دیگر نیازی نیست برای پایگاه‌داده برداری خود لایه‌ی امنیتی خارجی یا خط لول بازیابی مجزا برای مدل‌های زبانی بزرگ طراحی کنید. Manticore Search در ۲۲ ژوئن ۲۰۲۶ نسخه ۲۷.۱.۵ را منتشر کرد و مکانیسم احراز هویت بومی و جست‌وجوی محاوره‌ای را مستقیماً در هسته موتور خود ادغام کرد.
برای سال‌ها، توسعه‌دهندگان کنترل دسترسی به پایگاه‌داده را از طریق پروکسی‌های خارجی یا محدودیت‌های سطح شبکه مدیریت می‌کردند. طبق اعلام این شرکت، انتقال احراز هویت و مجوزدهی (Authorization) به هسته محصول، نیاز به این پوشش‌های Third-party را حذف می‌کند و اجازه می‌دهد دسترسی‌های دقیقی در عملیات MySQL، HTTP/HTTPS و تکثیر (Replication) تعریف شود.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی کاهش پیچیدگی‌های زیرساختی مدل‌های هوش مصنوعی اشاره کردیم، ادغام قابلیت‌ها در لایه‌ی داده، تأخیر را به‌شدت کاهش می‌دهد. چشمگیرترین بخش این به‌روزرسانی، قابلیت جست‌وجوی محاوره‌ای است. به جای ساخت یک لایه‌ی پیچیده برای تولید بازیابی‌افزا (RAG) — که شبیه دانش‌آموزی است که قبل از جواب دادن، اول کتاب درسی را باز می‌کند و از آن نقل می‌آورد — کاربران اکنون می‌توانند با دستورات CREATE CHAT MODEL و CALL CHAT از جداول برداری پرس‌وجو کنند.
بر اساس مستندات فنی، این سامانه جست‌وجوهای KNN را روی فیلدهای FLOAT_VECTOR اجرا می‌کند، زمینه (Context) مورد نیاز برای مدل را از ستون‌های منبع استخراج کرده و تاریخچه گفتگو را از طریق conversation_uuid مدیریت می‌کند تا هم پاسخ نهایی و هم منابع پشتیبان را برگرداند.
عملکرد در استقرار‌های مقیاس‌بزرگ نیز تقویت شده است. این نسخه جداول Sharded را معرفی می‌کند که اجازه می‌دهد موتور جست‌وجو، عملیات درج (Insert) را بین بخش‌های مختلف توزیع کرده و چرخه حیات آن‌ها را در یک نقطه مدیریت کند. این تغییر باعث می‌شود توسعه‌دهندگان منطق کمتری برای Sharding در کد برنامه بنویسند.
به گزارش Manticore، بازدهی جست‌وجوی برداری در نسخه‌های اخیر به‌صورت تدریجی رشد کرده است:
- نسخه ۲۵.۱.۰: بهبود محاسبات فاصله KNN و بارگذاری AVX-512.
- نسخه ۲۵.۲.۰: افزودن پشتیبانی از بردار معنایی (Embedding) محلی ONNX در کتابخانه Manticore Collection Library (MCL).
- نسخه‌های ۲۵.۱۴.۰ و ۲۵.۱۵.۰: معرفی ساختارهای HNSW چندرشته‌ای (Multithreaded) که زمان عملیات
ALTER TABLE ... REBUILD KNNرا به‌شدت کاهش داد.
علاوه بر بردارها، ابزارهای تحلیلی و کاربردی جست‌وجو نیز اصلاح شده‌اند. حالت جدید facet_filter_mode به سایت‌های تجارت الکترونیک اجازه می‌دهد دسته‌بندی‌های انتخاب‌شده و ناموجود (Unavailable Buckets) را در هنگام فیلتر کردن فعال نگه دارند. همچنین تابع date_histogram() اکنون از مناطق زمانی (Time Zones) و آفست‌ها پشتیبانی می‌کند. تجمیع‌های آماری مانند Percentiles و MAD (انحراف مطلق میانه) نیز اکنون با داشبوردهای OpenSearch سازگار شده‌اند.
پایداری عملیاتی اولویت اصلی بوده و ۶۵ مورد اصلاحیه در لیست تغییرات (Changelog) ثبت شده است. نسخه ۲۷.۱.۵ به‌طور خاص مشکل کرش (Crash) هنگام واکشی ویژگی‌های ستونی float_vector را حل کرد. سایر اصلاحات شامل رفع رفتارهای پروتکل باینری MySQL در نسخه ۲۵.۱۲.۱ و بهبود تعامل با Fluent Bit برای ingest دسته‌ای جهت جلوگیری از درج‌های تکراری است.
این چرخش به سمت یک موتور جست‌وجوی «همه-در-یک»، Manticore Search را از یک ایندکس ساده به یک پلتفرم جامع داده‌های هوش مصنوعی تبدیل می‌کند. با جذب لایه‌های بازیابی و امنیت، «مالیات معماری» (Architectural Tax) که معمولاً هنگام مقیاس‌بندی سیستم‌های RAG پرداخت می‌شود، حذف می‌گردد.
برای توسعه‌دهندگان، برد فوری این است که می‌توانند بدون ترک محیط پایگاه‌داده، از بردارهای خام به یک دستیار پرسش‌وپاسخ فعال برسند و تأخیر سیستم را کاهش دهند.
گام بعدی شما
- اگر در حال ارتقا هستید، با دقت در مورد rollout احراز هویت پیش بروید. طبق یادداشت‌های رسمی انتشار، ابتدا باید عامل‌های راه دور (Remote Agents) و همتایان تکثیر را آپدیت کنید و سپس Masterها را ارتقا دهید.
- احراز هویت را تنها پس از قرارگیری کل توپولوژی روی نسخه جدید فعال کنید تا اختلال در دسترسی رخ ندهد.
- قابلیت
CALL CHATرا برای جایگزینی لایه‌های واسط کدنویسی در پروژه‌های RAG فعلی خود تست کنید.
اما اثر این ادغام‌های بومی LLM بر بازار کلی پایگاه‌داده‌های برداری و محو شدن مرز بین «پایگاه‌داده» و «هماهنگ‌کننده هوش مصنوعی» (AI Orchestrator) را در گزارش بعدی بررسی خواهیم کرد.
گفتگو