Agent 落地，數據庫先變

雷峰網訊 AI 的競爭越靠近落地，越展現出其殘酷的一面。Benchmark 上幾分的得失正變得意義有限，取而代之的，是真金白銀的投入產出比。Agent 如何真正讀懂業務，模型智能如何在業務端釋放出更大的價值，成為了這一階段競爭最核心的命題。而一同被推向舞臺中央的，還有數據庫。過去，它扮演的角色很簡單，本質就是一個長期、安全、可查詢的數據存儲系統。比如用戶在淘寶購物，完成了下單、支付、退款、查物流等一系列操作，最基本的需求就是這些記錄不能丟失、不能出錯、可查詢，以及能支撐高峰期幾億人同時下單的高併發壓力。這就是移動互聯網時代數據庫的核心能力，圍繞著存儲和查詢，衍生出一致性、併發處理和容災備份的需求。但是當 Agent 越發深入地走進生產場景，它們也自然而然地成為了數據庫的新用戶。Agent 需要實時訪問各種結構化和非結構化數據，數據庫也從服務於人寫 SQL 查數據的存儲模塊，變成了 Agent 的記憶系統。這個新的角色，意味著數據庫在存儲之外，還要支撐 RAG（檢索增強生成）和實時數據流驅動的 AI。RAG 場景下，AI 回答問題需要從數據庫召回資料再生成回答，沒有數據庫就等於 AI “失憶”。而實時數據流驅動的 AI，更有賴於毫秒到秒級的用戶行為數據實時讀取。這兩者是今天 Agent 落地最常見的兩種場景。可以說，當我們討論 Agent 是否已經邁過那條名為“可用”的界限時，數據庫的重要程度，並不亞於模型智能水平。那麼 AI 時代，到底需要什麼樣的數據庫？01當數據庫開始服務 Agent據 Gartner 預測，到 2028 年，AI Agent 生態系統將能夠使多個專業化的智能體在不同企業應用間動態協作。屆時，約有三分之一的用戶體驗將從使用原生應用，轉向由 Agent 前端來主導。數據庫是這種轉變的一個鮮明代表。當 Agent 成為數據的使用者，對數據庫的訪問頻率將遠遠高於工程師逐條編寫查詢。如果人們對 Agent 的需求是是毫秒之間自動完成查詢、推理與決策，那麼這種壓力會直接傳導到數據庫上。換言之，對 Agent 的想象決定了數據庫在 AI 時代面對的是何種需求。前者在今天已經並不陌生，透過從 OpenClaw 到 Harness 的爆火，能夠看到一些一脈相承的東西，比如持續運行、自主調用數據，並通過不斷試驗完成任務。在這套全新的工作模式中，如何才能讓 Agent 把數據物盡其用？首先是準確的上下文供給。智能體的所有動作，從簡單的問答、一次工具調用到長程任務的執行，都可以被拆解為一段上下文加一次模型調用的不斷重複。能不能把對的信息，精準地組織成餵給模型的上下文，直接決定了 Agent 的交付質量。來自真實場景的上下文類型雜糅，會議錄音、往來文件或者一張匆忙拍下的照片，或許全部結合起來，才構成一條對業務的有效指引。這就要求數據庫能在一次檢索中，從多種形態的數據中找出最相關的信息。在諸多上下文中，自然語言作為 Agent 與數據庫交互的全新入口，具有著獨特的地位，或者說語義層對數據庫從未如此重要。從存儲模塊走向記憶系統的過程中，數據庫也在參與 Agent 的推理與決策。因此只有理解了業務，數據庫才能真正服務於 Agent 這種高度靈活、主動的應用形態。Agent 規模的爆發是另一重考驗。一種觀點認為，Vibe Coding 的盡頭是用完即棄的一次性軟件。很多證據都指向了這種應用數量的指數級爆發，螞蟻靈光已有 3000 萬個閃應用，妙思在企業內部支撐了上萬個應用，每個應用背後，都需要一個獨立的數據空間和可操作的數據能力。值得注意的是，上述每個應用平均僅有百餘行數據。這是另一種意義上的數據規模，單個應用數據量並不大，但數據庫在爆發式增長。AI 時代數據庫面對的局面，就是大部分庫在大部分時間都處於沉睡，但極少數需要被訪問時，又要做到秒級響應。一個數據庫抗住大規模負載的時代正在遠去，眼下的問題，是如何讓海量Agent擁有獨立數據空間同時以極低成本共存。最後是自我進化，這種複雜 Agent 的前沿方向，同樣體現在了對數據庫的需求上。從 skill 開始，Agent 實現自我進化的思路大同小異，都是對既往經驗進行總結，識別最佳實踐，並在重複執行中完成優化。因此，一個能夠讓 Agent 反覆試驗的環境至關重要。數據底座將在很大程度上承擔這一任務，隨時開闢一個彼此隔離的試驗空間，讓 Agent 在其中放手嘗試，好的實踐保留、不行的方案丟棄。在上述過程中，數據飛輪是一個繞不開的話題。更多的數據，意味著更強的模型、更好的用戶體驗已經是共識。但追問一步，就會發現這並不是理所當然的結果，至少在數據庫層面不是。事實上，在這個飛輪中同時存在著兩種數據。在線數據實時提供給模型以驅動智能體，離線數據被積累下來訓練下一代模型。要讓這個飛輪真正轉起來，在線數據與離線數據、實時計算與批量計算就必然不能長期處於彼此割裂的系統中。同步發生的另一重變化，是數據形態。一個已經成為現實的共識是，Agent 會最先在數字化水平更高、結構化數據積累更豐富的行業落地。結構化數據因其便於計算的特性，為 Agent 提供了一條在業務場景落地的快車道。但是當落地應用的競爭進一步激化，對非結構化數據的挖掘和利用就成為了必然選擇。這也是 Agent 價值釋放的切口。不是簡單的存儲或索引非結構化數據，而是讓它和結構化數據在統一底座上被管理和調用。統一底座上的多模態混合搜索，就是 Agent 對數據庫提出的新需求。02湖庫一體，AI 數據庫的終局至此，下一代數據庫的畫像已經逐漸清晰。面向 Agent 的業務負載，決定了下一代數據庫首先需要一套統一的數據底座。只有當數據不再被切割、不必在多套系統之間反覆搬運，“越用越準”的飛輪才真正成立。建立統一底座之後，真正需要統一的還有數據本身。結構化、半結構化和非結構化數據，需要在同一體系中完成存儲、管理和計算，並支持標量、全文、向量等多種檢索方式的混合搜索。只有讓跨模態數據在統一語義下組織和調用，數據庫才能為 Agent 提供完整、準確的業務上下文，將歷史積累的非結構化數據真正轉化為可用的業務資產。更進一步，AI 數據庫還需要成為 Agent 原生的數據底座。記憶、上下文、隔離、分支、回滾以及規模化運行等能力，不應依賴多個外部系統拼裝，而應成為數據庫自身的原生能力。同時，面對企業高度敏感的數據資產，數據庫還需要保持開放的存儲與計算架構，避免數據被鎖定在單一廠商體系中，讓企業始終擁有數據主權與架構演進的主動權。回到 GPT-3.5 的發佈，親歷者會記得它彼時帶來的轟動，人們相信“一切行業都值得用 AI 重做一遍”。這很容易走向一種開創全新品類的幻覺，但對 AI 數據庫來說，事實恰恰相反。 Agent 只是改變了它的面向，但過去的設計原則在今天仍然重要。智能體高度自主的特性決定了它必然會向決策層邁進，這反過來讓數據庫本身也在從記錄事實走向參與決策，因而對數據底座的一致性提出了更高的要求。未來一處錯誤，一次延遲，都有可能演變成真實的業務事故。為此更需要有超越單純檢索的強一致保障，才能使其勝任 Agent 的在線決策。可靠的另一重意涵是實時性。數十個小時的長程任務對今天的 Agent 已經不是觸不可及，當模型智能水平足以面對這種複雜度的任務目標時，還需要有足夠可靠的數據底座支撐。Agent 能全天候運轉，數據庫能否在脫離運維人員的情況下跑下去？Agent 以毫秒級的速度進行推理和決策，數據庫能否跟上這種節奏？既要保持強一致性與實時性的可靠，為 Agent 掙得一張進入真實業務場景的門票，又要有支持規模擴展的開放架構，以適應 Agent 這種全新的服務形態本身。這是兩種南轅北轍的需求嗎？如果把這些需求放在一起看，會發現它們都指向同一種架構，湖庫一體。湖庫一體的核心，不是簡單把數據湖和數據庫放在一起，而是在統一的數據底座上兼顧兩者的優勢：既擁有數據湖的開放性和海量存儲能力，又保留數據庫的事務、一致性和實時處理能力。一份數據即可同時支撐在線業務、實時分析和 Agent 應用，無需在多個系統之間重複同步和搬運。站在 Agent 的需求上回看，這幾乎是為 AI 數據庫量身定做的架構。Agent 同時依賴結構化數據、非結構化數據和向量數據，也需要在線事務、實時分析和 RAG 檢索協同工作。統一的數據底座既減少了重複存儲和數據同步，也降低了構建 RAG、企業知識庫和 Agent 應用的整體成本。不過，走向湖庫一體並不只有一種路徑。有人從數據湖出發，補齊數據庫能力，有人從搜索出發，擴展向量和結構化數據處理能力。這些路徑各有側重，也分別解決了開放存儲或智能檢索的問題。但是當 Agent 走進真實業務場景，找得到或存得住都遠遠不足以概括數據底座面對的全部挑戰。它還需要強一致的數據事務、嚴格的權限體系、可信的數據版本、穩定的實時能力，以及能夠長期演進的工程架構。真正的數據底座，需要同時滿足這些要求，而不是分別優化某一項能力。也正因為如此，OceanBase 提出了另一種可能。從數據庫內核出發，把已經在核心交易場景中驗證過的事務一致性、高可用、實時處理和彈性擴展能力，進一步延伸到湖、非結構化數據和多模態數據之上。這也是它區別於前面兩種選擇的地方。相比把"湖"和"庫"簡單組合，OceanBase 希望以數據庫內核作為統一基礎，讓事務能力與開放存儲、多模態數據和 AI 計算在同一架構中協同運行，真正實現“湖庫一體”，而不是系統拼裝。你能從這種統一架構設計的背後看到不俗的野心，它指向的並不僅僅是 AI 時代一席數據庫市場，而是某種堪稱 Agent 數據底座的戰略卡位。當 Agent 成為企業應用的新入口後，OceanBase 的目標並非提供更多 AI 功能，而是降低 Agent 落地過程中數據同步、系統拼裝和治理帶來的巨大工程成本。回到今天 Agent 落地的真實困境，就會看到 OceanBase 這一戰略判斷尖銳的一面。眼下限制 AI 價值兌現的越來越不是模型能力，而是數據基礎設施。API 價格持續下降，但企業部署 Agent 依然昂貴，成本就產生在多套數據系統、複雜的數據鏈路和治理體系的摩擦中。誰能夠把這些複雜性收斂到統一的數據底座，誰就更有機會成為企業 Agent 時代的基礎設施提供者。從這個意義上看，OceanBase 試圖重新定義數據庫的競爭維度。未來競爭的不再是誰擁有更強的數據庫能力，而是誰能夠成為 Agent 時代真正的 Memory Runtime。如果這一判斷成立，數據庫將在 AI 產業鏈中重新回到核心位置，而 OceanBase 的角色，也將從數據庫廠商進一步演變為 Agent 時代的數據操作系統。03OceanBase 想做 Agent 時代的數據底座算力、模型和數據，在 AI 的三要素中，數據庫佔據了尤為核心的地位。可以說，誰能更好地連接和治理企業核心數據，誰就更有機會在 AI 應用落地中佔據關鍵位置。今天能兌現的商業價值，明天通向 AGI 的想象空間，都在這裡了。諸多因素的疊加之下，數據庫在 Agent 落地的角逐中成為了一片兵家必爭之地。業內的競爭逐步激化，上下游廠商同樣虎視眈眈。狹路相逢，此時站出來試圖定義 AI 數據庫這種全新形態的 OceanBase，卻也不是無名之輩。對數據庫行業瞭解不多的讀者或許沒有聽過這家公司的名字，但對“雙十一”一定並不陌生。OceanBase 的誕生就和這場全球規模最大的線上購物狂歡節緊密相連。2010 年前後，阿里業務的高速增長，特別是“雙十一”帶來了爆炸性的數據增長和高併發請求。以 IBM 小型機、Oracle 數據庫、EMC 存儲為核心的傳統 IOE 架構成本高昂且擴展性有限，已經難以滿足“雙十一”的潛在需求。OceanBase 最初就是為此而生。從 2014 年承接 10％ 交易流量，到兩年後的全面接管，承載了支付寶 100％的核心業務流量，包括交易、支付、會員和最關鍵的賬務庫。今天在 OceanBase 身上能看到的分佈式關係數據庫、高併發交易、分析支持、強一致性、可水平擴展等基因，都是在這一時期奠定。值得注意的是，OceanBase 的起點正是對數據庫可靠性要求最為嚴苛的金融領域。在誕生之後的十五年中，又進一步經歷了大規模的錘鍊。截至目前，OceanBase 已服務超過 400 家金融機構，近七成萬億級資產規模的銀行，將核心系統建在它之上，並連續二年在中國金融行業分佈式數據庫本地部署市場中份額排名第一。同時，它也是迄今唯一同時在 TPC-C、TPC-H 兩項國際權威基準測試中登頂的數據庫，與全球頂尖產品同臺競技並取得領先，業務已覆蓋全球多個國家和地區。數據不出錯、系統不中斷、故障毫秒恢復，AI 時代所說的這些“剛需”，在金融級場景中早已錘鍊成熟。把這套能力延伸到“湖”，對 OceanBase 而言，是有著十五年積累的謀定而後動。而得益於阿里、螞蟻豐富的前沿 AI 業務場景，如支付寶的 AI 支付、螞蟻阿福、靈光、淘寶 AI 購物助理，以及通義千問、高德、飛豬等，OceanBase 在定義 AI 數據庫這條路上有著得天獨厚的優勢。其中，螞蟻阿福面向行業複雜智能體開發，靈光則面向大眾提供“一句話生成應用”能力，目前已承載 3000 萬個閃應用。在積累數據的意義之外，這些場景更是 AI 數據庫最真實的練兵場。時至今日，OceanBase 已經超越了單一引擎能力的範疇，形成了完整的 AI 數據庫產品體系：OceanBase Lakebase：作為底層引擎，承載湖庫一體與多模態數據能力，讓結構化數據、非結構化數據和向量數據能夠在統一架構中被管理、加工、檢索和調用。OceanBase DataStudio：運行在 Lakebase 之上的數據生產、治理與服務工作臺，覆蓋數據接入、數據加工、任務編排、語義建模、數據治理到 Agent 協作等關鍵環節，幫助企業把分散的數據資產轉化為可管理、可理解、可調用的數據服務。OceanBase DataPilot：面向經營分析和業務決策的數據智能 Agent，作為統一的企業業務智能入口，讓業務人員可以通過自然語言完成分析報告、數據看板和可信答案生成，把過去依賴專業數據團隊完成的分析流程，轉化為可交互、可追問、可複用的智能決策能力。這套產品矩陣覆蓋了從底層數據引擎、數據生產治理到業務智能入口的全部關鍵環節。Lakebase 解決 AI 時代的數據底座問題，DataStudio 解決數據如何被生產、治理和服務化，DataPilot 則站在距離一線業務人員最近的位置，直接處理人和數據智能的銜接。這裡面尤其值得一提的是作為 AI 數據庫核心引擎的 OceanBase Lakebase。傳統數據庫引擎的目標是高效管理結構化數據，並提供可靠的事務處理和 SQL 查詢。OceanBase Lakebase 則在此基礎上，統一管理結構化、半結構化、非結構化和向量數據，讓事務處理、實時分析、AI 推理和 Agent 應用圍繞同一份數據協同運行。這不是在傳統數據庫上增加幾個 AI 功能的變化，而是面向 AI 應用對數據形態、檢索方式和計算模式全新需求的範式轉變。前面的分析曾經提到，支持多模態數據在統一底座上的實時處理，是 AI 數據庫需要實現的核心功能之一。但海量非結構化數據到底如何真正成為數據資產，也是長期困擾企業的問題之一。對此，OceanBase Lakebase 提出了多模表和 AI 列的全新設計。前者讓結構化字段、文本、圖片、音視頻、JSON、LOB、向量等數據形態進入同一張表的語義之下。用戶視角，看到的仍然是一張表，但多模表背後卻可以承載更豐富的數據資產，並在同一套治理體系中被檢索、計算和調用。多模表之上，AI 列進一步把模型能力引入數據處理鏈路。它可以基於原始數據生成摘要、標籤、特徵、向量或其他語義結果，讓模型理解能力以“列”的形式進入數據庫。這樣，企業不必把數據反覆搬出數據庫、交給外部模型處理後再寫回，而可以在數據原地完成語義加工、向量化、重排與智能生成。這意味著，非結構化數據不再只是“被存下來的文件”，而成為可搜索、可計算、可治理、可被 Agent 安全調用的數據資產。作為 Agent 的記憶系統，OceanBase Lakebase 同樣原生支持面向 Agent 的實時上下文工程，通過統一存儲和檢索 Agent 的記憶、上下文、狀態與行動記錄，並通過向量、全文、結構化數據的混合搜索，為 Agent 提供更準確的上下文供給。同時，OceanBase Lakebase 通過數據分支、邏輯庫、資源隔離和快速回滾，得以為海量 Agent 應用快速創建獨立、安全的數據環境。每個智能體或輕應用都可以擁有相互隔離的數據空間，在不影響主幹數據的前提下試錯、運行和演進。這讓 AI 應用能夠從驗證階段走向規模化生產運行。開放生態是 OceanBase Lakebase 的另一個關鍵詞。Agent 時代，企業的數據處理不再依賴單一計算引擎，而是同時涉及在線交易、實時分析、全文檢索、向量搜索、模型訓練和 AI 推理等多種工作負載。傳統架構中，不同系統往往各自維護一份數據，需要頻繁進行數據同步、複製和轉換，不僅增加了成本，也帶來數據延遲、一致性和運維複雜性等問題。OceanBase Lakebase 要解決的正是這一痛點。它基於開放式存儲格式與可擴展計算架構，支持 S3 兼容對象存儲與 Iceberg 開放表格式，並可對接 Spark、Ray 等計算引擎。不同計算引擎圍繞同一份數據和同一份元數據協同工作，各自負責擅長的計算任務，而無需遷移數據或重建數據底座。此外，當數據得以避免被綁定在專有平臺，企業整體的數據架構便也保持了開放和演進的可能，未來新的計算引擎也可以在同一數據基礎上擴展，這正是 OceanBase Lakebase 作為統一數據底座最具潛力的地方。相比多系統拼裝，OceanBase AI 數據庫核心價值遠不止於少部署幾個系統，而是從架構層面減少數據冗餘、縮短處理鏈路、統一治理口徑，並降低開發與運維複雜度。在 API 價格早已經過了幾輪的降價之後，為什麼 Agent 在很多企業中仍然難以真正被用起來，瓶頸就在於 Agent 落地的工程複雜性，以及與之伴隨的時間、人力和金錢成本。而當 OceanBase 提供了一個能夠同時承載事務處理、實時分析和 AI 工作負載的一體化系統，也就意味著企業不必為交易庫、數倉、搜索引擎、向量庫、數據湖分別維護一套鏈路。數據只需治理一次、權限只需定義一次、元數據只需維護一套，AI 應用就可以在統一底座上獲得可靠、實時、可擴展的數據能力。據介紹，在相關場景中，OceanBase AI 數據庫可使整體 TCO 降低 30%-50%。這背後不是簡單的成本壓縮，而是 AI 基礎設施門檻的降低。當企業不必依賴多套系統拼裝複雜鏈路，AI 應用才更容易從試點走向規模化落地。也只有讓企業用得起 AI，才有談 AI 普惠的可能。回過頭來看，每一輪技術革命真正沉澱下來的，不僅僅有最先引發關注的新能力，還有支撐這種能力規模化普及的基礎設施。雲計算如此，移動互聯網如此，AI 也不會例外。當模型能力之間的差距越發縮小，能夠讓企業為之付費的，將不再僅僅是一款模型，而是一套能夠承載數據、支撐 Agent、保障業務運行的完整基礎設施。數據庫也在迎來這種歷史轉折。移動互聯網時代的分佈