雷峰网(公家号：雷峰网)讯 AI 的竞争越接近落地，越揭示出其残暴的一壁。Benchmark 上几分的患上掉正变自得义有限，取而代之的，是真金白银的投入产出比。Agent 怎样真正读懂营业，模子智能怎样于营业端开释出更年夜的价值，成了这一阶段竞争最焦点的命题。

而一同被推向舞台中心的，还有有数据库。

已往，它饰演的脚色很简朴，素质就是一个持久、安全、可查询的数据存储体系。好比用户于淘宝购物，完成为了下单、付出、退款、查物流等一系列操作，最基本的需求就是这些记载不克不及丢掉、不克不及堕落、可查询，以和能支撑岑岭期几亿人同时下单的高并发压力。

这就是挪动互联网时代数据库的焦点能力，缭绕着存储及查询，衍生出一致性、并发处置惩罚及容灾备份的需求。

可是当 Agent 更加深切地走进出产场景，它们也天然而然地成了数据库的新用户。Agent 需要及时拜候各类布局化及非布局化数据，数据库也从办事在人写 SQL 查数据的存储模块，酿成了 Agent 的影象体系。这个新的脚色，象征着数据库于存储以外，还有要支撑 RAG（检索加强天生）及及时数据流驱动的 AI。

RAG 场景下，AI 回覆问题需要从数据库召回资料再天生回覆，没有数据库就等在 AI “掉忆”。而及时数据流驱动的 AI，更有赖在毫秒到秒级的用户举动数据及时读取。这二者是今天 Agent 落地最多见的两种场景。

可以说，当咱们会商 Agent 是否已经经迈过那条名为“可用”的边界时，数据库的主要水平，其实不亚在模子智能程度。

那末 AI 时代，到底需要甚么样的数据库？

01

据 Gartner 猜测，到 2028 年，AI Agent 生态体系将可以或许使多个专业化的智能体于差别企业运用间动态协作。届时，约有三分之一的用户体验将从利用原生运用，转向由 Agent 前端来主导。

数据库是这类改变的一个光鲜代表。当 Agent 成为数据的利用者，对于数据库的拜候频率将远远高在工程师逐条编写查询。假如人们对于 Agent 的需求是是毫秒之间主动完成查询、推理与决议计划，那末这类压力会直接传导到数据库上。换言之，对于 Agent 的想象决议了数据库于 AI 时代面临的是何种需求。

前者于今天已经经其实不生疏，透过从 OpenClaw 到 Harness 的爆火，可以或许看到一些一脉相承的工具，好比连续运行、自立挪用数据，并经由过程不停实验完成使命。于这套全新的事情模式中，怎样才能让 Agent 把数据物尽其用？

起首是正确的上下文供应。智能体的所有动作，从简朴的问答、一次东西挪用到长程使命的履行，均可以被拆解为一段上下文加一次模子挪用的不停反复。能不克不及把对于的信息，精准地构造成喂给模子的上下文，直接决议了 Agent 的交付质量。来自真实场景的上下文类型杂糅，集会灌音、往来文件或者者一张慌忙拍下的照片，也许全数联合起来，才组成一条对于营业的有用指引。这就要求数据库能于一次检索中，从多种形态的数据中找出最相干的信息。

于诸多上下文中，天然语言作为 Agent 与数据库交互的全新进口，具备着怪异的职位地方，或者者说语义层对于数据库从未云云主要。从存储模块走向影象体系的历程中，数据库也于介入 Agent 的推理与决议计划。是以只有理解了营业，数据库才能真正办事在 Agent 这类高度矫捷、自动的运用形态。

Agent 范围的发作是另外一重磨练。一种不雅点认为，Vibe Coding 的终点是用完即弃的一次性软件。许多证据都指向了这类运用数目的指数级发作，蚂蚁灵光已经有 3000 万个闪运用，妙思于企业内部支撑了上万个运用，每一个运用暗地里，都需要一个自力的数据空间及可操作的数据能力。

值患上留意的是，上述每一个运用平均仅有百余行数据。这是另外一种意义上的数据范围，单个运用数据量其实不年夜，但数据库于发作式增加。AI 时代数据库面临的场合排场，就是年夜部门库于年夜部门时间都处在甜睡，但少少数需要被拜候时，又要做到秒级相应。

一个数据库抗住年夜范围负载的时代正于远去，眼下的问题，是怎样让海量Agent拥有自力数据空间同时以极低成本共存。

末了是自我进化，这类繁杂 Agent 的前沿标的目的，一样表现于了对于数据库的需求上。从 skill 最先，Agent 实现自我进化的思绪年夜同小异，都是对于既往经验举行总结，辨认最好实践，并于反复履行中完成优化。是以，一个可以或许让 Agent 重复实验的情况至关主要。数据底座将于很年夜水平上负担这一使命，随时斥地一个相互断绝的实验空间，让 Agent 于此中罢休测验考试，好的实践保留、不行的方案抛弃。

于上述历程中，数据飞轮是一个绕不开的话题。更多的数据，象征着更强的模子、更好的用户体验已经经是共鸣。但追问一步，就会发明这其实不是理所固然的成果，至少于数据库层面不是。

事实上，于这个飞轮中同时存于着两种数据。于线数据及时提供应模子以驱动智能体，离线数据被堆集下来练习下一代模子。要让这个飞轮真正转起来，于线数据与离线数据、及时计较与批量计较就一定不克不及持久处在相互割裂的体系中。

同步发生的另外一重变化，是数据形态。一个已经经成为实际的共鸣是，Agent 会开始于数字化程度更高、布局化数据堆集更富厚的行业落地。布局化数据因其便在计较的特征，为 Agent 提供了一条于营业场景落地的快车道。可是当落地运用的竞争进一步激化，对于非布局化数据的挖掘及使用就成了一定选择。

这也是 Agent 价值开释的暗语。不是简朴的存储或者索引非布局化数据，而是让它及布局化数据于同一底座上被治理及挪用。同一底座上的多模态混淆搜刮，就是 Agent 对于数据库提出的新需求。

02

至此，下一代数据库的画像已经经逐渐清楚。

面向 Agent 的营业负载，决议了下一代数据库起首需要一套同一的数据底座。只有当数据再也不被切割、没必要于多套体系之间重复搬运，“越用越准”的飞轮才真正建立。

成立同一底座以后，真正需要同一的还有有数据自己。布局化、半布局化及非布局化数据，需要于统一系统中完成存储、治理及计较，并撑持标量、全文、向量等多种检索方式的混淆搜刮。只有让跨模态数据于同一语义下构造及挪用，数据库才能为 Agent 提供完备、正确的营业上下文，将汗青堆集的非布局化数据真正转化为可用的营业资产。

更进一步，AI 数据库还有需要成为 Agent 原生的数据底座。影象、上下文、断绝、分支、回滚以和范围化运行等能力，不该依靠多个外部体系拼装，而应成为数据库自身的原生能力。同时，面临企业高度敏感的数据资产，数据库还有需要连结开放的存储与计较架构，防止数据被锁定于单一厂商系统中，让企业始终拥有数据主权与架构演进的自动权。

回到 GPT-3.5 的发布，亲历者会记患上它彼时带来的惊动，人们信赖“一切行业都值患上用 AI 重做一遍”。这很轻易走向一种创始全新品类的幻觉，但对于 AI 数据库来讲，事实偏偏相反。Agent 只是转变了它的面向，但已往的设计原则于今天仍旧主要。

智能体高度自立的特征决议了它一定会向决议计划层迈进，这反过来让数据库自己也于从记载事实走向介入决议计划，于是对于数据底座的一致性提出了更高的要求。将来一处过错，一次延迟，都有可能蜕变成真正的营业变乱。为此更需要有逾越纯真检索的强一致保障，才能使其胜任 Agent 的于线决议计划。

靠得住的另外一重意涵是及时性。数十个小时的长程使命对于今天的 Agent 已经经不是触不成和，当模子智能程度足以面临这类繁杂度的使命方针时，还有需要有充足靠得住的数据底座支撑。Agent 能全天候运转，数据库可否于离开运维职员的环境下跑下去？Agent 以毫秒级的速率举行推理及决议计划，数据库可否跟上这类节拍？

既要连结强一致性与及时性的靠得住，为 Agent 挣患上一张进入真实营业场景的门票，又要有撑持范围扩大的开放架构，以顺应 Agent 这类全新的办事形态自己。这是两种背道而驰的需求吗？

假如把这些需求放于一路看，会发明它们都指向统一种架构，湖库一体。

湖库一体的焦点，不是简朴把数据湖及数据库放于一路，而是于同一的数据底座上统筹二者的上风：既拥有数据湖的开放性及海量存储能力，又保留数据库的事件、一致性及及时处置惩罚能力。一份数据便可同时支撑于线营业、及时阐发及 Agent 运用，无需于多个体系之间反复同步及搬运。

站于 Agent 的需求上回看，这险些是为 AI 数据库量身定做的架构。Agent 同时依靠布局化数据、非布局化数据及向量数据，也需要于线事件、及时阐发及 RAG 检索协同事情。同一的数据底座既削减了反复存储及数据同步，也降低了构建 RAG、企业常识库及 Agent 运用的总体成本。

不外，走向湖库一体其实不只有一种路径。有人从数据湖出发，补齐数据库能力，有人从搜刮出发，扩大向量及布局化数据处置惩罚能力。这些路径各有偏重，也别离解决了开放存储或者智能检索的问题。

可是当 Agent 走进真实营业场景，找获得或者存患上住都远远不足以归纳综合数据底座面临的全数挑战。它还有需要强一致的数据事件、严酷的权限系统、可托的数据版本、不变的及时能力，以和可以或许持久演进的工程架构。真实的数据底座，需要同时满意这些要求，而不是别离优化某一项能力。

也正由于云云，OceanBase 提出了另外一种可能。从数据库内核出发，把已经经于焦点生意业务场景中验证过的事件一致性、高可用、及时处置惩罚及弹性扩大能力，进一步延长到湖、非布局化数据及多模态数据之上。

这也是它区分在前面两种选择之处。比拟把 湖 及 库 简朴组合，OceanBase 但愿以数据库内核作为同一基础，让事件能力与开放存储、多模态数据及 AI 计较于统一架构中协同运行，真正实现“湖库一体”，而不是体系拼装。

你能从这类同一架构设计的暗地里看到不俗的野心，它指向的其实不仅仅是 AI 时代一席数据库市场，而是某种可谓 Agent 数据底座的战略卡位。当 Agent 成为企业运用的新进口后，OceanBase 的方针并不是提供更多 AI 功效，而是降低 Agent 落地历程中数据同步、体系拼装及管理带来的巨年夜工程成本。

回到今天 Agent 落地的真实困境，就会看到 OceanBase 这一战略判定锋利的一壁。眼下限定 AI 价值兑现的愈来愈不是模子能力，而是数据基础举措措施。API 价格连续降落，但企业部署 Agent 依然昂贵，成本就孕育发生于多套数据体系、繁杂的数据链路及管理系统的磨擦中。谁可以或许把这些繁杂性收敛到同一的数据底座，谁就更有时机成为企业 Agent 时代的基础举措措施提供者。

从这个意义上看，OceanBase 试图从头界说数据库的竞争维度。将来竞争的再也不是谁拥有更强的数据库能力，而是谁可以或许成为 Agent 时代真实的 Memory Runtime。假如这一判定建立，数据库将于 AI 财产链中从头回到焦点位置，而 OceanBase 的脚色，也将从数据库厂商进一步蜕变为 Agent 时代的数据操作体系。

03

算力、模子及数据，于 AI 的三要素中，数据库盘踞了尤为焦点的职位地方。可以说，谁能更好地毗连及管理企业焦点数据，谁就更有时机于 AI 运用落地中盘踞要害位置。今天能兑现的贸易价值，明天通向 AGI 的想象空间，都于这里了。

诸多因素的叠加上下，数据库于 Agent 落地的比赛中成了一片兵家必争之地。业内的竞争慢慢激化，上下流厂商一样虎视眈眈。冤家路窄，此时站出来试图界说 AI 数据库这类全新形态的 OceanBase，却也不是无名之辈。

对于数据库行业相识未几的读者也许没有听过这家公司的名字，但对于“双十一”必然其实不生疏。OceanBase 的降生就及这场全世界范围最年夜的线上购物狂欢节慎密相连。

2010 年先后，阿里营业的高速增加，尤其是“双十一”带来了爆炸性的数据增加及高并发哀求。以 IBM 小型机、Oracle 数据库、EMC 存储为焦点的传统 IOE 架组成本昂扬且扩大性有限，已经经难以满意“双十一”的潜于需求。

OceanBase 最初就是为此而生。从 2014 年承接 10％ 生意业务流量，到两年后的周全接受，承载了付出宝 100％的焦点营业流量，包括生意业务、付出、会员及最要害的账务库。今天于 OceanBase 身上能看到的漫衍式瓜葛数据库、高并发生意业务、阐发撑持、强一致性、可程度扩大等基因，都是于这一期间奠基。

值患上留意的是，OceanBase 的出发点恰是对于数据库靠得住性要求最为严苛的金融范畴。于降生以后的十五年中，又进一步履历了年夜范围的磨炼。

截至今朝，OceanBase 已经办事跨越 400 家金融机构，近七成万亿级资产范围的银行，将焦点体系建于它之上，并持续二年于中国金融行业漫衍式数据库当地部署市场中份额排名第一。同时，它也是迄今独一同时于 TPC-C、TPC-H 两项国际权势巨子基准测试中登顶的数据库，与全世界顶尖产物同台竞技并取患上领先，营业已经笼罩全世界多个国度及地域。

数据不堕落、体系不中止、妨碍毫秒恢复，AI 时代所说的这些“刚需”，于金融级场景中早已经磨炼成熟。把这套能力延长到“湖”，对于 OceanBase 而言，是有着十五年堆集的谋定尔后动。

而患上益在阿里、蚂蚁富厚的前沿 AI 营业场景，如付出宝的 AI 付出、蚂蚁阿福、灵光、淘宝 AI 购物助理，以和通义千问、高德、飞猪等，OceanBase 于界说 AI 数据库这条路上有着患上天独厚的上风。此中，蚂蚁阿福面向行业繁杂智能体开发，灵光则面向公共提供“一句话天生运用”能力，今朝已经承载 3000 万个闪运用。于堆集数据的意义以外，这些场景更是 AI 数据库最真正的练兵场。

时至今日，OceanBase 已经经逾越了单一引擎能力的领域，形成为了完备的 AI 数据库产物系统：

OceanBase Lakebase：作为底层引擎，承载湖库一体与多模态数据能力，让布局化数据、非布局化数据及向量数据可以或许于同一架构中被治理、加工、检索及挪用。

OceanBase DataStudio：运行于 Lakebase 之上的数据出产、管理与办事事情台，笼罩数据接入、数据加工、使命编排、语义建模、数据管理到 Agent 协作等要害环节，帮忙企业把分离的数据资产转化为可治理、可理解、可挪用的数据办事。

OceanBase DataPilot：面向谋划阐发及营业决议计划的数据智能 Agent，作为同一的企业营业智能进口，让营业职员可以经由过程天然语言完身分析陈诉、数据看板及可托谜底天生，把已往依靠专业数据团队完成的阐发流程，转化为可交互、可追问、可复用的智能决议计划能力。

这套产物矩阵笼罩了从底层数据引擎、数据出产管理到营业智能进口的全数要害环节。Lakebase 解决 AI 时代的数据底座问题，DataStudio 解决数据怎样被出产、管理及办事化，DataPilot 则站于间隔一线营业职员近来的位置，直接处置惩罚人及数据智能的跟尾。

这内里特别值患上一提的是作为 AI 数据库焦点引擎的 OceanBase Lakebase。

传统数据库引擎的方针是高效治理布局化数据，并提供靠得住的事件处置惩罚及 SQL 查询。OceanBase Lakebase 则于此基础上，同一治理布局化、半布局化、非布局化及向量数据，让事件处置惩罚、及时阐发、AI 推理及 Agent 运用缭绕统一份数据协同运行。这不是于传统数据库上增长几个 AI 功效的变化，而是面向 AI 运用对于数据形态、检索方式及计较模式全新需求的范式改变。

前面的阐发曾经经提到，撑持多模态数据于同一底座上的及时处置惩罚，是 AI 数据库需要实现的焦点功效之一。但海量非布局化数据到底怎样真正成为数据资产，也是持久困扰企业的问题之一。

对于此，OceanBase Lakebase 提出了多模表及 AI 列的全新设计。前者让布局化字段、文本、图片、音视频、JSON、LOB、向量等数据形态进入统一张表的语义之下。用户视角，看到的仍旧是一张表，但多模表暗地里却可以承载更富厚的数据资产，并于统一套管理系统中被检索、计较及挪用。

多模表之上，AI 列进一步把模子能力引入数据处置惩罚链路。它可以基在原始数据天生择要、标签、特性、向量或者其他语义成果，让模子理解能力以“列”的情势进入数据库。如许，企业没必要把数据重复搬出数据库、交给外部模子处置惩罚后再写回，而可以于数据原地完针言义加工、向量化、重排与智能天生。这象征着，非布局化数据再也不只是“被存下来的文件”，而成为可搜刮、可计较、可管理、可被 Agent 安全挪用的数据资产。

作为 Agent 的影象体系，OceanBase Lakebase 一样原生撑持面向 Agent 的及时上下文工程，经由过程同一存储及检索 Agent 的影象、上下文、状况与步履记载，并经由过程向量、全文、布局化数据的混淆搜刮，为 Agent 提供更正确的上下文供应。

同时，OceanBase Lakebase 经由过程数据分支、逻辑库、资源断绝及快速回滚，患上以为海量 Agent 运用快速创立自力、安全的数据情况。每一个智能体或者轻运用均可以拥有彼此断绝的数据空间，于不影响骨干数据的条件下试错、运行及演进。这让 AI 运用可以或许从验证阶段走向范围化出产运行。

开放生态是 OceanBase Lakebase 的另外一个要害词。Agent 时代，企业的数据处置惩罚再也不依靠单一计较引擎，而是同时触及于线生意业务、及时阐发、全文检索、向量搜刮、模子练习及 AI 推理等多种事情负载。传统架构中，差别体系往往各自维护一份数据，需要频仍举行数据同步、复制及转换，不仅增长了成本，也带来数据延迟、一致性及运维繁杂性等问题。

OceanBase Lakebase 要解决的恰是这一痛点。它基在开放式存储格局与可扩大计较架构，撑持 S3 兼容对于象存储与 Iceberg 开放表格局，并可对于接 Spark、Ray 等计较引擎。差别计较引擎缭绕统一份数据及统一份元数据协同事情，各自大责擅长的计较使命，而无需迁徙数据或者重修数据底座。此外，当数据患上以免被绑定于专有平台，企业总体的数据架构便也连结了开放及演进的可能，将来新的计较引擎也能够于统一数据基础上扩大，这恰是 OceanBase Lakebase 作为同一数据底座最具潜力之处。

比拟多体系拼装，OceanBase AI 数据库焦点价值远不止在少部署几个体系，而是从架构层面削减数据冗余、缩短处置惩罚链路、同一管理口径，并降低开发与运维繁杂度。

于 API 价格早已经颠末了几轮的降价以后，为何 Agent 于许多企业中仍旧难以真正被用起来，瓶颈就于在 Agent 落地的工程繁杂性，以和与之陪同的时间、人力及款项成本。

而当 OceanBase 提供了一个可以或许同时承载事件处置惩罚、及时阐发及 AI 事情负载的一体化体系，也就象征着企业没必要为生意业务库、数仓、搜刮引擎、向量库、数据湖别离维护一套链路。数据只需管理一次、权限只需界说一次、元数据只需维护一套，AI 运用就能够于同一底座上得到靠得住、及时、可扩大的数据能力。

据先容，于相干场景中，OceanBase AI 数据库可以使总体 TCO 降低 30%-50%。这暗地里不是简朴的成本压缩，而是 AI 基础举措措施门坎的降低。当企业没必要依靠多套体系拼装繁杂链路，AI 运用才更易从试点走向范围化落地。也只有让企业用患上起 AI，才有谈 AI 普惠的可能。

回过甚来看，每一一轮技能革命真正沉淀下来的，不单单有开始激发存眷的新能力，还有有支撑这类能力范围化普和的基础举措措施。云计较云云，挪动互联网云云，AI 也不会破例。当模子能力之间的差距更加缩小，可以或许让企业为之付费的，将再也不仅仅是一款模子，而是一套可以或许承载数据、支撑 Agent、保障营业运行的完备基础举措措施。

数据库也于迎来这类汗青迁移转变。挪动互联网时代的漫衍式数据库，正于蜕变为 Agent 时代的数据底座。将来 AI 数据库之间竞争的，也未必是谁拥有更多 AI 功效，而是谁可以或许以更低的成本、更高的靠得住性及更开放的架构，让 Agent 真正走进企业焦点营业。于这幅全新的竞争图景中，OceanBase 已经经走患上很远。

雷峰网原创文章，未经授权禁止转载。详情见转载须知。