관계형 데이터베이스 관리 시스템(RDBMS)의 추상화 계층이 유발하는 성능 저하와 복잡성을 해결하기 위해, AI 코딩 기술을 활용해 관계형 모델을 키-값(KV) 스토어인 ToplingDB 또는 RocksDB에 직접 매핑하는 'Relational-to-KV' 프로젝트가 공개되었습니다. 이 프로젝트는 기존의 ORM(객체 관계형 매핑)이나 SQL 호환성 계층, 런타임 라이브러리가 아닌, AI 코딩 에이전트(Cursor, Claude Code, Codex 등)를 위한 '스킬(skill)' 형태로 제공됩니다. 이를 통해 개발자는 관계형 모델의 엔티티, 관계, 인덱스 등을 정의하면 AI가 일관된 규칙에 따라 최적화된 키 레이아웃과 저장소 코드를 생성해줍니다.
이 프로젝트는 특히 데이터 모델이 복잡해질수록 발생하는 문제, 즉 키 분할, 정렬, 범위 삭제, 마이그레이션 등을 수작업으로 처리해야 했던 어려움에서 출발했습니다. 기존에는 이러한 작업을 숙련된 스토리지 전문 팀만이 수행할 수 있었으며, Sui, Aptos, NEAR와 같은 고성능 블록체인 프로젝트들도 관계형 모델을 RocksDB에 수동으로 매핑하여 성능을 최적화해왔습니다. 'Relational-to-KV'는 이러한 전문가의 지식을 AI 코딩 스킬로 코드화하여, 엔티티, 식별자, 관계, 인덱스, 소유권, 보존 및 일관성 제약 조건 등을 입력하면 AI가 접근 패턴에 기반한 최적의 키 스페이스, 인코딩, 컬럼 패밀리(Column Family) 레이아웃, 일관성 및 가지치기(pruning) 계획 등을 생성합니다. 이 과정에서 AI는 BytewiseComparator를 기본으로 사용하며, 복합 키와 부동 소수점 키 처리 방식까지 고려하여 일관된 데이터 정렬을 보장합니다.
이 기술은 도메인 모델이 엔티티와 관계로 자연스럽게 설명되고, 프로덕션 데이터가 ToplingDB/RocksDB에 직접 저장되어야 하며, 포인트, 프리픽스, 범위 접근이 예측 가능해야 하는 경우에 특히 유용합니다. 복잡한 SQL 쿼리의 대체재나 자동 데이터 마이그레이션 도구는 아니지만, 성능이 중요하고 AI가 생성한 스토리지 코드를 검토하고 마이그레이션을 고려해야 하는 상황에서 큰 가치를 발휘합니다. 결과적으로 이 프로젝트는 고성능 시스템 구축에 필수적이었던 데이터 모델링 및 저장소 최적화 작업을 AI의 도움으로 훨씬 효율적이고 일관되게 수행할 수 있도록 하여, 개발 비용과 시간을 절감하고 시스템의 안정성을 높이는 데 기여할 것으로 기대됩니다.