春节带娃不崩溃指南：用 MySQL 一键部署AI驱动的儿童科普动画片，娃安静一整天！

阿里妹导读

孩子们的好奇心永远不会被满足，孩子们的问题也永远是天马行空。当孩子问「天上那道彩色的桥是什么？」时，传统 AI 往往只懂「彩虹的形成原理」——知识不是问题的答案，而是思考的起点。为了让 AI 既能听懂儿童千奇百怪的问法，又能从私域知识库里精准召回知识点，再自动生成适龄科普内容，并悄悄埋下下一个「为什么」的种子，我们基于 RDS MySQL 向量存储能力支持搭建了一个儿童科普生成应用：《知深识易》。

要做到「听得懂、召得准、记得住」，离不开两样能力：从知识库里按语义召回内容的 RAG，以及记住用户、越用越懂你的长期记忆——二者都依赖向量存储与检索。AI应用自身也需要数据库来持久化存储自身的元数据，若各搭一套向量库和元数据库，架构难免分裂，运维成本也会翻倍。阿里云 RDS MySQL 将把向量能力集成到数据库内核中，用「一套实例、统一存储、原生支持」的方式，让这两类能力都落在你最熟悉的 MySQL 上，支持开发者一站式完成AI应用的快速开发。

一、背景

在学龄前（3–6岁）和小学阶段（7–12岁），孩子每天都在问“为什么”。但教育者和家长面临三大难题：

内容难整合：优质科普知识散落在绘本、视频、网站甚至私域材料中，查找费时。
制作门槛高：剪辑+配音+脚本=2–4小时/条，普通人难以持续产出。
注意力匹配难：孩子专注力仅3–10分钟，长视频无效，而适龄优质短内容极度稀缺。

更深层的问题是：

即使找到答案，也常是孤立碎片。孩子问“彩虹怎么来的？”，得到一句解释就结束了——没有关联“光的折射”“水滴形状”“太阳位置”，知识无法生长成认知网络。

而当孩子换个方式问：“天上那道彩色的桥是什么？”—— 传统系统可能直接告诉你“我现在还不会哦，请换一个问题问吧”。

为此，我们打造了一个端到端系统，基于私域教材 + 公域权威资源（例：《十万个为什么》），通过数据 + 向量检索 + AI框架 + 基础大模型，实现：

多源接入 → 智能提取 → 信息泛化 → 知识召回 → 模型回答 → 多模态生成

这样的内容生成核心能力链路。

二、应用介绍

应用展示：

2.1 知识源管理功能

知识入库：知识点拆分、向量化存入数据库、问题泛化系统会帮你把复杂、多形式的知识源（图片、PDF、文档、文本）拆成清晰的知识点，并对每条知识点做 embedding 向量化后写入 RDS MySQL，用于后续语义检索。
问题挖掘泛化：通过「设问」形式预先挖掘拓展知识点中的问题。有问题才有学习，平铺直叙的知识介绍往往印象并不深刻，预设问题的形式一方面简化了用户的操作学习路径，一方面带来更好的学习效果。
向量化构建 RAG：知识源经过模型拆分提取出知识点，经过向量化处理后存放在RDS MySQL向量表中，为 LLM 提供「从私域知识库快速召回」的能力。

知识源管理示例：

2.2 内容脚本生成功能

问题提取：用户提问时，我们通过记忆存储的用户画像，将孩子们天马行空的问题进行归一化处理，转化为可供向量检索的标准问题，例如我们可以预先让模型知道提供的用户可能是学龄前儿童，在提示词中着重问题联想，找到用户问法背后的真实问题。

RAG 知识召回：将真实问题用与入库一致的 Embedding 模型（如 Qwen-Embedding）转为向量，再在 RDS MySQL 中做向量相似度检索，召回 Top-K 相关片段，从私域知识库获取定制知识点提供给大模型，作为生成脚本的上下文。
长期记忆：用户画像、偏好、历史对话等以记忆向量 + 元数据的形式存在同一 MySQL 实例中（可配合基于 mem0 的 MCP 等方案），实现「记住用户」并自动生成对应受众的内容脚本。
内容脚本生成：在 RAG 与记忆的基础上，由大模型生成回答，再对结果做针对性蒸馏，得到适合视频、图片生成的 prompt。

AI问答和内容脚本生成示例：

2.3 多模态内容生成功能

可扩展架构：可快速扩展需要生成的产出类型（视频、信息图等），要接入一种新的产出内容类型，只需要在内容脚本生成流中，添加对应的prompt生成节点，并提供给对应的模型。
关于视频、图片模型的 prompt：针对轻科普脚本，我们先用大模型把脚本压缩成「核心知识概念」，再交给视频/图像模型，减少长文本对多模态模型的干扰。例如，图片生成的示例规则如下：

将用户输入提取 3~4 个核心的概念知识点，以及一个标题，标题格式是「一张图看懂xxxx」。
你的输出需要严格遵守下面的输出格式范例，替换其中的标题和核心知识点以及一句话解释，不要有多余内容，具体知识点数量根据输入情况自行判断。
## 输出格式「生成信息图：通俗易懂，适合{age}年龄段的儿童，语言和用户输入语言相同。标题：一张图看懂xxxx，内容：1. 核心概念知识点：一句话解释。2. 省略，同1。3. xxx 4. xxx」。

有了核心概念后，模型能在不偏离主题的前提下生成媒体内容，并减少过多文字对画面质量的干扰。

多模态内容生成示例一：

多模态内容生成示例二：

三、技术框架与向量集成

技术架构图示：

如何使用RDS MySQL 搭建 RAG 服务

RAG 是 AI 应用中的重要组成部分，基本实现方式是：

知识库文档/问法 → embedding → 写入 MySQL 向量表 → 查询时向量检索

RDS MySQL 当前已经集成 Dify、LangChain、LlamaIndex 等知名 AI 框架，下面以 Dify 与 LangChain 为例进行介绍。

使用 Dfiy 搭建基于 RDS MySQL 的 RAG 服务

通过「知识库」+ 数据集（Dataset）管理文档，底层可配置为 RDS MySQL 向量，实现「文档 → 切片 → 向量化 → 存入 MySQL → 工作流中检索」。

准备 RDS MySQL

使用阿里云 RDS MySQL 8.0，小版本 ≥ 20251031，并开启向量能力[1]。
创建好数据库与账号。

部署 Dify，使用 Dify v1.11.0 及以上版本。

配置向量存储为阿里云 MySQL，环境变量中配置：VECTOR_STORE=alibabacloud_mysql

创建知识库与数据集

在 Dify 控制台创建「知识库」，选择底层向量库为已配置的 RDS MySQL；上传或录入文档后，Dify 会完成切片、向量化并写入 MySQL。
在「工作流」中通过「知识库检索」节点即可从该 MySQL 向量库做 RAG 召回。

使用 LangChain 搭建基于 RDS MySQL 的 RAG 服务

通过 langchain-alibabacloud-mysql 等集成，用 AlibabaCloudMySQL 作为 VectorStore，在代码中完成文档入库与相似度检索，再接入 Chain/Agent。

以下展示如何用 RDS MySQL 向量创建简单 RAG：初始化向量库、写入文档、检索、再接到 LLM。

环境变量（与 Dify 对齐）：

ALIBABACLOUD_MYSQL_HOST、ALIBABACLOUD_MYSQL_PORT、ALIBABACLOUD_MYSQL_USER、ALIBABACLOUD_MYSQL_PASSWORD、ALIBABACLOUD_MYSQL_DATABASE
若用 DashScope Embedding：DASHSCOPE_API_KEY

安装：

pip install -U langchain-alibabacloud-mysql

初始化向量库与 Embedding：

import osfrom langchain_alibabacloud_mysql import AlibabaCloudMySQLfrom langchain_community.embeddings import DashScopeEmbeddings
embeddings = DashScopeEmbeddings(    model="text-embedding-v4",    dashscope_api_key=os.environ.get("DASHSCOPE_API_KEY"),)
vector_store = AlibabaCloudMySQL(    host=os.environ.get("ALIBABACLOUD_MYSQL_HOST", "localhost"),    port=int(os.environ.get("ALIBABACLOUD_MYSQL_PORT", "3306")),    user=os.environ.get("ALIBABACLOUD_MYSQL_USER", "root"),    password=os.environ.get("ALIBABACLOUD_MYSQL_PASSWORD", ""),    database=os.environ.get("ALIBABACLOUD_MYSQL_DATABASE", "test"),    embedding=embeddings,    table_name="langchain_vectors_rag",    distance_strategy="cosine",    hnsw_m=6,)

写入文档与相似度检索：

from langchain_core.documents import Document
docs = [    Document(page_content="彩虹是阳光穿过水滴发生折射和反射形成的", metadata={"source": "科普"}),    Document(page_content="光的折射与波长有关，不同颜色的光折射角不同", metadata={"source": "物理"}),]vector_store.add_documents(documents=docs)
# 检索results = vector_store.similarity_search(query="彩虹的形成原理", k=3)for doc in results:    print(doc.page_content, doc.metadata)

接入 RAG Chain（检索 + LLM 生成）：

from langchain_community.chat_models.tongyi import ChatTongyifrom langchain_classic.chains import create_retrieval_chainfrom langchain_classic.chains.combine_documents import create_stuff_documents_chainfrom langchain_core.prompts import ChatPromptTemplate
retriever = vector_store.as_retriever(search_kwargs={"k": 3})
prompt = ChatPromptTemplate.from_template(    "仅根据以下上下文回答问题。\n\n上下文：{context}\n\n问题：{input}")llm = ChatTongyi()document_chain = create_stuff_documents_chain(llm, prompt)rag_chain = create_retrieval_chain(retriever, document_chain)
response = rag_chain.invoke({"input": "天上那道彩色的桥是什么？"})print(response["answer"])

Langchain文档：

https://docs.langchain.com/oss/python/integrations/vectorstores/alibabacloud_mysql

如何使用 RDS MySQL 搭建记忆服务

记忆服务用于提供用户画像、对话历史等持久化与召回等能力，典型实现方式是：

记忆 MCP（如基于 Mem0 + RDS MySQL）或自建记忆表 + 向量检索

使用 Mem0 MCP 搭建基于 RDS MySQL 的记忆服务

阿里云RDS MySQL提供了基于 Mem0 的、底层使用 RDS MySQL 的记忆 MCP Server，可一键部署到函数计算等环境中，让 Agent 通过 MCP 协议读写长期记忆。

项目入口（供参考）：mcp-rds-mysql-openmemory
部署后，在 Cursor/IDE 或自建 Agent 中配置该 MCP，即可在应用里使用「记忆」能力，而无需自建向量记忆表。

应用逻辑与元信息存储：统一数据库存储的价值

应用逻辑的实现由顶尖的c姓代码手独立完成，这里不多赘述，值得一提的是，使用 RDS MySQL 作为 RAG 与长期记忆的底层向量存储的同时，还可以把应用元数据（用户、文档、会话、配置等）也放在同一实例中。这带来的好处是：一个数据库完成 AI 应用所需的关系型数据 + 向量数据，避免「业务库 + 向量库」双系统带来的数据一致性、运维和技能栈分裂问题；在阿里云 RDS 上还可借助内核级向量优化（如 HNSW、量化等），在单实例内达到接近专用向量库的性能与规模。

四、在AgentRun平台一键部署《知深识易》

你可以按照前文的步骤自己动手开发一个集成了RAG和记忆的AI应用，此外，我们也将应用接入了AgentRun平台的官方应用模板，你可以在这里快速部署知深识易进行实战体验。地址链接：

https://functionai.console.aliyun.com/cn-hangzhou/agent/explore

AgentRun是阿里云提供的以高代码为核心，开放生态、灵活组装的一站式Agentic AI基础设施平台，为企业级Agentic 应用提供开发、部署与运维全生命周期管理。

需要准备的资源：开启了向量功能的RDS MySQL实例，根据https://functionai.console.aliyun.com/cn-hangzhou/agent/infra/memory-storages指引创建记忆存储服务，底层选用自定义的RDS MySQL实例，将创建的记忆服务名称作为一键部署的参数传入；百炼平台API KEY，用于视频、图片内容的生成

五、小结

RDS MySQL向量能力在知深识易里主要做了两件事：一是把知识「压」进数据库——知识点与归一问法经同一套 Embedding 落进 MySQL，查询时用语义相似度召回，给大模型一份「按题取料」的上下文；二是把用户「记住」——用户画像和使用习惯以向量形式存于同库，需要时按需检索，让生成内容越用越贴人。二者共用一套 RDS MySQL 实例，不必再为 RAG 和记忆各起一套向量库，架构简单，运维也更可控。

欢迎加入“AliSQL向量存储开发者”钉钉群，群号： 174405004201

参考链接：

[1]https://www.alibabacloud.com/help/zh/rds/apsaradb-rds-for-mysql/vector-storage-1

[2]https://github.com/run-llama/llama_index/blob/main/docs/examples/vector_stores/AlibabaCloudMySQLDemo.ipynb