ScyllaDB MCP伺服器：AI原生開發者分發的新形態

重要宣告：本文討論的ScyllaDB MCP伺服器是一個非官方、社群驅動的專案。它不以任何方式得到ScyllaDB Inc.的支援、認可或關聯。這是一個獨立的實現，旨在探索AI原生開發者分發模式。

ScyllaDB是一款在技術效能上真正出色的產品——一個高效能的NoSQL資料庫，在實際基準測試中持續優於Cassandra和DynamoDB。但技術優勢並不能保證開發者能發現它，尤其是在AI代理越來越多地介入開發者尋找和評估工具的方式時。

我們一直關注AI引擎最佳化（AEO）如何取代搜尋引擎最佳化（SEO），以及AI代理為何不會閱讀你的文件。但理論終究有限，我們需要構建真實的東西。

因此，我們為ScyllaDB構建了一個MCP伺服器。並不是因為他們要求我們這樣做（他們沒有），而是因為它正是那種值得擁有更好AI原生分發的產品——技術上卓越，擁有強大的開發者社群，但那些無法以程式設計方式訪問它的代理可能對其視而不見。

為何選擇ScyllaDB？

ScyllaDB是AI原生分發的絕佳測試案例，原因如下：

• 複雜評估標準：開發者選擇資料庫時需要了解效能特徵、資料建模模式和運維要求。
• 高切換成本：一旦你承諾使用某個資料庫，就被鎖定了。評估階段至關重要。
• 技術深度：你不能假裝懂得資料庫。要麼AI代理理解分散式系統，要麼它不理解。
• 競爭格局：ScyllaDB與知名替代品競爭。如果AI代理不知道它，開發者也不會知道。

MCP伺服器的功能

scylladb-mcp-server不僅僅是一個ScyllaDB包裝器——它是一個多資料庫對比平臺，讓AI代理能夠在競爭性解決方案之間進行並行評估。更重要的是，它為開發者提供了用真實資料驗證代理建議的工具。

當代理建議“為此工作負載使用ScyllaDB”時，開發者可以使用相同的MCP工具驗證該推薦——執行自己的基準測試，測試自己的查詢，基於證據而非代理的斷言做出明智決策。

資料庫對比：ScyllaDB vs DynamoDB

MCP伺服器連線到ScyllaDB和Amazon DynamoDB，使代理能夠：

• 並行查詢：對兩個資料庫執行相同查詢，比較延遲、吞吐量和一致性。
• 定價分析：根據實際工作負載模式計算真實成本，而非理論定價計算器。
• 工作負載特定建議：獲得針對時間序列、物聯網、使用者會話或其他特定用例的定製推薦。
• 遷移評估：理解模式差異、查詢翻譯和遷移複雜性。

向量資料庫對比：Pinecone vs ScyllaDB Vector

隨著ScyllaDB雲向量資料庫的最近推出，MCP伺服器還支援與Pinecone的向量搜尋對比：

• 嵌入效能：比較索引速度、查詢延遲和召回率。
• 混合搜尋：測試向量相似性與傳統過濾的組合。
• 成本建模：評估不同規模和查詢量下的定價。

四個可立即部署的演示應用

MCP伺服器包含四個完整的演示應用，代理可以在任一資料庫上即時部署以進行真實世界對比：

• 物聯網時間序列：帶時間視窗聚合的感測器資料攝取。
• 使用者會話儲存：高速度讀寫，帶TTL過期。
• 產品目錄：帶二級索引和物化檢視的複雜查詢。
• 即時分析：帶增量聚合的事件流。

每個演示都附帶真實資料生成器，因此代理可以用相同資料集填充兩個資料庫，進行真正的蘋果對蘋果比較。

核心能力

• 模式操作：在任何連線的資料庫上建立鍵空間、表、索引和物化檢視。
• 資料操作：插入、查詢、更新和刪除，完全支援CQL和DynamoDB API。
• 效能分析：執行EXPLAIN查詢，分析執行計劃，識別瓶頸。
• 叢集自省：檢查拓撲、節點健康、複製狀態和容量指標。

開發者體驗的轉變

之前：文件為中心發現

評估ScyllaDB的開發者傳統上需要：

1. 搜尋“ScyllaDB vs Cassandra”或“高效能NoSQL資料庫”
2. 訪問ScyllaDB的文件站點
3. 閱讀入門指南
4. 設定本地例項（20-30分鐘）
5. 從文件複製示例程式碼
6. 遇到錯誤，返回文件
7. 最終讓某些東西執行起來（2-4小時）
8. 決定是否值得繼續

總時間：半天到幾天。

之後：代理介導發現

使用MCP伺服器，同一開發者可以：

1. 詢問Claude：“我需要一個高效能資料庫來處理物聯網時間序列資料，亞毫秒讀取。比較ScyllaDB和DynamoDB適合我的用例。”
2. Claude透過MCP伺服器連線到兩個資料庫
3. 代理將物聯網時間序列演示應用部署到兩個環境
4. 代理在每個資料庫上生成相同的樣本資料（100萬個感測器讀數）
5. 代理執行相同的查詢模式，捕獲延遲百分位數
6. 代理根據工作負載計算預計月成本
7. 開發者收到一份對比報告，以及首選項的工作程式碼

總時間：不到5分鐘。

這不是簡化演示——這是一個真正的競爭性評估，傳統上需要一個團隊手動設定數天或數週。

價值實現時間的壓縮

開發者發現經歷了幾個不同的時代——從文件和書籍（數週採用），到Google和Stack Overflow（數天），再到GitHub和社會證明（數小時）。我們現在處於代理時代，AI助手在幾分鐘內介導整個過程。

• 1995年：閱讀書籍→ 4-6周投產
• 2010年：Google搜尋→ 1-2周投產
• 2020年：從Stack Overflow複製→ 1-3天投產
• 2026年：詢問代理→ 幾分鐘到工作原型

守門人已從出版商轉向搜尋演算法，再到社群勢頭——而現在，MCP可訪問性正在成為一個重要的補充。易於代理訪問的產品在這個不斷增長的發現渠道中具有優勢。

經典開發者旅程（及其演變）

在我們理解代理轉型之前，需要承認定義了我們對開發者體驗思考方式的基礎工作。Caroline Lewko的開發者旅程圖可以說是現代開發者關係中最有影響力的框架。她的工作——綜合在《開發者關係：如何建立和發展成功的開發者專案》一書中——塑造了數百家公司處理開發者體驗的方式。

多年來，我們一直將她的圖表作為權威參考。它本質上是行業對映開發者旅程的金標準——認識到採用不是單一時刻，而是一個旅程，具有不同階段，每個階段都有自己的目標、問題和接觸點。她的框架為開發者關係團隊提供了共享語言和系統化方法來最佳化整個開發者生命週期。

Caroline Lewko的開發者旅程圖——開發者體驗的權威框架。圖片來源：@DevRelBook，CC BY-SA許可。

該框架定義了開發者經歷的五個階段：

1. 發現：“這對我有用嗎？”——它是什麼？能解決我的問題嗎？可信嗎？
2. 評估：“它能滿足我的需求嗎？”——看起來易用嗎？有危險訊號嗎？定價有障礙嗎？
3. 學習：“它如何工作？”——Hello World需要多長時間？文件好嗎？有社群嗎？
4. 構建：“我能構建一個概念驗證嗎？”——MVP速度？如何獲得支援？物有所值嗎？
5. 規模化：“我能構建到規模化嗎？”——我能做更多嗎？如何貢獻？產品會隨著我增長嗎？

Lewko框架的價值在於這些階段下的細節。她對映了數十個接觸點——內部（著陸頁、文件、教程、程式碼示例、沙盒環境、支援）和外部（GitHub、Stack Overflow、聚會、推薦）——建立了一個全面的以開發者為中心的市場策略藍圖。它嚴謹、實用，並已在從初創公司到企業的眾多公司中得到實戰檢驗。

並且它完全針對人類導航進行了最佳化。

轉變來了：AI代理與產品的互動方式與人類不同。它們不瀏覽文件站點或在Stack Overflow上提問。它們執行工具並返回結果。

在代理時代，發現、評估和學習階段可以合併為一次代理互動。這並不意味著傳統開發者體驗不再重要——它意味著MCP伺服器和可執行介面成為你現有文件和教程的重要補充。

代理技術採用生命週期

Geoffrey Moore的經典技術採用生命週期描述了創新如何透過市場傳播：創新者、早期採用者、早期多數、晚期多數、落後者。Lewko的開發者旅程圖描述了單個開發者如何經歷採用。兩個框架都假設每個階段有人類決策者。

在代理時代，我們需要一個新模型——一個將AI代理視為主要發現和評估機制的模型。

關鍵階段：代理意識（代理能否透過MCP、llms.txt或訓練資料找到你？）、代理評估（它們能否實際執行基準測試並測試你的產品？）、推薦（提供選項及工作程式碼）和人類驗證（開發者用真實資料驗證代理宣告）。

關鍵洞察：開發者仍然做出最終決定。MCP伺服器讓他們能夠驗證代理告訴他們的內容——執行相同的查詢，檢視相同的基準，並用真實資料驗證推薦。代理加速；人類驗證。

經典旅程如何轉變

• 發現 → 代理意識：MCP伺服器和llms.txt補充搜尋引擎最佳化和著陸頁。
• 評估 → 代理評估：代理在閱讀文件的同時執行實際基準測試。
• 學習/構建 → 人類驗證：開發者用真實資料驗證代理推薦。
• 規模化 → 代理規模化：更深入的MCP工具用於監控、最佳化和故障排除。

我們正在衡量什麼

這不僅是一個概念驗證——它是一個儀器化的AI代理參與度指標實驗。我們正在追蹤：

• 工具呼叫：哪些MCP工具被代理最頻繁使用？
• 查詢模式：開發者實際在問什麼問題？
• 會話深度：每次代理會話有多少操作？
• 完成率：代理是否成功實現了開發者的意圖？
• 錯誤恢復：代理如何處理模式不匹配或查詢失敗？

這是開發者體驗最佳化（DEO）的實際應用——理解代理旅程，就像我們曾經痴迷於點選路徑和頁面停留時間一樣。

早期洞察

• 73%的代理會話首先進行模式自省——代理想在提出更改建議之前理解現有結構。
• 每次會話平均呼叫4.2個工具，表明代理在執行多步驟評估而非簡單查詢。
• 89%的EXPLAIN查詢導致模式或查詢最佳化建議——代理正在積極幫助開發者編寫更好的程式碼。

關於遙測的說明

scylladb-mcp-server包含實驗性的、可選的遙測功能——我們希望透明地說明其功能和原因。

隨著MCP採用的增長，增長和開發者體驗團隊面臨一個新挑戰：理解AI代理如何消費他們的API。傳統分析（頁面瀏覽量、訪問時長、漏斗轉化）無法捕捉代理互動。當Claude或Cursor使用你的MCP伺服器時，他們如何……