上一次写DTCC已经是15年前了（参考：DTCC关于MySQL的未来），今天又有写一点什么的冲动了。因为要“练摊”，所以也只能是“部分”观察。

AI 到底会如何改变数据库领域

这次会场上，对于“佰晟智算”和“银联”在AI方向的一些探索关注的多一些，其他时间，则主要是在NineData展台“练摊”。说说一些感受吧。“佰晟科技”主要聚焦于国产化数据库的优化、监控管理等方向，最为亮眼的创新在于，将大模型的能力与“运维知识”深度的结合起来。白鳝很早就在给产品做市场预热了，所以，在产品推出比较短的时间能，就快速的获得了一些早期的种子客户。

“银联”则是在内部的数据库管理上，做了很多的探索。银联有非常强的自主研发能力，也做了很多的智能化探索，包括Text2SQL、SQL的性能诊断等。Text2SQL很多的企业做了探索，但由于表名、列名的识别对于大模型来说，是非常困难的（一方面由于列可能非常多、而且命名比较简短），会让大模型出现非常强的幻觉问题，这使得在复杂OLTP场景，Text2SQL依旧难以胜任。但对于一些较为简单的场景，例如比较比较少，表、列都使用非常规范的时候，对于部分开发者，依旧有帮助。也注意到，有很多的企业在BI或者“取数”、“报表”场景，做了非常多的探索。

在SQL优化的方向，AI的能力，已经得到了开发者比较一致的认可，大模型虽然可能会给出一些不太实用的建议，但是“正确”的优化建议，也总是在大模型给出的建议列表之中。这对于，DBA渐少的时代，对开发者来说，确实非常友好。

NineData 在这个方向上，也做了很多探索，从最早发布ChatDBA以来，后续持续在“DDL转换”、“SQL 优化”、“Text2SQL”、“国产化转换”等方向去尝试，这些功能随着基础大模型的增强，以及辅助以各种优化，确实可以让开发者的数据库管理变得简单一些。

Memobase

还听了一场 Memobase 的分享，是一个关于大模型“memroy”的产品。创始人非常技术，整个介绍听下来，如果稍不留神，甚至不知道演讲者是来介绍 Memobase 的，而是把业界的“memroy”产品以及相关的技术栈介绍了清楚。本以为这可能是一个略微冷门的话题，但从现场的问答环节来看，开发者们在这个方向上有很多的问题要解决。

这个是一个依旧在快速发展的方向。无论是Memobase还是Mem0，这类产品，与数据或者数据库的关系比较有趣的。简单的数据存储，即便是多模态存储，是无法简单的解决此类问题的。此类问题，当前，依旧是比较偏场景化的解决方案，例如，当天讨论的最多的，包括问答机器人、智能对话陪伴等。这些具体的场景下，产品需要深入到场景之中，才能解决开发者的问题。至于存储方案，可能不是当前最为紧迫的问题，所以存储上，可以用S3、也可以用“EloqData”、也可以考虑类似于MongoDB等其他的产品。

Memobase 比较强调自己在 Latency 方面的优势，但是，目前来看，在一个Chat的场景下，多个百毫秒的Latency，似乎并不是问题。

之所以，这里比较强调多模态的存储，主要在于：在这个场景中，通常会使用如下的方案，包括，使用 Graph 存储一些关联关系，例如一个人的朋友、“属性”等信息；还会大量使用json存储诸如profile、conversation 历史等信息。此外，这类方案，与RAG类似，也非常依赖注入Embedding、bm25等相似搜索，用于处理历史消息等。

总得来说，是一个场景化的，混合的存储方案，去应对业务场景。

创新与迭代是唯一出路

这次在现场也与很多朋友讨论了 AI 对数据库从业者（不限于）的影响，大家也都有着类似的看法，如果你不是做基础大模型的，那么，基本上，如果你能够更好的使用 AI，那么就有可能开发者出更好的产品；如果你的产品，能够更好的使用AI的能力，你的产品可能会在市场上有更强的竞争力。

对于开发者来说，确实应该更加积极、甚至激进的去拥抱 AI 技术。LLM从出圈到现在，一共也就两三年时间，所以，“大家的起点都一样，不要犹豫，往前跑就可以了”。

这个说法在当初ChatGPT刚出来时，Google也有类似的论断类似：““我们没有护城河，OpenAI也没有（We Have No Moat, And Neither Does OpenAI）”。事实上，经过也就两年的时间，Google Gemini 的能力、体验与市场，已经逐步在赶上ChatGPT。

另一方面，现在整个社会最多的风投资金、最聪明的人都聚集到了这个领域，这个领域的发展和变化，可以说是“日新月异”，这个领域一定会出现很多新的商业模式和企业。但如果，跑得晚了，后面的追赶会更加吃力。从最近的Zack如此大价钱的挖掘 AI 人才，也可能看出，即便是，最头部的厂商，在这个势头下，也是非常焦虑的。

向量数据库是AI还是数据库

向量存储在搜索在多个AI场景都有这广泛的使用，这次大会上，包括腾讯、华为、中兴、Oracle等厂商都介绍自己自己在这个方向的探索，包括海量存储下的性能优化、标量与向量混合查询的性能、面相RAG常见的效果优化、高效的向量缓存方案等。

最后

DTCC 是一年一度的数据库领域朋友聚会，非常开心。因为要“练摊”的原因，错过了很多的主题分享，今年的DTCC就简单记录如上。

大语言模型非常非常强大，但也有一些弱点。例如，需要精确推理与计算的场景、实时数据（如天气）获取等。MCP则是对这类外部能力扩展的一个接口，让大模型/Agent都能够便捷的接入外部工具解决此类问题。

本文通过演示创建一个外部计算24点的程序（MCP Server），让Cursor Agent访问LLM时具备快速的24点计算能力，从而帮助开发者快速了解如何构建一个MCP Server。该24点计算的MCP Server也已经在🤗 Hugging Face对外发布，你也可以接入你的Cursor（或其他MCP Host）进行测试（参考本文小结：在Cursor中配置MCP工具）^[1]。

创建 MCP Server

现在各种工具框架已经把MCP入门构建的门槛降低非常低了，这里将使用Gradio构建一个24点计算的程序，并以MCP Server的方式提供给各MCP Host（本文是Cursor）使用，同时将该MCP Server发布在🤗 Hugging Face的Space上，以供其他人测试和使用。

创建24点计算的MCP Server

使用Gradio创建MCP的代码如下：

#
# A project for mcp learning by orczhou
#
from solve_24_game import solve_24_game
import gradio as gr

def gradio_interface(a, b, c, d):
    return solve_24_game([a, b, c, d])

# Create the Gradio interface
demo = gr.Interface(
    fn=gradio_interface,
    title="solve the 24 game/puzzle",
    inputs=[
        gr.Number(label="Number 1", value=1),
        gr.Number(label="Number 2", value=2),
        gr.Number(label="Number 3", value=3),
        gr.Number(label="Number 4", value=4),
    ],
    outputs="text",
    flagging_mode="never",
    description="Solves the 24-point game. Given a list of four numbers, it attempts to find a mathematical expression using addition, subtraction, multiplication, and division that evaluates to 24. Each number must be used exactly once.",
    theme=gr.themes.Ocean()
)

# Launch the interface and MCP server
if __name__ == "__main__":
    demo.launch(mcp_server=True)

Gradio 不仅可以快速构建可视化的交互界面（通常用于机器学习领域），还可以非常简单的构建起MCP Server，并将其托管于🤗 Hugging Face：

    demo.launch(mcp_server=True)

在启动时，新增mcp_server=True即可以同时启动一个与此界面“相同”的MCP Server。

左侧的代码首先创建了一个如下Web服务：

在创建了上述的Web服务的同时，Gradio还会同时创建了一个如下Endpoint的MCP Server：

https://orczhou-solve-24-game.hf.space/gradio_api/mcp/sse

如果是本地运行，Endpoint则可能是：

http://127.0.0.1:7860/gradio_api/mcp/

这里解决24点问题的代码存储在文件solve_24_game.py中，代码参考：solve_24_game.py。如何解决24点问题并不是本文的重点，这里不做详述。

本地运行该MCP Server

在本地，则只需要使用python3 app.py命令即可运行：

 python3 app.py
* Running on local URL:  http://127.0.0.1:7860
* To create a public link, set `share=True` in `launch()`.

🔨 Launching MCP server:
** Streamable HTTP URL: http://127.0.0.1:7860/gradio_api/mcp/
* [Deprecated] SSE URL: http://127.0.0.1:7860/gradio_api/mcp/sse

在Hugging Face上发布 MCP Server

在 🤗 Hugging Face上可以非常方便的创建并托管简单的MCP Server。详细的介绍可以参考：Spaces as MCP servers。这里演示如何进行操作。

前提要求

1. 首先，你要有一个🤗 Hugging Face的账号，注册即可
2. （可选）可能还需要进行充值与信用卡绑定
3. 准备好🤗 Hugging Face的Token，并配置好权限

通常，Hugging Face运行程序的资源是需要付费的。但是也有部分免费资源，例如MCP托管的时候，提供了一个免费的CPU Basic(2 vCPU 16 GB RAM)的免费资源（当前免费，未来也可能是计费的）。

在本地代码向Space上推送的时候，则需要通过Token的方式进行认证和权限管理。

创建 Space

进入🤗 Hugging Face，进入Space，点击“+ New Space”创建新的Space，则进入右侧的创建表单。

注意到，在Space Hardware选项中，这里的CPU Basic 2 vCPU 16GB是免费规格，这里用作个人测试故选择免费。

此外，这里选择了Gradio模板进行创建。

可以看到，这里🤗 Hugging Face把相关操作的入门门槛降到了非常低的程度，对初学者非常友好。

提交代码

在完成创建后，可以使用 git想仓库中提交代码，Space则会根据代码架构，完全自动化的构建一个MCP Server向公网提供服务。

代码提交可以参考如下命令：

git clone https://huggingface.co/spaces/orczhou/solve_24_game
cd solve_24_game
git add solve_24_game.py app.py
git commit -m "mcp for 24 point game"
git remote add origin https://huggingface.co/spaces/orczhou/solve_24_game
git push -u origin main

补充说明：首先在Hugging Face托管则需要把程序命名为app.py，此外，还需要编写一个requirements.txt文件说明Pythone程序需要的一些模块，这里仅需要gradio[mcp]：

cat requirements.txt
gradio[mcp]

调试

这里使用Hugging Face和Gradio构建的MCP服务，可以非常方便的使用可视化的界面进行查看服务，例如，在这里可以通过，如下的URL来进行查看该服务是否正常：solve the 24 game/puzzle。

此外，可以通过curl命令进行调试，以确认MCP服务是否正常：

curl -X POST \
  -H "Content-Type: application/json" \
  -H "Accept: application/json, text/event-stream" \
  -d '{
    "jsonrpc": "2.0",
    "id": 1,
    "method": "tools/list",
    "params": {}
  }' \
  -L \
  https://orczhou-solve-24-game.hf.space/gradio_api/mcp/

data: {
  "jsonrpc":"2.0",
  "id":1,
  "result":{
    "tools":[{
      "name":"solve_24_game_gradio_interface",
      "description":"",
      "inputSchema":{
        "type":"object",
        "properties":{
          "a":{"type":"number", "default":1 },
          "b":{"type":"number", "default":2 },
          "c":{"type":"number", "default":3 },
          "d":{"type":"number", "default":4 }
        }
      }
}]}}

在Cursor中配置该MCP服务

配置新的MCP服务

在Cursor的Settings->Tools & Integrations中找到MCP Tools，就可以通过New MCP Server处编辑mcp.json，从而增加MCP Tools。

具体的配置，参考如下：

{
  "mcpServers": {
    "solve_24_game": {
      "type": "sse",
      "url": "https://orczhou-solve-24-game.hf.space/gradio_api/mcp/sse"
    }
  }
} 

查看Cursor中MCP配置状态

首次测试和使用MCP时，还是比较容易出错的。可以通过上述的MCP Tools处（右图）可以查看MCP的状态，已经该MCP中可用的工具。

在Cursor中使用该MCP服务

在Agent模式下进行对话，Cursor背后的大模型就可以使用该MCP的能力。为了避免Agent生成代码（Cursor的Agent总是倾向于生成代码解决问题），故使用如下提示词提问：

“不要生成任何代码，使用工具计算如下24点问题： 2 5 5 10”。

返回的结果如右图。可以看到，大模型拿到返回的结果(5-(2/10))*5后，进行了必要的解释与回答。MCP详细的调用过程如下，包括了使用的参数、返回的结果：

在我的Cursor上使用该MCP

因为这里创建的MCP Server是运行在公网环境，故在你本地的Cursor或者其他MCP Host上也可以配置和使用该MCP服务，配置的方法参考上述小结“配置新的MCP服务”，这里不再赘述。

其他

更换Gradio的默认配色主题

可以使用 theme=gr.themes.Ocean()选项更改主题选项：

# Create the Gradio interface
demo = gr.Interface(
    ...
    theme=gr.themes.Ocean()
)

更多的配色主题可以参考：Theming Guide。

最后

大模型说：“我不需要帮助，愚蠢的人类！”