Agent，“重做”数据库

数据库的主要使用者正从人扩展到Agent，沿用了几十年的架构因此开始重构。

“公司的活动总预算是多少？”对熟悉业务的财务人员来说，这问题简单得很。可在某数据库厂商测试的企业级Agent场景里，AI交出的答案与真实情况差了近15倍。

面对这句自然语言指令，Agent自己去企业数据库里检索，在众多带“金额”字段的列中机械求和，算出一个2916万元的离谱数字。企业实际财务口径下，真实活动预算只有198万元。

问题很明显：它根本不知道企业所说的“活动预算”该对应哪个字段。

这个略显荒诞的乌龙，揭开了当下企业Agent落地普遍存在的矛盾——模型越来越聪明，企业的数据系统却未必做好了让AI自主工作的准备。

企业也因此开始重新审视自己的数据基础设施。

今年2月，Gartner在一项企业AI数据架构研究中指出，数据准备不足已成为AI应用的主要障碍，推动超过75%的组织优先投资AI就绪数据能力。换句话说，企业发现光靠升级大模型解决不了业务问题，便把目光转向过去藏在后台的数据库。AI落地的竞争，正从模型能力延伸到数据底座。

中国信通院《数据库发展研究报告（2026年）》的数据显示，2025年国内数据库市场规模约为677.96亿元，2028年有望攀升至979.74亿元，年复合增长率13.06%。这类需求把市场盘子进一步撑大。与此同时，Agent带来的新需求，也促使数据库厂商着手调整产品方向。

嗅觉敏锐的基础软件厂商，动作明显加快。

今年1月，火山引擎开源面向Agent的上下文数据库OpenViking，试图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，腾讯云为TDSQL-C引入分支（Branch）能力，并升级团队级Agent Memory；6月与8月，OceanBase相继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，不同技术路线的厂商密集推出新能力，产品边界也开始变得模糊。

一个事实是，当数据库的主要使用者从人逐渐扩展到Agent，沿用了数十年的数据库架构，正在发生重构。

旧数据库“装不下”新Agent

过去已经服务企业几十年的数据库系统，为什么到了Agent时代突然需要大规模改造？

其实，数据库以及围绕它的数据系统，过去四十年主要围着“人”转，各管一摊、界限清楚。订单、交易这类结构化数据放在传统数据库里；合同、录音、图片、视频等非结构化数据，则由网盘和数据湖承接；至于按关键词或相似度“找东西”，靠的是搜索引擎和向量库。

从前，员工在几套系统间反复翻找、比对，花上半天做一张报表也没人催。现在接手的是24小时连轴转的Agent，几秒之内就能连着查多套系统、调用模型推理，甚至把操作直接执行掉。

这时，传统数据库架构的局限便开始显现。

首先，是AI看得见数据，却看不懂业务。开篇提到的2916万元错误预算，就是典型例子。

放到数据库里看，销售额、毛利率、活动预算都能写成字段加计算公式。可企业的业务规则比字段复杂得多。拿算销售额来说，退款要不要扣掉？统计上个月的订单，该按下单时间还是付款时间？

以往这些空缺靠人的业务经验补上。现在Agent要是不清楚规则，写出来的SQL可能语法挑不出毛病，业务结果却错得离谱。

Redis在2026年发布的《The State of Context Engineering》报告中，对1000多名IT及AI基础设施负责人进行了调查。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面临的难题，已经不只是理解自然语言，更是如何准确理解企业的业务规则，获得经过确认的业务上下文。

不过，即使AI理解了数据，也未必能够实时获得完整的数据。Agent还要面对第二堵墙，即数据被分散在不同的系统中。

智能汽车座舱就是个例子。车主一句“我有点累了”，AI想给出靠谱建议，恐怕得同时拿到语音指令、车内视觉信息、车速和驾驶状态。问题是这些数据分散在不同系统，更新节奏也不一致，AI拿到的可能是不同时刻的信息；来回跨系统检索，延迟还会往上加。对需要实时交互乃至执行操作的Agent来说，几秒钟的滞后就足以干扰判断。

Redis同一份报告显示，54%的受访组织认为孤立的向量存储拖累了Agent的实际表现，69%的受访组织则表示Agent很难可靠地理解跨系统的数据关系。另有21%的组织承认，其系统经常或通常拿过时、批量同步的数据去做关键决策。

跨系统查询还会推高计算、网络和Token开销，这一点更让人头疼。麦肯锡2026年的调查显示，约20%的受访者称AI运营成本已经限制了自己的使用。怎样减少无效检索、避免向模型反复输入冗余数据，同样是一道成本题。

不过，看不懂、查不全还不是最要命的。真正给传统数据库架构带来更大冲击的是，Agent不光查账，还开始自己建账、改账。

过去企业跑的是少量庞大且相对稳定的核心业务系统，数据库交给专业团队维护。现在Agent能自动搭起记账、库存这类小应用，还会频繁建测试环境，改数据、验结果，失败就推倒重来。

传统的数据库管理模式因此变得不划算。每个应用都建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、权限控制和个性化计算又变复杂。更何况，让数以万计的Agent直接在生产库上试错，安全风险巨大。

数据库服务的对象明显变了：从少量稳定运行的传统应用，扩展到海量、动态、短生命周期的AI应用。

到这里，Agent时代数据库的三大改造方向已经清晰：一是“懂业务、知口径、可追溯”，解决数据理解；二是“多模合一、实时关联、一次查全”，解决数据获取；三是“即用、即建、即抛”，解决动态应用的运行与管理。

说到底，Agent想真正进入企业核心业务，数据库得帮它跨过三道门槛：算得对、看得全，还要能安全地动手。眼下数据库厂商重新改造产品，主要就是围绕这几个方向。

把上下文“嵌入”数据库

面对Agent提出的新要求，数据库厂商给出的答案并不相同。

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，镜舟科技发布MIP企业级AI数据平台，把语义层引入AI分析的执行链路；OceanBase则通过DataStudio提供语义建模能力，借助DataPilot支持自然语言分析。

这些动作说到底是一回事：给Agent备一本企业专属的“业务词典”和“计算说明书”。

比方说，销售额指什么、退款怎么算、哪些订单不能计入统计，都事先定义清楚。Agent接到任务后按企业认可的业务规则去查询、计算，不再靠字段名称猜，结果也有据可查。

规则本身并不足够，Agent 还需要积累历史经验。华为在3月推出的AI数据平台，具备知识检索、KV Cache加速、记忆萃取与召回等能力；更早的1月，火山引擎已将上下文数据库OpenViking开源，把记忆、资源和技能归拢到一处统一管理。

两家技术路径不一样，目标却一致：让Agent执行任务时既能找到数据，也能拿到相关知识、历史记忆与业务上下文。

“看得懂”解决了，下一步是“看得全”。厂商开始尝试打通系统之间的边界。比如火山引擎VikingDB支持图文多模态检索与属性过滤；OceanBase湖库一体架构、镜舟MirrorData则试着把结构化业务数据与非结构化内容的检索、关联分析接起来。

通俗点说，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、合同文档和图片等不同类型的信息。

拿电商售后举例。买家上传一张手机碎屏照片申请退货，过去工作人员可能要分别查图片库、客服记录和订单系统。现在借助多模态检索与业务数据关联，系统有机会在同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不用在多个系统之间反复搬数据，查询链路更短，延迟和额外开销也能降下来。

最后是让Agent安全地动手。技术服务商陆续推出可以安全试错的环境：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又增加了Fork能力。

通俗理解，Agent能从原有数据库快速拉出一个相互隔离的数据分支，好比在真实账本上盖了一张“透明草稿纸”。Agent在自己的分支上修改、测试，失败了直接丢弃，原始数据不受影响，也不必每次完整复制一套数据库。OceanBase披露，其相关方案在特定场景下可降低30%～50%的总体拥有成本。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然不同，改造方向却越来越一致：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。

过去数据库主要负责保存事实，怎么理解事实、判断对错、采取行动是人的工作；如今Agent开始接管这些工作，数据库也不得不承担起一部分原本由人完成的职责。

数据库引擎换轨：从AI回到业务本身

语义层、多模检索、数据库Fork，厂商正一项项把Agent需要的能力补上。

可这些技术真进了企业，一些在产品演示里看不出来的毛病，反倒先冒了出来。

头一桩，是企业身上早就背着技术债。

过去两年为了推AI落地，不少企业陆续搭起向量数据库、知识库、数据湖和各种Agent平台。各部门各挑各的厂商，重复部署、接口不统一、权限分散这些事跟着就来了。

Salesforce旗下的MuleSoft发布过《2026年连接性基准报告》，其中显示受访企业平均管着957个应用系统，真正互联的只占27%；Agent转型较快的企业也不过32%。50%的AI Agent仍在孤立运行，这一点更该警惕。

这也就意味着，腾讯、华为、火山、OceanBase、镜舟科技这些厂商即便拿出更统一的数据能力，企业也没法说推倒就推倒。

更现实的做法是留住核心系统，靠统一查询、开放接口、增量迁移一步步整合。这样一来，数据库厂商拼的不只是产品，还得解决系统兼容和交付上的复杂麻烦。谁能让企业少花改造的钱，谁拿单的机会才更大。

可系统就算打通了，Agent也未必真懂业务。

数据库能把语义层内置进去，企业攒了几十年的业务经验却不会自动变成标准规则。举个例子，制造企业里老师傅判断设备故障，往往要综合温度、振动、设备年限和维修经验。有些标准写在操作手册上，有些只装在个人脑子里。

想让Agent有类似的判断力，就得把这些隐性知识梳理出来，讲清适用条件、例外情况和判断依据，再转成能执行、能校验的规则。更麻烦的是，同一指标在不同部门可能有不同定义，业务一变，规则也得跟着持续更新。

这已经不只是技术开发，而是一项要业务专家、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。这家企业此前建过知识门户、知识地图等系统，攒下近万份高质量工程技术文档。可真引入Agent时，知识组织、检索机制、专业术语和安全要求仍要重新梳理，最后它选择在原有系统上叠加AI能力，没有推倒重建。一家企业尚且如此，Agent要是铺到几十个部门、数百项业务，规则维护、版本管理和跨部门协调的工作量只会更大。

IDC今年9月的研究同样指出，Agent要进核心业务流程，离不开业务专家、IT及部署团队长期参与数据治理、知识建设和流程重构，背后的人力投入相当可观。

这也就是说，数据库厂商以后不光要交软件，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。

等企业好不容易改完系统、理清业务规则，第三道坎又来了：成千上万个Agent同时跑，怎么管得住。

以前数据库面对的业务请求相对可预测。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。少了约束，算力和成本可能失控，越权访问、数据误操作之类的风险也跟着来。

金融、医疗这类高敏感场景尤其如此，数据库不光要管访问权限，还得配合建起资源配额、操作审计、异常熔断等机制，让Agent的每一步操作都可控、可追溯。

回过头看，Agent给数据库出的题，已经超出传统技术升级的范围。

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，考的则是权限管理、资源调度和持续运营。

所以数据库行业下一轮竞争，不光是比谁先拿出多模表、语义层或毫秒级Fork，更要比谁能用更低的成本、更可控的方式，把这些技术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。

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运行保障这些职责后，更深一层的变化正在发生：行业原有的产品边界和价值分工，正被重新划定。

数据库的产品形态，已经把这种变化摆到了台面上。

以往交易型数据库、分析型数仓、数据湖、向量库、全文搜索引擎甚至BI平台各管一摊。Agent对数据理解、实时分析、自主执行的要求越来越高，这些原本各自独立的能力，眼下正被加速捏到一起。

往后看，数据库有可能慢慢长成三层：底层是湖库一体的多模引擎，中间层管语义与上下文，上层是Agent的运行与评测环境。传统数据库和AI数据平台之间的那条线，也会越画越模糊。

产品融合之外，更该盯住的是数据库自己扮演的角色变了。

以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，多半靠人。现在企业的业务规则、指标口径、历史经验、操作流程，都开始由数据库来管，给Agent提供靠谱的决策依据。

说白了，数据库正从被动存取数据的“仓库”，转向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，运行模式也跟着改。多Agent协同、自主试错成了常态，传统单体大库撑不住海量、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方向。

那这场变化，对AI落到产业里到底意味着什么？

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。

以前企业做一个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块块拼起来，链路又长又脆。现在数据库厂商往上走，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还没定型的产业竞争里，等来了新机会。

回头看移动互联网那几年，“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。眼下Agent对实时处理、多模态融合和高并发运行又提出了新要求，中国厂商攒下的技术能力正好有了新的用武之地。

有些海外厂商是从数据湖、分析平台往实时交易那头延伸，路径不一样。OceanBase、腾讯云、火山引擎等中国厂商，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。

技术路线不同，方向却走到了一起，这也说明全球AI数据基础设施的竞争格局还没定型。这当中，中国厂商有机会凭真实业务场景里的技术积累，参与定义下一代AI数据基础设施，而不只是跟着硅谷已有的标准走。