人手一个数据库，Kimi背后这套AI基建到底有多能扛？

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 人手一个数据库，Kimi背后这套AI基建到底有多能扛？ 思邈 2026-05-14 22:58:53 来源： 量子位 Agent时代的数据库，怎么跑通商业化？ 允中 发自 凹非寺 量子位 | 公众号 QbitAI “帮我搭个读书笔记网站，带登录和搜索，能导出的那种。” 如果你最近在 Kimi K2.6的Agent模式 里敲下这句话，5分钟后，你拿到的不再是一堆需要自己调试的Python代码，也不是一个只能看的静态Demo。 而是一个 真实可访问的URL 。 前端、后端、独立数据库、用户账号体系……全套齐备。你可以直接把链接甩给朋友，他注册后存入的数据，会稳稳地停留在你这套系统的 独立数据库 里。 比起v0或Lovable这些AI建站工具，Kimi实际上接管了用户 从开发到托管、再到数据库运维 的全生命周期。 但在这种体验背后，真正的工程算力挑战才刚刚开始： 如果有100万个用户随口说了这句话，就意味着后台要瞬间承载100万个独立的生产级数据库——被真实用户长期读写。 在传统数据库的产品形态下，这种工作负载量几乎无法被承接。 那么Kimi究竟是如何在成本、规模与性能的“不可能三角”中，实现这种 “人手一个数据库” 的奢侈配置？ 为什么“传统答案”都不成立 AI建站这一类场景，对模型厂商来说有一个基本的经济结构： 算力消耗集中在Agent生成代码的那几下，服务上线后是按月收订阅费。 一旦运行起来，托管的基础设施成本（web服务器、带宽、数据库）相对算力成本要低得多，厂商的利润空间主要靠这一部分。 但这套商业模式有一个前提： 基础设施成本必须能压得下来。 把Kimi K2.6这个场景的工程约束拆解开，有三条特别刺眼的要求。 第一条：数据库实例的粒度，是“每终端用户一个” 十万用户，就是十万个数据库。一百万用户，就是一百万个。 而且绝大多数实例会长期处于极低活跃，用户建完一个站之后，可能很久不再打开。 按传统云数据库的定价模型，一个最小实例大约每月十几到二十美元。乘以百万，账单天文数字。问题不是数据库贵，是 商业模型无法规模化 。 第二条：数据库的schema是LLM现场生成的 （注：schema指数据库模式，是定义数据怎么存的逻辑结构。） 过去二十年，schema设计是一个需要DBA（数据库管理员）、需要review、需要版本管理的慢决策流程。 在Kimi K2.6这里，schema是LLM对用户一句自然语言的翻译，例如“读书笔记需要什么字段？”“评分存整数还是文本？”，瞬间就能决定。 更棘手的问题是， 用户会继续对话 。 下一次用户说“帮我加一个收藏功能”，Agent又要动一次表结构。 这时候数据库里已经有了真实用户数据。Schema一旦改错，轻则查询失败、用户报错，重则写入紊乱、数据不可恢复。 第三条：负载分布是“零-峰两极” 大多数站建完就闲置。但只要有一个站被小红书推荐、被X平台热转，瞬间并发可以跳到百倍以上。 所以，数据库必须同时扛住 “绝大多数近乎零、少数瞬间爆量” 的极端曲线，而且要做到 爆量租户不能拖垮其他所有租户 。 这三条合在一起，在传统数据库的产品形态下，几乎是 做不出来的 ： 路径A：单实例+schema隔离 几百个租户行，几万个直接打爆查询规划器。爆款站还会连累所有邻居。Kimi工程团队也实际测过这条路：用一个大型PostgreSQL实例做多Schema隔离，单实例在万级规模时就开始扛不住，更不用说复杂的流控、故障半径控制、数据隔离这些更深一层的问题。 路径B：一个用户一个RDS（托管关系型数据库服务）实例 不管是RDS还是Neon/Supabase这种Serverless PG包装，本质都是为每个用户分配一个真实的PostgreSQL实例；到百万级租户，单是实例存在的基础月费就已不可接受。 Kimi的选择，以及为什么是这个选择 Kimi后端最终落在了 TiDB Cloud 上。 Kimi工程团队做了三个关键决策，每一个都对应解决上面三条约束中的一条。 决策一：极致低成本——用Serverless Cluster的多租户能力，承接“每个用户一个独立数据库” 既然问题出在“每用户一个真实实例”，TiDB Cloud在这层走了另一条路： 引入一层“虚拟数据库界面” 。 长尾的、绝大多数时间没请求的租户，平台并不真实分配数据库实例；只在Agent/终端用户实际发起请求的瞬间，由一个常驻的DB Session Gateway维持数据库连接，其他资源全部走弹性供给。 落到Kimi K2.6的场景里，这意味着 “百万用户的建站后端”在单位经济上跑得通 。 为了更直观地呈现这种技术代差，我们将这一架构与以Supabase为代表的典型Serverless数据库，进行了对比： 下面是TiDB Cloud的多租户： 决策二：统一技术栈——vector+SQL+JSON把Agent的“写代码”难度压下来 Kimi K2.6建站Agent里，LLM写出来的典型查询经常在一条SQL里同时做多件事——按用户过滤、按标签筛选（JSON字段）、按向量相似度排序、按时间倒序。 在分离的栈里，同样的需求要LLM协调三个client、自己做事务、自己做结果合并…… 这在LLM写代码的场景下，错误率会指数级叠加。 而在TiDB里，这是一条SQL。 统一栈在这里的价值不是“性能更好”，而是让Agent有机会把代码写对的前提条件。 决策三：最小化摩擦——Warm Pool+scale-to-zero让Agent在1秒内拿到完全准备好的数据库实例 Agent生成应用时，数据库的创建不能是一个需要等待几分钟的provisioning流程。 它应该像运行时资源一样：需要时立刻可用，用完后成本足够低。 TiDB Cloud通过Warm Pool预先维护一批已经完成底层准备的Starter实例。 Kimi需要新实例时，不再走完整创建链路，而是直接从预热池中分配；再叠加Starter scale-to-zero的能力，闲置实例的计算成本可以压到很低。 这让 一用户一实例 不仅在隔离和成本上成立，也在体验上成立—— Agent可以在1秒内拿到fully prepared instance，继续生成schema、写入数据、启动应用，而不需要把等待、轮询、失败重试写进自己的代码。 这不是Kimi一家的选择 Kimi K2.6的这次选型，如果是孤立事件，只是一则产品新闻。 但放在更大的坐标系里看，它是 一条正在形成的行业曲线上的一个点 。 一个平台侧的数据可以先交代：今天在TiDB Cloud上新建的集群里， 超过90%是由AI Agent直接创建的，而不是由人类工程师创建的 。这个比例一年前还远没有这么高。 数字背后是一批AI Agent团队在各自做完基建选型后，不约而同地走向了同一类架构。几个关键数据点值得放在一起看： 去年，某全球知名AI Agent平台的AI Agent选择TiDB作为其核心数据层