PolarDB Limitless助力MiniMax构建海量长周期记忆数据底座

1. MiniMax 简介

MiniMax（稀宇科技）是一家全球领先的通用人工智能科技公司，创立于2022年，秉持“Intelligence with Everyone”的愿景，专注于推动人工智能前沿技术发展。MiniMax 在文本、视频、语音等全模态领域坚持自主研发。基于自研的全模态大模型，MiniMax 面向全球市场推出了海螺AI、星野、Talkie 等一系列 AI 原生应用，并为企业及开发者提供开放平台服务。截至目前，已有来自超过200个国家和地区的逾2.36亿用户，以及来自超过100个国家和地区的企业客户与开发者，正在使用其技术及产品。

随着业务的迅猛发展，其核心产品“星野”等所面临的底层数据存储挑战正变得日益严峻。本文将深入剖析这些技术难题，并详细阐述 MiniMax 如何借助阿里云 PolarDB 构建智能数据底座，实现高效、弹性且低成本的业务增长。

2. 海量数据下的业务挑战和解决方案

2.1 业务挑战

星野是MiniMax基于多模态AIGC技术构建的AI智能体创作平台，通过文本、语音、视频等多模态交互方式，支持用户定制具备个性化形象、声线、人设及技能的AI角色。其核心价值聚焦于对话场景，依托自研大语言模型的上下文感知与表达能力，实现高度拟人化的对话驱动，构建用户与AI角色之间的持续互动关系。星野的用户规模和活跃度在行业内始终处于领先地位，并且仍在持续增长。这种高速增长也为其支撑多模态对话数据的底层存储系统带来了诸多技术挑战：

▶︎ 海量多模态数据的存储与性能瓶颈

• 涉及用户自定义AI角色模板、对话数据，以及视频、音频、图像等非结构化内容，每日新增数据量高达数亿条，整体数据规模已超过百TB级别，并呈现指数级增长态势；
• 传统数据库在处理包含数十MB JSON或Blob的大字段时，性能会出现显著下降，尤其在表数据量超过10亿行后，读写延迟明显增加，直接影响了AI推理链路的处理效率。

▶︎ 潮汐流量下的弹性与稳定性压力

• 业务流量呈现出显著的潮汐特征，高峰期的并发请求量相比日均基线负载扩大了10倍以上；
• 静态资源配置模式导致在流量低谷期资源闲置，总拥有成本（TCO）显著上升。而在高峰期，由于数据库水平扩展能力受限，会引发数据处理性能衰减，端到端响应延迟增加，严重影响服务稳定性与用户体验。

▶︎ 架构边际成本持续攀升

• 随着业务规模的指数级增长，计算、存储和运维成本持续上升，现有架构的边际成本逐步增加，这已成为制约系统可扩展性的主要瓶颈。

2.2 MiniMax基于PolarDB的智能数据底座实践

MiniMax基于PolarDB Limitless的大模型数据底座

面对上述挑战，MiniMax 选择与阿里云合作，基于 PolarDB 构建了全新的智能数据底座，具体实践包括以下四个核心方面：

(1) 分布式多主架构：支持海量对话数据处理

MiniMax借助PolarDB Limitless的分布式多主集群架构，成功打破了传统单主节点的性能瓶颈。该架构支持多达63个计算节点同时写入，使得每日新增的xTB级对话数据能够被高效地分散到多个Shard上，实现了写入吞吐量的线性扩展。

此外，分布式DDL能力允许MiniMax在不中断服务的情况下进行表结构变更。PolarDB支持通过多阶段提交协议确保跨节点表结构变更的原子性，从而在不影响在线业务的前提下完成变更。业务团队无需停服维护即可完成表结构更新，极大加快了产品迭代速度。

MiniMax PolarDB Limitless集群技术架构图

(2) 秒级弹性扩缩容：灵活应对流量变化

面对流量潮汐，MiniMax 采用了 PolarDB 的 Serverless 弹性扩缩容功能。通过实时监测PolarDB的CPU和内存负载，系统能够在 5秒内完成预测，并在 1秒内实现从0到千核的无感扩容，最大可支撑十万级突发 QPS 冲击。

MiniMax 基于 PolarDB 的 PolarStore 共享存储架构，实现了“零数据拷贝”的弹性扩缩容：扩容仅需切换分区的计算所有权，而无需迁移物理数据；结合智能分区调度算法，元数据与状态迁移量减少了 30%–50%。整个过程保证了连接不中断、事务不丢失、性能波动低于 5%，对业务完全透明。由此，MiniMax 无需为峰值流量预留冗余资源，实现了按需伸缩，整体计算成本降低了 50%。

(3) 大表与大字段优化：加速长上下文处理

针对包含大 JSON/Blob 字段的千亿级对话表，MiniMax 利用 PolarDB 的列存布局与局部更新能力，并结合 RDMA 网络加速，实现了单节点 12GB/s 的大字段吞吐量，CRUD 性能提升超过 3倍，历史对话检索延迟稳定在毫秒级。同时，基于协程调度与上下文缓存的异步执行框架，使得“按用户 ID 拉取对话流”等高频点查 QPS 提升了 50%以上，高效支撑了 AI 推理场景。

大表大字段优化上下文性能

(4) 智能化数据底座：驱动业务规模化增长的引擎

MiniMax 将依托 PolarDB 冷热数据智能分离与多模态统一引擎的双轮驱动，构建高效能的智能化数据底座。在存储层面，基于访问热度的自动分层策略实现了零代码改造下的成本极致优化，以毫秒级热数据响应与秒级冷数据检索，平衡了 AI 实时交互与深度分析需求；在计算层面，借助原生 PolarDB 多模态引擎与 RDMA 高速网络，可实现文本、语音、图像等跨模态数据的低延迟高精度召回，显著增强了 Agent 的长期记忆与上下文理解能力。这一兼具极高性价比与无限扩展性的架构，为 MiniMax 在海量并发场景下的业务快速迭代与规模化扩张提供了坚实支撑。

小提示： 冷热数据智能分离可以根据数据访问频率自动将数据迁移到不同性能的存储介质上，实现“热数据”高性能、 “冷数据”低成本，是优化云数据库TCO的经典策略。

2.3 业务收益

目前，MiniMax 全系产品（包括海螺、星野、Agent、开放平台等）的100+个数据库已经部署在 PolarDB 上，实现了用户体验和开发效率的双重提升：

• 高性能：千亿级对话表读写性能提升超 3倍，支撑日均数亿消息的实时写入与毫秒级检索；
• 高弹性：秒级无感扩缩容应对 10倍流量波动，计算资源成本降低 50%；
• 低成本：冷热数据自动分层归档，存储成本下降 75%，运维人力减少 80%；
• 快迭代：分布式 DDL 支持 7×24 在线 schema 变更，AI 功能上线周期显著缩短。

未来展望

通过深度应用 PolarDB 的分布式多主（Limitless）、多模态存储、秒级弹性与智能冷热分层等核心能力，MiniMax 高效应对了大模型推理场景下高并发、低延迟、海量异构数据管理所带来的技术挑战。这不仅显著提升了用户体验、业务敏捷性与运维效率，更深刻验证了云原生数据库与 AI 系统深度融合的价值。随着 PolarDB “湖库一体”的智能数据底座与 MiniMax 的算法引擎协同工作，一个具备长记忆、多模态交互及实时响应能力的 AI 智能体生态得以规模化落地。

展望未来，阿里云数据库将与 MiniMax 持续深化合作，共同探索 AI 原生数据库的创新边界，打造 AI 多模态数据底座，加速大模型应用向更智能、更可靠的方向演进。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：PolarDB Limitless助力MiniMax构建海量长周期记忆数据底座要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题