AIファーストなアーキテクチャが広がる中で、構造化データと非構造化データの境界は急速に薄れつつあります。私たちは東京の小さな開発チームとして、こう自問しました。

「もし、データベースが“保存”するだけじゃなく、“理解”できたら？」

そこで私が構築したのがこのデータベースエンジンです。Rustでゼロから書かれたインテリジェントなエンジンは、バックエンドにPostgreSQLの堅牢さを持ちつつ、NoSQLのように柔軟に振る舞い、さらにLLMによる“思考”を備えています。

考えるデータベースを作る旅へようこそ。

🛠 なぜ新しいデータベースを作ったのか？

PostgreSQLは素晴らしいデータベースですが、従来のRDBMSの枠では、現代的な開発のニーズを満たしきれないと感じました。

スキーマレスで自然言語にも強いインターフェース
構造化＋意味ベースのハイブリッド検索
ボイラープレート不要のRAG（生成強化検索）機能
ローカルかつセキュアなAI推論の統合

既存RDBMSに複雑な機能を無理やり後付けするのではなく、Postgresの信頼性はそのままに、自然言語とAIを前提とした新しいレイヤーを設計しました。

🚀 技術構成：Rust, PostgreSQL, k3s, LLM（ローカル推論対応）

エンジンコア：Rustで構築し、パーサ・最適化ロジック・LLMパイプラインもネイティブ実装
ストレージ層：PostgreSQLが永続化とインデックス処理（JOINやベクトル検索も）を担う
LLM統合：OllamaやGemma 3BなどのLLMをコンテナで組み込み、k3sで軽量運用
クエリレイヤー：LLMが自然言語からSQL（JOINやネストも対応）を自動生成

🧠 ユースケース①：自然言語クエリ（JOINも自動生成）

ユーザーはSQLを書く必要はありません。自然言語でデータを問い合わせると、LLMが内部で最適なSQLに変換して実行します。

「先月東京で購入した顧客で、それ以降購入していない人をリストアップして」

→ 複数テーブルのJOINと日付条件を含むSQLに変換して、PostgreSQLにクエリされます。

異常検知、ログとの結合、メタ情報での絞り込みなど、高度なクエリも直感的に扱えます。

🧩 ユースケース②：RAG（生成強化検索）のネイティブ対応

このエンジンは標準でRAGワークフローに対応：

ドキュメントをベクトル化して埋め込みとして保存
セマンティックに意味でフィルタリング
トップKをLLMアプリのプロンプトに供給

k3s上で定期的に埋め込みやメタデータを更新するジョブも動いており、
「2024年以降にJeanePaulが書いたドキュメントだけ抽出して」などのハイブリッド検索も可能です。

チャットボット、FAQ検索、ナレッジベース、エージェント向けなどに最適です。

🧪 ユースケース③：AIによるデータ自動生成

テスト用データや欠損値の補完にも対応：

欠損・未入力パターンの自動検出
LLMに状況文脈を渡して入力を生成
合成されたリアルなデータをテーブルに挿入

テスト・シミュレーション・初期オンボーディングのスピードが劇的に向上します。

💡 フロントエンド開発者向け：使いやすさと互換性

このエンジンは、ドキュメントストアのようにも使えるし、必要ならPostgreSQLの機能も全開で使えます。

JOIN、トランザクションも対応
PostgreSQL拡張や全文検索も可能
ベクトル＋構造化ハイブリッド検索もOK

🦀 Rust（擬似コード）

let result = db.query("東京在住で有効なサブスク利用者を全件取得", {
  limit: 50,
  embeddings: true
});

🟦 TypeScript

async function queryDatabase(nlQuery: string) {
  const response = await fetch('http://your-db-api.local/query', {
    method: 'POST',
    headers: { 'Content-Type': 'application/json' },
    body: JSON.stringify({ prompt: nlQuery })
  });

  const result = await response.json();
  console.log('Query Result:', result);
}

queryDatabase("過去30日以内に東京で購入した全アクティブユーザーを取得");

🟨 JavaScript

async function uploadDocument(doc) {
  const response = await fetch('http://your-db-api.local/documents', {
    method: 'POST',
    headers: { 'Content-Type': 'application/json' },
    body: JSON.stringify({
      content: doc,
      metadata: { source: "website", category: "product_manual" }
    })
  });

  const data = await response.json();
  console.log('Upload Successful:', data);
}

uploadDocument("QuickStart VX-200は12Vの入力が必要です。...");

🔭 今後の展望

WebAssemblyでのインライン推論対応
CLI Copilotによるクエリデバッグ支援
コア機能のOSS化（ドキュメントとDX最重視）を計画中

🧬 最後に

これは、既存のDBにAIプラグインを付けただけの話ではありません。
自然言語で話しかけ、データが思考する——そんな未来をRustとPostgreSQL、そしてLLMの力で創りました。

これはただのデータベースではありません。
これは、あなたの“思考”と“データ”の橋渡しです。

📅 発表: Coming Soon