Agent，“重做”数据库

本文作者为产业家，钛媒体经授权发布。

“公司的活动总预算是多少？”这个问题，放在熟悉业务的财务人员那里，几乎不用多想。可某数据库厂商测试的企业级Agent场景中，AI回答的数字和真实情况差了将近15倍。

面对这句并不复杂的自然语言指令，Agent自己到企业数据库里检索，看到一堆带“金额”的列就机械地加总，最后算出一个2916万元的离谱结果。企业实际财务口径下，真实的活动预算只有198万元。

问题很明显：它根本不知道企业嘴里的“活动预算”，对应的是哪个字段。

这个看着有点荒唐的乌龙，其实暴露了眼下企业Agent落地时普遍存在的矛盾——模型越来越聪明，企业的数据系统却未必准备好了让AI自主干活。

企业也因此开始重新打量自己的数据基础设施。

今年2月，Gartner在一项关于企业AI数据架构的研究里提到，数据准备不足已经是AI应用的主要障碍，超过75%的组织因此优先投资AI就绪数据能力。说白了，企业发现光升级大模型解决不了业务问题，就把视线转回过去藏在后台的数据库。AI落地的竞争，正从模型能力往数据底座延伸。

这类需求又进一步把市场规模推了上去。中国信通院《数据库发展研究报告（2026年）》显示，2025年中国数据库市场规模约677.96亿元，预计2028年达到979.74亿元，年复合增长率13.06%。市场持续扩大的同时，Agent带来的新需求也在促使数据库厂商调整产品方向。

对市场变化敏感的基础软件厂商，步子明显快了。

今年1月，火山引擎开源面向Agent的上下文数据库OpenViking，想统一管理智能体的记忆、资源与技能调用；3月，华为发布AI数据平台，主打知识检索与KV Cache加速；5月，腾讯云给TDSQL-C加上分支（Branch）能力，并升级团队级Agent Memory；6月与8月，OceanBase先后上线湖库一体架构与毫秒级快照克隆（Fork）功能；10月，镜舟科技发布MIP企业级AI数据平台。

短短几个月，从交易数据库、实时分析到湖仓平台，技术路线各不相同的厂商密集推出新能力，产品边界也开始模糊起来。

有个事实摆在眼前：数据库的主要使用者正从人慢慢扩展到Agent，沿用了数十年的数据库架构，正在被重构。

一、旧数据库“装不下”新Agent

过去几十年都在给企业干活的数据库系统，为什么到了Agent时代突然要大改？

其实，过去四十年，数据库以及周边的数据系统主要围绕“人”来设计，分工也很清楚。传统数据库放订单、交易这类结构化数据；网盘和数据湖存合同、录音、图片、视频等非结构化数据；搜索引擎和向量库负责按关键词或相似度“找东西”。

以前员工在几套系统之间来回查、来回对，花半天出一份报表也没什么。现在换成24小时不停工的Agent，几秒内就能连着查多套系统、调用模型推理，甚至直接执行操作。

这时候，传统数据库架构的局限就露出来了。

第一道坎，是AI看得见数据，却看不懂业务。开篇那笔2916万元的错误预算，就是个典型例子。

对数据库来说，销售额、毛利率、活动预算都能表示成字段和计算公式。可企业的业务规则比字段复杂得多。比如算销售额，要不要扣掉退款？统计上个月的订单，按下单时间还是付款时间？

过去，人靠业务经验能把这些信息补上。现在Agent不知道规则，就可能写出一条语法完全正确、业务结果却完全错误的SQL。

Redis在2026年发布的《The State of Context Engineering》报告中调查了1000多名IT及AI基础设施负责人。结果显示，97%的受访者认为上下文对AI至关重要，但55%的组织缺乏可靠的业务语义模型，47%缺乏关联业务实体的上下文关系图谱，仅4%的组织达到报告定义的最高上下文成熟度阶段。

这意味着，企业AI的难题已经不只是理解自然语言，更在于怎么准确理解企业的业务规则，拿到经过确认的业务上下文。

不过，AI就算理解了数据，也未必能实时拿到完整的数据。Agent还要面对第二堵墙——数据分散在不同的系统里。

拿智能汽车座舱来说。车主说一句“我有点累了”，AI要给出合理建议，可能得同时拿到语音指令、车内视觉信息、车速及驾驶状态。可这些数据往往来自不同系统，更新时间也不一样，AI拿到的可能是不同时刻的信息；反复跨系统检索还会增加延迟。对需要实时交互甚至执行操作的Agent来说，几秒钟的滞后就可能影响判断。

Redis同一份报告还提到，54%的受访组织觉得孤立的向量存储拖累了Agent的实际表现，69%的组织认为Agent很难可靠地理解跨系统数据之间的关系。另有21%的组织坦言，自家系统在关键决策时经常或通常用的是过时、批量同步的数据。跨系统查询还会抬高计算、网络和Token开销。麦肯锡2026年的调查里，约20%的受访者称AI运营成本已经限制了他们的使用。怎么减少无效检索、别让模型反复吞冗余数据，同样是一道成本账。

看不懂、查不全之外，让传统数据库架构更受冲击的是另一件事：Agent不只查账，还开始自己建账、改账。

从前企业跑的是少量、庞大又相对稳定的核心业务系统，数据库交给专业团队打理。现在Agent能自动搭出记账、库存这类小应用，还会频繁建测试环境，改数据、验结果，不行就推倒重来。

传统那套管法也就不划算了。每个应用都配一套完整物理数据库，存储和管理成本扛不住；共用一套表结构，数据隔离、权限控制、个性化计算又都变复杂。何况让数以万计的Agent直接在生产库上试错，安全风险同样巨大。

数据库服务的对象，显然正从少量稳定运行的传统应用，变成海量、动态、活得很短的AI应用。

到这一步，Agent时代数据库的改造方向基本浮出三个：一是“懂业务、知口径、可追溯”，对准数据理解；二是“多模合一、实时关联、一次查全”，对准数据获取；三是“即用、即建、即抛”，对准动态应用的运行和管理。

说到底，Agent要想真正进企业核心业务，数据库得帮它迈过三道坎：算得对、看得全、动手还得安全。眼下数据库厂商重做产品，主攻的正是这几个方向。

二、把上下文“嵌入”数据库

面对Agent的新要求，各家数据库厂商给出的答案并不一样。

先看“懂业务、知口径、可追溯”。厂商的做法是给数据库补上一层业务语义能力。

今年6月，腾讯云升级WeData统一语义层，用来沉淀业务术语、指标口径和规则；10月，镜舟科技推出MIP企业级AI数据平台，把语义层接进AI分析的执行链路；OceanBase则借DataStudio提供语义建模，用DataPilot支撑自然语言分析。

这些动作骨子里是一回事：给Agent备一本企业自己的“业务词典”加“计算说明书”。

销售额指什么、退款怎么算、哪些订单不能进统计，都事先定好。Agent领到任务，不必再靠字段名去猜，照企业认可的业务规则查询、计算，结果还能追到出处。

光懂规则还不够，Agent得记住过去的经验。今年1月，火山引擎开源上下文数据库OpenViking，把记忆、资源和技能统一组织起来；3月，华为发布AI数据平台，提供知识检索、KV Cache加速、记忆萃取与召回等能力。

两家技术路径不同，目标却一致：让Agent干活时不光找得到数据，还能拿到相关知识、历史记忆和业务上下文。

看懂之后，下一步是看全。厂商于是动手拆系统之间的墙。火山引擎VikingDB支持图文多模态检索与属性过滤；OceanBase的湖库一体架构、镜舟MirrorData，则试着把结构化业务数据和非结构化内容的检索、关联分析接上。

说白了，就是把过去三个数据房间之间的墙打通，让一套数据底座同时处理交易记录、合同文档、图片这些不同类型的信息。

拿电商售后来说。买家传一张手机碎屏照片申请退货，过去工作人员可能得分别查图片库、客服记录和订单系统。现在靠多模态检索加业务数据关联，系统有机会在一条查询链路里找到相似的碎屏照片、筛出相关投诉，再关联订单，查出承运快递和退款金额。

这样Agent不用在多个系统间来回搬数据，查询链路短了，延迟和额外开销也能降下来。

最后是让Agent安全地动手，技术服务商陆续给出可以放心试错的环境。5月，腾讯云为TDSQL-C引入Branch；6月，华为云发布的TaurusDB for PostgreSQL存算分离版支持分支管理；8月，OceanBase又加上Fork能力。

通俗讲，Agent能快速从原有数据库拉出一个相互隔离的数据分支，好比在真实账本上盖一张“透明草稿纸”。它在自己的分支上改、测，失败直接丢掉，原始数据不受影响，也不用每次都完整复制一套库。OceanBase披露，相关方案在特定场景下可把总体拥有成本降低30%～50%。这意味着数据库开始有条件支撑大量Agent按需创建、使用和释放独立的数据环境。

回头看，各家厂商技术路径虽不同，改造方向却越走越近：用语义层和上下文管理让Agent理解业务，用多模态融合减少跨系统检索，用数据库分支让Agent低成本、安全地试错。

过去数据库只管保存事实，怎么理解事实、判断对错、采取行动，都是人的活；如今Agent接手这些工作，数据库也不得不替人扛起其中一部分职责。

三、数据库引擎换了方向：让AI退场，回到业务本身

语义层、多模检索、数据库Fork，这些能力厂商正一块块补上。可技术真进了企业，一些在演示里看不出来的毛病就开始冒头。

头一关是企业身上压着的技术债。前两年为了把AI推下去，不少企业先后建了向量数据库、知识库、数据湖，还有各种Agent平台；各部门各挑各的厂商，重复部署、接口五花八门、权限散落各处，问题跟着就来了。

Salesforce旗下MuleSoft的《2026年连接性基准报告》里有一组数：受访企业平均管着957个应用系统，真正连起来的只有27%；Agent转型走得快些的企业，也不过32%。更扎眼的是，50%的AI Agent还在单打独斗。

换句话说，哪怕腾讯、华为、火山、OceanBase、镜舟科技这些厂商拿出了更统一的数据能力，企业也做不到说推倒就推倒。更现实的走法是保住核心系统，靠统一查询、开放接口、增量迁移一点点并进来。这么一来，数据库厂商不光得拼产品，还得啃系统兼容和交付这些硬骨头。谁能让企业少花钱改造，谁拿单的机会就大。

可系统都打通了，Agent也未必真懂业务。

数据库能把语义层装进去，企业攒了几十年的业务经验却不会自己变成标准规则。比方一家制造企业，老师傅判断设备故障，得把温度、振动、设备年限和维修经验放在一起看；有的标准写在操作手册上，有的只装在老师傅脑子里。要让Agent有类似的判断力，就得把这些隐性知识翻出来梳理，讲清适用条件、例外情况和判断依据，再落成能执行、能校验的规则。麻烦还不止这些：同一个指标，不同部门可能各有各的定义；业务一变，规则也得跟着更新。

这就不是单纯的技术开发了，而是要业务专家、数据工程师和IT团队一起下场做的知识工程。

爱分析2026年央国企Agent实践报告里提到一家世界500强基础设施央企。这家企业早先建过知识门户、知识地图等系统，攒下近万份高质量工程技术文档。可真要引入Agent，知识组织、检索机制、专业术语和安全要求还得重新捋一遍，最后选的是在原有系统上叠加AI能力，没有推倒重建。一家企业尚且如此，要把Agent铺到几十个部门、数百项业务，规则维护、版本管理和跨部门协调的活只会更重。

IDC今年9月的研究也提到，Agent要进核心业务流程，离不开业务专家、IT及部署团队长期做数据治理、知识建设和流程重构，背后的人力投入不是小数目。这说明数据库厂商往后不光要交软件，可能还得掺和业务知识治理。拿标准化产品去接大量非标准化需求，会是道新考题。

等企业把系统改完、业务规则理清，第三道难关又来了：成千上万个Agent同时跑，怎么管得住。

以前数据库应付的多是可预期的业务请求。现在大量Agent可能同时发起高频查询、开测试分支、改数据，甚至互相调用。约束一松，算力和成本可能失控，越权访问、数据误操作之类的风险也会跟着来。

金融、医疗这类高敏感场景尤其如此，数据库除了管访问权限，还得配合建起资源配额、操作审计、异常熔断等机制，让Agent每一步操作都控得住、查得到。

回头看，Agent给数据库出的题，早已不是传统技术升级能覆盖的。存量系统改造，考的是架构兼容和工程交付；业务知识治理，考的是产品能力和行业经验怎么结合；多Agent运行，考的是权限管理、资源调度和持续运营。

所以数据库行业下一轮比拼，不只是看谁先拿出多模表、语义层或毫秒级Fork，更要看谁能用更低的成本、更可控的方式，把这些技术真正送进企业的核心业务。数据库行业未来的产品形态、竞争边界和商业价值，也正因此被改写。

四、下一代数据库，谁来定义？

数据库开始扛起业务理解、上下文管理和Agent运行保障这些职责，更深一层的变化也在发生：这个行业原有的产品边界和价值分工，正被重新划出来。

产品形态上，这种变化已经显现出来。

交易型数据库、分析型数仓、数据湖、向量库、全文搜索引擎乃至BI平台，过去各管一摊。Agent对数据理解、实时分析和自主执行的要求越来越高，这些原本各自独立的能力，眼下正加快走到一起。往后看，数据库有可能慢慢长成三层：底下是湖库一体的多模引擎，中间一层管语义和上下文，上面一层是Agent运行与评测环境。传统数据库和AI数据平台之间的那条线，也会越画越淡。

产品融合之外，更该留意的是数据库自己的角色在变。

从前数据库管的是存数据和查数据，业务怎么理解、对错怎么判断，多半还得靠人。现在不一样了，企业的业务规则、指标口径、历史经验和操作流程，都开始由数据库来管，Agent做决策时拿到的依据就来自这里。说白了，数据库正从被动存取数据的“仓库”，转成能组织和管理企业上下文的“业务大脑”（Context Engine）。Agent能不能真读懂一家企业，很大程度上要看底层数据系统给不给得出准确、完整的业务上下文。

角色一变，运行方式也跟着改。多Agent协同、自主试错成了常态，传统单体大库很难接住海量、动态的应用需求。毫秒级Fork、按需分配资源、闲时自动释放——轻量化、弹性化的数据库服务，有望成为新的方向。

那么，这场变化对AI落地产业到底意味着什么？

就当下而言，数据库靠多模合一帮企业省掉了跨库折腾和Token浪费，靠语义层把业务口径的可追溯性锁死，靠秒级沙箱砍掉30%～50%的试错成本。这等于给狂奔的AI铺好了安全的铁轨和红绿灯，让Agent真敢走进银行风控、医疗健康、汽车座舱和大型零售经营分析这些核心生产系统。

不止如此，它还在重构ToB软件的交付链路与商业生态。

以前企业做个AI应用，得自己找集成商，把数据库、网盘、向量库、知识库、BI报表和智能体框架一点点拼起来，链路又长又脆。如今数据库厂商往上走，直接把繁琐的“系统集成工程”变成了开箱即用的“底座标准能力”。

更关键的是，中国数据库厂商也在这场尚未定型的产业竞争里，等来了新机会。

回想移动互联网那几年，“双十一”这类海量交易、高并发场景，把中国的分布式数据库推了起来。现在Agent又对实时处理、多模态融合和高并发运行提了新要求，中国厂商攒下的技术能力正好有了新的用武之地。

海外部分厂商走的是从数据湖、分析平台往实时交易延伸的路子；OceanBase、腾讯云、火山引擎等中国厂商则不同，靠的是大规模交易、实时分析和互联网业务场景的长期积累，正朝AI原生数据底座拓展。

技术路线各走各的，方向却指向同一处，全球AI数据基础设施的竞争格局也还没定型。这当中，中国厂商有机会凭真实业务场景里的技术积累，参与下一代AI数据基础设施的定义，而不只是做硅谷已有标准的“跟随者”。