consistent MySQL Compatibility 分散環境でスケールする ACIDトランザクション ほとんどのケースで MySQLコードの変更は 不要 +リアルタイム分析 リアルタイムの 洞察力を高める ビジネスの スピードを向上 シンプルな アーキテクチャ 低い維持コスト
AIエージェント時代の データベース
AIエージェントの データアーキテクチャ Agentic AI Data Architectures Blaize Steward & Ed Huang より抜粋
AIエージェントの特徴 チャットボットと異なる⾃律性 ⽣成AIをレシピとするなら AIエージェントはシェフ 与えられたタスクに基づいて ● 情報の収集 ● 計画の⽴案 ● 実⾏ ● 実⾏結果に基づく計画の修正 ● 再実⾏ を⾃律的に実⾏し、タスクを遂⾏する 知覚 (Perceive) 推論 (Reason) 多ソースからの信号活⽤ ⽬的と制約の評価 学習 (Learn) ⾏動 (Act) フィードバックループ ワークフローの実⾏
AIエージェントにおけるコンテキストの重要性 コンテキストをどう作成するか = コンテキストエンジニアリング ⽣成AIのコンテキストは、セッション単位 セッションを超えるコンテキストは、 何らかの形で保存し、コンテキストに注⼊する必要がある。 ● ● ● ● ● タスク固有のデータ知識（RAG） 利⽤ツール、タスクの知識（Skills） プロジェクト固有ルール、計画（Agent.md） ユーザー固有の嗜好、与えた知識 タスク進捗状況、履歴、判断経緯 サブエージェントでは、これらを共有‧更新する必要も出てくる
AIエージェントとデータベース AIエージェントがデータベースを利⽤する上でのデータベース側の課題 従来想定していない、⼤量のオンデマンド‧動的な利⽤ ● ● ● ● タスクに応じたデータモデルをエージェントが作成 クエリも都度作成‧改変‧繰り返し サブエージェントによる並列実⾏、更新ロック 負荷はそれぞれのエージェントが担うタスクにより増減 スキーマの柔軟性‧検索の容易性‧ワークロードの分離‧スケーラビリ ティが重要になる
TiDB X - AIエージェントの時 代のデータベース
データベースのユーザーは⼈からエージェントへ ⾃律エージェントが計画‧実⾏を⾏い、データベースを操作する
エージェントに必要な「⻑期記憶」 AIエージェントのコンテキストはセッション単位 パーソナライズや作業の再開‧分担には、永続的なメモリが必要 Context Agentic AI 短期記憶 セッション単位 ⻑期記憶（DB） パーソナライズ‧永続化
実例： OpenClawの⻑期記憶アーキテクチャ ベクトルDBにコンテキストを保持し、パーソナルエージェントとして振る舞う 有⽤性が評価されて開発者がOpenAIに参画 https://www.pingcap.com/blog/local-first-rag-using-sqlite-ai-agent-memory-openclaw/
TiDB X: エージェントのためのデータベース エージェントのための、オールマイティでスケーラブルなデータベース オートスケール ワークロードの分離 と⾃律的なスケール 適応能⼒ スキーマ変更への 素早い対応 マルチモデルサポート リレーショナル + ベクター 等 ハイブリッドワークロー ド OLTPとOLAP、セマンティッ ク検索の複合
TiDB Xのアーキテクチャ TiDB Cloud Starter（2021）から継続して開発 ● Shared Everythingアーキテクチャ ○ S3が主要ストレージ ○ KV層はキャッシュとして動作 ● マイクロサービスとオンデマンドプロビ ジョニング ○ 利⽤量（RU）による従量課⾦ ○ 統計更新やインデックス作成など のバッチ処理の⾼速化 ● 数百万スケールの論理クラスタをサポー トするメタデータ管理 ● データの複製不要で瞬時にコピーを作成 できるブランチ機能
AIスタートアップでの実績： Manus Manus Google Search Trend Invite Only Public Launch The Urgency of Time First Contact & Scoping The Massive Amount of Users & Tasks Go Prod Exponential Data Growth
manus Task Agent Personal Agent
PingCAPのAIへの取り組み
TiDB XアーキテクチャのAI対応開発の歴史
Text2SQL：AIによるSQLの⽣成‧実⾏ RDBアクセスに必要なSQLをLLMに⽣成させ AIを使って⾃然⾔語でDBを検索 LLM APIやコーディングによ るDBとの接続 質問の解釈 メタ情報の解析 ● SQL ● テーブル定義 等メタ情報 SQL実⾏結果 SQLの組み⽴て 回答の⽣成 ●
Text2SQLの例：OSS Insight ● ● ● LLMは質問を構造化し、条件を明確にする LLMはテーブル構造などのメタ情報を把握 LLMは動作するSQLを⽣成する https://ossinsight.io/
RAG（Retrieval Augmented Generation） LLMにないドメイン知識を検索により取得 LLMに解釈させハルシネーションを防⽌ LLM APIやコーディングによ るDBとの接続 質問の解釈 外部情報の取得 ● 質問（ベクトル） ● ● ドキュメント 類似度 結果の解釈 回答の⽣成
RAGの例：TiDB AI 精度向上のために ‧ベクトル検索 ‧質問の書き換え ‧知識グラフ ‧推奨演習 などを追加している https://tidb.ai/
Autoflow: Graph RAG構築フレームワーク https://github.com/pingcap/autoflow
“LLMにとってのUSB-C” MCP Host = LLM Agent MCP Server1 MCP Client1 LLM MCP Client2 リアルタイム検索 MCP Server2 操作の実⾏ MCP Client3 MCP Server3 https://modelcontextprotocol.io/introduction 規約‧ルール参照
MCP: PyTiDB[MCP] https://pingcap.github.io/ai/integrations/tidb-mcp-server/ MCP経由でDB操作が可能 TiDB操作クラスを利⽤し たカスタマイズも容易
フルスタックアプリコーディングエージェント https://github.com/pingcap/full-stack-app-builder-ai-agent Next.jsを使ったWebアプリ ケーションを構築、Vercelに デプロイするコーディング エージェント
TiDB Cloud Zero: Built for AI Agents https://zero.tidbcloud.com/?code=TIPLANET サインアップ不要で、AIエー ジェントから作成‧利⽤が可 能なTiDB Cloud AIエージェントのプロジェク トレベルでの利⽤を想定し、 保存期間は3⽇間 必要に応じて延⻑する機能も 実装予定
トレーニング トレーナーによるワークショップと オンライン⾃習コンテンツ オンライン環境 labs.tidb.io ● ハンズオンシナリオと実⾏環境 が⼀体になったTiDBの演習環境 ● TiDB Cloudのアカウントでログ イン可能 ● TiDBの基礎からパフォーマンス ‧チューニング、AIまで
TiDB Labs: AI Agentコンテンツ 様々な利⽤形態にあわせた学習コンテンツをご⽤意
試してみましょう！ Claude Codeを使ったTiDBの使い⽅を紹介
Thank You! / 33