腾讯云AI存储:Agent时代存储体系怎么重构?
过去这一年,整个社会对存储的关注,比以往任何时候都要多。 在AI浪潮的影响下,存储需求激增,价格也一路飙升。 此前,对于发展AI,大家主要关心的是算力和算法,是芯片和大模型。如今,随着AI的不断落地,数据以及数据背后的存储底座,正在不断凸显其价值。 前不久,腾讯全球数字生态大会在深圳举行。在会上,行业大佬们纷纷指出,A
这一年里,全社会对存储的注意力比过去任何时候都高。
AI热潮带动下,存储需求猛涨,价格也跟着一路走高。
早前谈AI发展,大家盯得最多的是算力、算法,是芯片和大模型。眼下AI持续落地,数据本身以及托着数据的存储底座,价值正一点点显出来。

不久之前,腾讯全球数字生态大会在深圳召开。会上的行业大佬们不约而同提到,AI发展已经迈入新阶段,Agent正成为新的生产力形态,这是新阶段的一个显著特征。
要撑住这个走向,得先把Agent基础设施做好,既要高性能,也要极高性价比。
大模型和Agent朝生产力跃迁的速度在加快,存储体系是底层基础设施的关键一环,从介质、层级、架构到软件栈,整套都得做系统级重构。
存储技术的玩法已经彻底换了,不再只是比容量、拼速度,而是围绕数据生命周期、访问模式和总体拥有成本展开的一场深层较量。
下面我就顺着大佬们的观点,加上自己的理解,说说这场变革和重构。
传统存储撞上AI,这场革命躲不开
现代计算机的理论根基是冯诺依曼架构,计算和存储是这个架构里最核心的两块。

冯诺依曼架构
现代存储技术起步于20世纪50年代,走过半个多世纪,磁带、光盘、机械硬盘、固态硬盘,单机存储到分布式存储,介质和形态一直在换。
换归换,存储的核心使命没动过——把数据存下来,需要时再读出来。
为了让数据能及时存进去、读出来,存储系统一直盯着两个核心指标:性能和容量。性能说的主要是读写速度。
存储说到底是一套精心设计的“数据分级流转系统”。寄存器、缓存、内存,再到SSD、HDD,以及磁带、光盘这类离线介质,每一层用各自的速度、容量和成本,接住不同热度的数据。层级性能越高,成本越贵,容量也越小。

存储分级体系
AI到来之前,这套分级体系跑得挺稳——各层级基本能接住应用需求,数据热度模型比较稳定,成本也大致可控。
可AI一来,这种平衡被彻底打破。
大模型训练和推理任务,对存储提的要求跟传统互联网完全不是一回事。
训练要不停读取大量样本,存储吞吐和数据供给效率得跟上;GPU上的HBM负责模型计算时的高速数据访问。推理这边,既要有内存撑住上下文和缓存,也得靠存储系统装下模型文件、知识库和会话数据。各个环节对容量、带宽、时延的要求各不相同。
这两年特别火的Agent应用,同样给存储出了新难题。Agent执行任务时会不断攒下文件、记忆和中间成果。执行环境可以按需启动、按需回收,这些工作数据却得单独留着,好让后续任务接着用。另外,不同用户和Agent的数据要隔离,协作时又得能按权限共享,让工作成果既存得安全,也能反复用起来。
说到底,AI时代算法和算力要升级,离不开更强的存储系统配合。AI要往深里走,就得有规模化、高质量的数据供给。
数据的热度分布也不再是互联网时代那种慢慢衰减的路子,而是高频、突发、跨层级,情况复杂得多。传统“冷热简单分层”的思路开始失灵,存储体系得重新想清楚“数据放哪儿、怎么放、什么时候迁移”这些根本问题。
容量、性能、成本三者怎么平衡,怎么做出真正贴合需求场景的存储产品,是整个存储行业绕不开的难题。这些题答得好不好,直接关系到AI任务的数据准备时间、算力利用率和运行成本,也关系到企业规模化用AI的效率。
存储这道难题,腾讯云准备怎么解?
面对前面那些挑战,腾讯云拿出的思路是“重构+创新”。他们不再只盯着某一层做到极致性能,而是按数据在整个生命周期里怎么流动,重新安排存储产品的形态和布局。训练、推理、数据归集、Agent、具身智能这些不同的AI场景,各有各的打算:一边把原有传统产品重构升级,把性能再往上推;一边补上更多创新产品,填平现有产品矩阵里的缺口。
产品体系补齐之后,每一类数据都能落在合适的介质上,用合适的成本,被合适的算力高效取用。说白了,不光要“存得下”,还得“供得快”“调得准”“用得起”。
下面具体看看,腾讯云对传统产品动了哪些刀子,又新添了哪些东西。

先看存储产品的分层。腾讯云在原来简单分层的基础上又往下切细,划出了极冷层、冷层、在线温层、在线热层、加速层。
● 冷层、在线温层、在线热层(COS分层存储)
COS(Cloud Object Storage)是腾讯云对象存储服务的统称,也是最核心的海量非结构化数据统一底座。它跑在腾讯云自研的Yotta架构上,单集群存储规模能到百EB级,带宽可达Tbps级,单桶对象数可达万亿级。
在COS这层底座之上,又细分成COS标准存储、COS Express-Lite、COS低频/归档/深度归档,依次对应在线热层、在线温层、冷层。
COS Express-Lite是腾讯云不久前刚推出来的产品,瞄准的是海量、需要长期在线的温数据。它拿QLC(NAND Flash半导体存储技术的一种)做底层介质,不去挤占紧缺的HDD产能,单GB存储单价约为高性能存储的1/4,也没有取回费门槛,性能够用、成本可控的在线容量就这么来了。
兼容性上,COS Express-Lite支持S3兼容访问,现有的数据管道和工具链可以直接沿用,接入改造成本降了下来。
● 极冷层(磁带存储)
极冷层用的是磁带存储。这种形式看着老派,可对极冷数据(比如日志、历史摄像头数据)来说,成本低、也可靠。腾讯云的磁带存储采用最新自研磁带引擎技术,写入速度在业内领先,累计存储已超2000PB。
存储涨价、介质供给趋紧的当下,磁带存储能接住一部分HDD与SSD让出来的空间,把整体TCO(总体拥有成本)压下去。
● 加速层(GooseFS)
加速层很关键,腾讯云在这一层对应的方案是GooseFS(数据加速器 Goose File System)。
GooseFS夹在计算框架和底层持久存储(COS/CHDFS/HDFS等)之间,靠缓存与读写加速,跟底层持久存储配合把数据访问效率提上去,解决COS在大数据、AI训练场景里元数据慢、小文件、随机IO、重复拉取的毛病。
比如大模型训推过程中,数据集、校验集、预训练权重、向量库会被多个GPU反复读取,小文件多,随机IO(输入/输出)操作又非常密集。上了GooseFS,缓存命中率提高,GPU等待时间减少,COS层的带宽压力也跟着降。

GooseFS还有几个“变体”。GooseFS-Cache能复用GPU本地NVMe,建起全局缓存;GooseFS-X(全托管高性能并行文件)提供分布式元数据加速,每秒数百GB吞吐、数百万级IOPS、亚毫秒级延迟。GooseFS负责高吞吐供数和按需读写,COS负责海量持久化与弹性扩展,两者搭在一起,AI训推场景下的数据访问挑战就能接住,性能和成本也平衡住了。换句话说,不同类型的数据,都能找到合适的地方存放。
● COS Rapid Bucket
腾讯云正在内测一款面向大规模GPU并行取数的新品,名为COS Rapid Bucket,即高性能存储桶。Bucket是COS之下存放对象的容器,而COS本身是一整套对象存储服务。
这款产品盯的是AI训练、推理和高性能计算场景,要提供高并发、低时延的读写能力。说白了,它的活儿就是让数据及时送到计算端。
介质上,COS Rapid Bucket全部采用SSD,并把计算和存储放在同一可用区就近部署,数据访问路径因此被缩短。腾讯云公开的产品资料显示,它具备百万级IOPS、毫秒级时延和TB/s级吞吐能力,可用在训练样本读取、模型检查点写入,以及推理服务扩容时的模型权重加载等环节。
● CBS和CFS(CFS Turbo)
从产品形态看,腾讯云手里还有CBS和CFS。CBS是云硬盘,走块级存储路线,为云服务器、容器等计算环境承载数据。
CFS属于文件存储,支持NFS、SMB、POSIX协议,多台机器可以共享读写文件。
其中CFS Turbo版本专门针对AI训练场景做了深度优化,定位为高性能并行文件存储,支持全闪并行数据面。腾讯云新推出的TurboS3则让并行文件系统接入S3生态,一份数据可走POSIX、HDFS、S3三种访问方式,配合统一命名空间与分布式元数据,把并行存储的性能释放出来。
面向Agent场景的存储技术创新
前面说的底层技术框架体系,主要还停留在传统存储的升级和增强上。可AI新场景只靠升级不够,更多得靠产品创新,也就是推出定制化的新产品去接住场景需求。最典型的例子,自然是眼下最火的AI Agent。
Agent(智能体)是当前人工智能走向产业落地最重要的赛道之一。整个2026年,从年初爆火的“小龙虾(OpenClaw)”,到如今广泛普及的WorkBuddy,Agent的渗透速度超乎想象。

用WorkBuddy这类Agent处理日常工作的员工越来越多,商业分析、业务运营、市场调研、营销规划与执行等专业领域都有涉及。企业管理者也借此把决策做得更准、执行做得更快,以提升市场竞争力。Agent已经成了随手可用、真正能提效的生产力工具。
作为强大的数字助手,Agent的核心特征在于自主规划、调用工具、记忆和上下文管理。这些特征给底层存储提了完全不同的要求:一边要撑住高频的元数据读写,一边要保证多轮交互中上下文数据的一致性与低延迟访问。
腾讯云为此推出了Agent Bucket(智能体桶)、Vector Bucket(向量存储桶)、MetaInsight(多模态数据管理引擎)、AgentCFS、AgentCBS等多款产品,铺开Agent落地的完整链路,也为把AI兑现为生产力打下基础。

Agent AI存储基础设施
这些产品究竟有什么特色,又是怎么支撑Agent更大规模普及的,可以逐个细看。
● Agent Bucket
Agent Bucket(智能体存储桶)是专为AI Agent时代推出的新型存储桶,面向Agent应用中用户资料、任务中间结果和生成成果的存储需求。它在COS存储桶下引入独立的Space空间,权限、容量配额和限速都能按用户、智能体实例或项目来配置,还提供目录管理、文件分享、去重秒传和回收站等能力。
平台级隔离是它防越权的手段:不同用户的数据有了明确的访问边界,任务成果也能跨会话保留、按需共享、持续复用。原本要业务自己搭建的多租户空间与文件管理能力,被下沉到存储服务里,开发者可以更专注于Agent的任务逻辑。
容量方面,Agent Bucket单桶默认支持1000万个空间,还能提升到10亿,为亿级用户提供原生支撑。
Vector Bucket 是面向高维向量打造的存储桶。它要解决的问题很具体:把非结构化数据存下来、检索得快。
图片、音频、视频这类非结构化数据,先经由嵌入模型(Embedding)转成一串固定长度的浮点数,也就是高维坐标,再落成存储。语义或视觉上越接近的内容,在高维空间里的距离就越近。
这套向量存储架在 COS 对象存储底座之上,适合海量向量长期沉淀。需要时再“加热检索”,长期存储的成本因此被压得很低。
再说 AgentCFS 与 AgentCBS。前面提到的 CFS 和 CBS,到了 Agent 场景有了专门版本,面向 Agent 沙箱,实用性很强。
这些存储产品与 Agent 深度结合后,Agent 运行时的数据读写和持久化保存都能跑起来,成本和性能之间也能取得平衡。
MetaInsight 解决的是另一层问题。存储核心能力只是地基,AI 业务一复杂,用户想真正用顺手,还得在数据管理和智能调度上下功夫,靠好用的工具去驾驭数据、压成本、提效率。
MetaInsight 就是这样一个多模态数据管理引擎,也可以看成帮用户更高效管理数据的存储工具。它让内容变得可被感知,静态文件由此转为大模型可以调用的动态知识资产。
面向具身智能场景的存储技术创新
具身智能眼下是火热的赛道。机器人要实时感知环境、做出决策、执行动作,背后是海量多模态数据的采集、存储、处理、分发,以及最关键的模型训练和推理。腾讯云在这一场景做了哪些存储技术创新,值得看一看。
腾讯云 COS 先搭起统一存储底座。客户能拿到数据隔离、向量存储、基于内容的分析等能力。数据可用性为 4.5 个 9,数据持久性为 12 个 9,单集群的数据管理能力达到百 EB 级,“存得下”和“用得起”就此落地。
底座之上,GooseFS 加速器补上高吞吐、低延时,数据可以快速透明地流动起来,这是“供得快”。
数据要真正被用起来,还得有顺手的应用构建工具。腾讯云为此提供智能视图计算(IVC)与数据万象(CI)。前者支持视频接入、存储管理与 AI 分析,在具身智能场景里可以承接机器人采集的视频,并支持云端管理和分析。
数据万象则提供多种数据处理能力。其中面向具身智能的 Robo-Suit 提供 6 类算子、100 多项能力,还能与 MetaInsight 的检索能力结合,支持数据加工、检索、管理与交付。
智能视图计算和数据万象,助力了“调得准”。

腾讯云具身智能全栈解决方案
上面这些产品和能力串起来,形成了一个完整的数据飞轮。飞轮转得越快,用户的具身智能模型训练效率就越高。
腾讯云提供的数据显示,某行业客户采用这套体系后,数据处理时间减少 35%,GPU 利用率提升到 90% 以上,模型训练时长缩短 30% 以上。整体存储成本降幅最大,下降 30% 以上。
结语
存储技术体系正在经历一场前所未有的变革。算力也许决定 AI 的上限,但 AI 能不能成功落地,很可能要看存储。
一味追极致性能,好比买辆豪华跑车,能拿第一,可日常用起来花销太大。真要过日子、让AI全面普及,就得盯住极致性价比。一套完整的存储产品体系,得在带宽、延迟、容量、功耗、成本、可靠性之间分别给出方案,像备齐不同档次的车,按需取用,性能要求满足了,成本开销也压得住。
存储是计算的重要搭档。AI要真正变成生产力,光拼算力规模和参数规模不够,还得充分考虑怎么让AI满足用户的实际需求。“存得下”、“供得快”、“调得准”、“用得起”,说的就是精准锚定用户需求,做出能在底层承接数据的可靠存储体系。存储够强,才配得上算力,把AI计算任务做完,推动应用场景发展和普及。
我相信,未来的存储不再只是被动存数据的“仓库”,它会成为AI认知世界的“记忆中枢”,能主动参与计算,实现自我智能管理,并且足够安全可信。
期待这一天的早日到来。