<mark id="oztn4"></mark>
0
而一同被推向舞臺中央的，還有數(shù)據(jù)庫。
過去，它扮演的角色很簡單，本質(zhì)就是一個長期、安全、可查詢的數(shù)據(jù)存儲系統(tǒng)。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并發(fā)壓力。
這就是移動互聯(lián)網(wǎng)時代數(shù)據(jù)庫的核心能力，圍繞著存儲和查詢，衍生出一致性、并發(fā)處理和容災(zāi)備份的需求。
但是當(dāng) Agent 越發(fā)深入地走進生產(chǎn)場景，它們也自然而然地成為了數(shù)據(jù)庫的新用戶。Agent 需要實時訪問各種結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)，數(shù)據(jù)庫也從服務(wù)于人寫 SQL 查數(shù)據(jù)的存儲模塊，變成了 Agent 的記憶系統(tǒng)。這個新的角色，意味著數(shù)據(jù)庫在存儲之外，還要支撐 RAG（檢索增強生成）和實時數(shù)據(jù)流驅(qū)動的 AI。
RAG 場景下，AI 回答問題需要從數(shù)據(jù)庫召回資料再生成回答，沒有數(shù)據(jù)庫就等于 AI “失憶”。而實時數(shù)據(jù)流驅(qū)動的 AI，更有賴于毫秒到秒級的用戶行為數(shù)據(jù)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(dāng)我們討論 Agent 是否已經(jīng)邁過那條名為“可用”的界限時，數(shù)據(jù)庫的重要程度，并不亞于模型智能水平。
那么 AI 時代，到底需要什么樣的數(shù)據(jù)庫？
01
據(jù) Gartner 預(yù)測，到 2028 年，AI Agent 生態(tài)系統(tǒng)將能夠使多個專業(yè)化的智能體在不同企業(yè)應(yīng)用間動態(tài)協(xié)作。屆時，約有三分之一的用戶體驗將從使用原生應(yīng)用，轉(zhuǎn)向由 Agent 前端來主導(dǎo)。
數(shù)據(jù)庫是這種轉(zhuǎn)變的一個鮮明代表。當(dāng) Agent 成為數(shù)據(jù)的使用者，對數(shù)據(jù)庫的訪問頻率將遠(yuǎn)遠(yuǎn)高于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，那么這種壓力會直接傳導(dǎo)到數(shù)據(jù)庫上。換言之，對 Agent 的想象決定了數(shù)據(jù)庫在 AI 時代面對的是何種需求。
前者在今天已經(jīng)并不陌生，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(xù)運行、自主調(diào)用數(shù)據(jù)，并通過不斷試驗完成任務(wù)。在這套全新的工作模式中，如何才能讓 Agent 把數(shù)據(jù)物盡其用？
首先是準(zhǔn)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(diào)用到長程任務(wù)的執(zhí)行，都可以被拆解為一段上下文加一次模型調(diào)用的不斷重復(fù)。能不能把對的信息，精準(zhǔn)地組織成喂給模型的上下文，直接決定了 Agent 的交付質(zhì)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(jié)合起來，才構(gòu)成一條對業(yè)務(wù)的有效指引。這就要求數(shù)據(jù)庫能在一次檢索中，從多種形態(tài)的數(shù)據(jù)中找出最相關(guān)的信息。
在諸多上下文中，自然語言作為 Agent 與數(shù)據(jù)庫交互的全新入口，具有著獨特的地位，或者說語義層對數(shù)據(jù)庫從未如此重要。從存儲模塊走向記憶系統(tǒng)的過程中，數(shù)據(jù)庫也在參與 Agent 的推理與決策。因此只有理解了業(yè)務(wù)，數(shù)據(jù)庫才能真正服務(wù)于 Agent 這種高度靈活、主動的應(yīng)用形態(tài)。
Agent 規(guī)模的爆發(fā)是另一重考驗。一種觀點認(rèn)為，Vibe Coding 的盡頭是用完即棄的一次性軟件。很多證據(jù)都指向了這種應(yīng)用數(shù)量的指數(shù)級爆發(fā)，螞蟻靈光已有 3000 萬個閃應(yīng)用，妙思在企業(yè)內(nèi)部支撐了上萬個應(yīng)用，每個應(yīng)用背后，都需要一個獨立的數(shù)據(jù)空間和可操作的數(shù)據(jù)能力。
值得注意的是，上述每個應(yīng)用平均僅有百余行數(shù)據(jù)。這是另一種意義上的數(shù)據(jù)規(guī)模，單個應(yīng)用數(shù)據(jù)量并不大，但數(shù)據(jù)庫在爆發(fā)式增長。AI 時代數(shù)據(jù)庫面對的局面，就是大部分庫在大部分時間都處于沉睡，但極少數(shù)需要被訪問時，又要做到秒級響應(yīng)。
一個數(shù)據(jù)庫抗住大規(guī)模負(fù)載的時代正在遠(yuǎn)去，眼下的問題，是如何讓海量Agent擁有獨立數(shù)據(jù)空間同時以極低成本共存。
最后是自我進化，這種復(fù)雜 Agent 的前沿方向，同樣體現(xiàn)在了對數(shù)據(jù)庫的需求上。從 skill 開始，Agent 實現(xiàn)自我進化的思路大同小異，都是對既往經(jīng)驗進行總結(jié)，識別最佳實踐，并在重復(fù)執(zhí)行中完成優(yōu)化。因此，一個能夠讓 Agent 反復(fù)試驗的環(huán)境至關(guān)重要。數(shù)據(jù)底座將在很大程度上承擔(dān)這一任務(wù)，隨時開辟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(shù)據(jù)飛輪是一個繞不開的話題。更多的數(shù)據(jù)，意味著更強的模型、更好的用戶體驗已經(jīng)是共識。但追問一步，就會發(fā)現(xiàn)這并不是理所當(dāng)然的結(jié)果，至少在數(shù)據(jù)庫層面不是。
事實上，在這個飛輪中同時存在著兩種數(shù)據(jù)。在線數(shù)據(jù)實時提供給模型以驅(qū)動智能體，離線數(shù)據(jù)被積累下來訓(xùn)練下一代模型。要讓這個飛輪真正轉(zhuǎn)起來，在線數(shù)據(jù)與離線數(shù)據(jù)、實時計算與批量計算就必然不能長期處于彼此割裂的系統(tǒng)中。
同步發(fā)生的另一重變化，是數(shù)據(jù)形態(tài)。一個已經(jīng)成為現(xiàn)實的共識是，Agent 會最先在數(shù)字化水平更高、結(jié)構(gòu)化數(shù)據(jù)積累更豐富的行業(yè)落地。結(jié)構(gòu)化數(shù)據(jù)因其便于計算的特性，為 Agent 提供了一條在業(yè)務(wù)場景落地的快車道。但是當(dāng)落地應(yīng)用的競爭進一步激化，對非結(jié)構(gòu)化數(shù)據(jù)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(jié)構(gòu)化數(shù)據(jù)，而是讓它和結(jié)構(gòu)化數(shù)據(jù)在統(tǒng)一底座上被管理和調(diào)用。統(tǒng)一底座上的多模態(tài)混合搜索，就是 Agent 對數(shù)據(jù)庫提出的新需求。
02
至此，下一代數(shù)據(jù)庫的畫像已經(jīng)逐漸清晰。
面向 Agent 的業(yè)務(wù)負(fù)載，決定了下一代數(shù)據(jù)庫首先需要一套統(tǒng)一的數(shù)據(jù)底座。只有當(dāng)數(shù)據(jù)不再被切割、不必在多套系統(tǒng)之間反復(fù)搬運，“越用越準(zhǔn)”的飛輪才真正成立。
建立統(tǒng)一底座之后，真正需要統(tǒng)一的還有數(shù)據(jù)本身。結(jié)構(gòu)化、半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)，需要在同一體系中完成存儲、管理和計算，并支持標(biāo)量、全文、向量等多種檢索方式的混合搜索。只有讓跨模態(tài)數(shù)據(jù)在統(tǒng)一語義下組織和調(diào)用，數(shù)據(jù)庫才能為 Agent 提供完整、準(zhǔn)確的業(yè)務(wù)上下文，將歷史積累的非結(jié)構(gòu)化數(shù)據(jù)真正轉(zhuǎn)化為可用的業(yè)務(wù)資產(chǎn)。
更進一步，AI 數(shù)據(jù)庫還需要成為 Agent 原生的數(shù)據(jù)底座。記憶、上下文、隔離、分支、回滾以及規(guī)模化運行等能力，不應(yīng)依賴多個外部系統(tǒng)拼裝，而應(yīng)成為數(shù)據(jù)庫自身的原生能力。同時，面對企業(yè)高度敏感的數(shù)據(jù)資產(chǎn)，數(shù)據(jù)庫還需要保持開放的存儲與計算架構(gòu)，避免數(shù)據(jù)被鎖定在單一廠商體系中，讓企業(yè)始終擁有數(shù)據(jù)主權(quán)與架構(gòu)演進的主動權(quán)。
回到 GPT-3.5 的發(fā)布，親歷者會記得它彼時帶來的轟動，人們相信“一切行業(yè)都值得用 AI 重做一遍”。這很容易走向一種開創(chuàng)全新品類的幻覺，但對 AI 數(shù)據(jù)庫來說，事實恰恰相反。 Agent 只是改變了它的面向，但過去的設(shè)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(shù)據(jù)庫本身也在從記錄事實走向參與決策，因而對數(shù)據(jù)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(yè)務(wù)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(shù)十個小時的長程任務(wù)對今天的 Agent 已經(jīng)不是觸不可及，當(dāng)模型智能水平足以面對這種復(fù)雜度的任務(wù)目標(biāo)時，還需要有足夠可靠的數(shù)據(jù)底座支撐。Agent 能全天候運轉(zhuǎn)，數(shù)據(jù)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(shù)據(jù)庫能否跟上這種節(jié)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(yè)務(wù)場景的門票，又要有支持規(guī)模擴展的開放架構(gòu)，以適應(yīng) Agent 這種全新的服務(wù)形態(tài)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(fā)現(xiàn)它們都指向同一種架構(gòu)，湖庫一體。
湖庫一體的核心，不是簡單把數(shù)據(jù)湖和數(shù)據(jù)庫放在一起，而是在統(tǒng)一的數(shù)據(jù)底座上兼顧兩者的優(yōu)勢：既擁有數(shù)據(jù)湖的開放性和海量存儲能力，又保留數(shù)據(jù)庫的事務(wù)、一致性和實時處理能力。一份數(shù)據(jù)即可同時支撐在線業(yè)務(wù)、實時分析和 Agent 應(yīng)用，無需在多個系統(tǒng)之間重復(fù)同步和搬運。
站在 Agent 的需求上回看，這幾乎是為 AI 數(shù)據(jù)庫量身定做的架構(gòu)。Agent 同時依賴結(jié)構(gòu)化數(shù)據(jù)、非結(jié)構(gòu)化數(shù)據(jù)和向量數(shù)據(jù)，也需要在線事務(wù)、實時分析和 RAG 檢索協(xié)同工作。統(tǒng)一的數(shù)據(jù)底座既減少了重復(fù)存儲和數(shù)據(jù)同步，也降低了構(gòu)建 RAG、企業(yè)知識庫和 Agent 應(yīng)用的整體成本。
不過，走向湖庫一體并不只有一種路徑。有人從數(shù)據(jù)湖出發(fā)，補齊數(shù)據(jù)庫能力，有人從搜索出發(fā)，擴展向量和結(jié)構(gòu)化數(shù)據(jù)處理能力。這些路徑各有側(cè)重，也分別解決了開放存儲或智能檢索的問題。
但是當(dāng) Agent 走進真實業(yè)務(wù)場景，找得到或存得住都遠(yuǎn)遠(yuǎn)不足以概括數(shù)據(jù)底座面對的全部挑戰(zhàn)。它還需要強一致的數(shù)據(jù)事務(wù)、嚴(yán)格的權(quán)限體系、可信的數(shù)據(jù)版本、穩(wěn)定的實時能力，以及能夠長期演進的工程架構(gòu)。真正的數(shù)據(jù)底座，需要同時滿足這些要求，而不是分別優(yōu)化某一項能力。
也正因為如此，OceanBase 提出了另一種可能。從數(shù)據(jù)庫內(nèi)核出發(fā)，把已經(jīng)在核心交易場景中驗證過的事務(wù)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(jié)構(gòu)化數(shù)據(jù)和多模態(tài)數(shù)據(jù)之上。
這也是它區(qū)別于前面兩種選擇的地方。相比把"湖"和"庫"簡單組合，OceanBase 希望以數(shù)據(jù)庫內(nèi)核作為統(tǒng)一基礎(chǔ)，讓事務(wù)能力與開放存儲、多模態(tài)數(shù)據(jù)和 AI 計算在同一架構(gòu)中協(xié)同運行，真正實現(xiàn)“湖庫一體”，而不是系統(tǒng)拼裝。
你能從這種統(tǒng)一架構(gòu)設(shè)計的背后看到不俗的野心，它指向的并不僅僅是 AI 時代一席數(shù)據(jù)庫市場，而是某種堪稱 Agent 數(shù)據(jù)底座的戰(zhàn)略卡位。當(dāng) Agent 成為企業(yè)應(yīng)用的新入口后，OceanBase 的目標(biāo)并非提供更多 AI 功能，而是降低 Agent 落地過程中數(shù)據(jù)同步、系統(tǒng)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(zhàn)略判斷尖銳的一面。眼下限制 AI 價值兌現(xiàn)的越來越不是模型能力，而是數(shù)據(jù)基礎(chǔ)設(shè)施。API 價格持續(xù)下降，但企業(yè)部署 Agent 依然昂貴，成本就產(chǎn)生在多套數(shù)據(jù)系統(tǒng)、復(fù)雜的數(shù)據(jù)鏈路和治理體系的摩擦中。誰能夠把這些復(fù)雜性收斂到統(tǒng)一的數(shù)據(jù)底座，誰就更有機會成為企業(yè) Agent 時代的基礎(chǔ)設(shè)施提供者。
從這個意義上看，OceanBase 試圖重新定義數(shù)據(jù)庫的競爭維度。未來競爭的不再是誰擁有更強的數(shù)據(jù)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(shù)據(jù)庫將在 AI 產(chǎn)業(yè)鏈中重新回到核心位置，而 OceanBase 的角色，也將從數(shù)據(jù)庫廠商進一步演變?yōu)?Agent 時代的數(shù)據(jù)操作系統(tǒng)。
03
算力、模型和數(shù)據(jù)，在 AI 的三要素中，數(shù)據(jù)庫占據(jù)了尤為核心的地位。可以說，誰能更好地連接和治理企業(yè)核心數(shù)據(jù)，誰就更有機會在 AI 應(yīng)用落地中占據(jù)關(guān)鍵位置。今天能兌現(xiàn)的商業(yè)價值，明天通向 AGI 的想象空間，都在這里了。
諸多因素的疊加之下，數(shù)據(jù)庫在 Agent 落地的角逐中成為了一片兵家必爭之地。業(yè)內(nèi)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(shù)據(jù)庫這種全新形態(tài)的 OceanBase，卻也不是無名之輩。
對數(shù)據(jù)庫行業(yè)了解不多的讀者或許沒有聽過這家公司的名字，但對“雙十一”一定并不陌生。OceanBase 的誕生就和這場全球規(guī)模最大的線上購物狂歡節(jié)緊密相連。
2010 年前后，阿里業(yè)務(wù)的高速增長，特別是“雙十一”帶來了爆炸性的數(shù)據(jù)增長和高并發(fā)請求。以 IBM 小型機、Oracle 數(shù)據(jù)庫、EMC 存儲為核心的傳統(tǒng) IOE 架構(gòu)成本高昂且擴展性有限，已經(jīng)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，到兩年后的全面接管，承載了支付寶 100％的核心業(yè)務(wù)流量，包括交易、支付、會員和最關(guān)鍵的賬務(wù)庫。今天在 OceanBase 身上能看到的分布式關(guān)系數(shù)據(jù)庫、高并發(fā)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(shù)據(jù)庫可靠性要求最為嚴(yán)苛的金融領(lǐng)域。在誕生之后的十五年中，又進一步經(jīng)歷了大規(guī)模的錘煉。
截至目前，OceanBase 已服務(wù)超過 400 家金融機構(gòu)，近七成萬億級資產(chǎn)規(guī)模的銀行，將核心系統(tǒng)建在它之上，并連續(xù)二年在中國金融行業(yè)分布式數(shù)據(jù)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(quán)威基準(zhǔn)測試中登頂?shù)臄?shù)據(jù)庫，與全球頂尖產(chǎn)品同臺競技并取得領(lǐng)先，業(yè)務(wù)已覆蓋全球多個國家和地區(qū)。
數(shù)據(jù)不出錯、系統(tǒng)不中斷、故障毫秒恢復(fù)，AI 時代所說的這些“剛需”，在金融級場景中早已錘煉成熟。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后動。
而得益于阿里、螞蟻豐富的前沿 AI 業(yè)務(wù)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(shù)據(jù)庫這條路上有著得天獨厚的優(yōu)勢。其中，螞蟻阿福面向行業(yè)復(fù)雜智能體開發(fā)，靈光則面向大眾提供“一句話生成應(yīng)用”能力，目前已承載 3000 萬個閃應(yīng)用。在積累數(shù)據(jù)的意義之外，這些場景更是 AI 數(shù)據(jù)庫最真實的練兵場。
時至今日，OceanBase 已經(jīng)超越了單一引擎能力的范疇，形成了完整的 AI 數(shù)據(jù)庫產(chǎn)品體系：
OceanBase Lakebase：作為底層引擎，承載湖庫一體與多模態(tài)數(shù)據(jù)能力，讓結(jié)構(gòu)化數(shù)據(jù)、非結(jié)構(gòu)化數(shù)據(jù)和向量數(shù)據(jù)能夠在統(tǒng)一架構(gòu)中被管理、加工、檢索和調(diào)用。
OceanBase DataStudio：運行在 Lakebase 之上的數(shù)據(jù)生產(chǎn)、治理與服務(wù)工作臺，覆蓋數(shù)據(jù)接入、數(shù)據(jù)加工、任務(wù)編排、語義建模、數(shù)據(jù)治理到 Agent 協(xié)作等關(guān)鍵環(huán)節(jié)，幫助企業(yè)把分散的數(shù)據(jù)資產(chǎn)轉(zhuǎn)化為可管理、可理解、可調(diào)用的數(shù)據(jù)服務(wù)。
OceanBase DataPilot：面向經(jīng)營分析和業(yè)務(wù)決策的數(shù)據(jù)智能 Agent，作為統(tǒng)一的企業(yè)業(yè)務(wù)智能入口，讓業(yè)務(wù)人員可以通過自然語言完成分析報告、數(shù)據(jù)看板和可信答案生成，把過去依賴專業(yè)數(shù)據(jù)團隊完成的分析流程，轉(zhuǎn)化為可交互、可追問、可復(fù)用的智能決策能力。
這套產(chǎn)品矩陣覆蓋了從底層數(shù)據(jù)引擎、數(shù)據(jù)生產(chǎn)治理到業(yè)務(wù)智能入口的全部關(guān)鍵環(huán)節(jié)。Lakebase 解決 AI 時代的數(shù)據(jù)底座問題，DataStudio 解決數(shù)據(jù)如何被生產(chǎn)、治理和服務(wù)化，DataPilot 則站在距離一線業(yè)務(wù)人員最近的位置，直接處理人和數(shù)據(jù)智能的銜接。
這里面尤其值得一提的是作為 AI 數(shù)據(jù)庫核心引擎的 OceanBase Lakebase。
傳統(tǒng)數(shù)據(jù)庫引擎的目標(biāo)是高效管理結(jié)構(gòu)化數(shù)據(jù)，并提供可靠的事務(wù)處理和 SQL 查詢。OceanBase Lakebase 則在此基礎(chǔ)上，統(tǒng)一管理結(jié)構(gòu)化、半結(jié)構(gòu)化、非結(jié)構(gòu)化和向量數(shù)據(jù)，讓事務(wù)處理、實時分析、AI 推理和 Agent 應(yīng)用圍繞同一份數(shù)據(jù)協(xié)同運行。這不是在傳統(tǒng)數(shù)據(jù)庫上增加幾個 AI 功能的變化，而是面向 AI 應(yīng)用對數(shù)據(jù)形態(tài)、檢索方式和計算模式全新需求的范式轉(zhuǎn)變。
前面的分析曾經(jīng)提到，支持多模態(tài)數(shù)據(jù)在統(tǒng)一底座上的實時處理，是 AI 數(shù)據(jù)庫需要實現(xiàn)的核心功能之一。但海量非結(jié)構(gòu)化數(shù)據(jù)到底如何真正成為數(shù)據(jù)資產(chǎn)，也是長期困擾企業(yè)的問題之一。
對此，OceanBase Lakebase 提出了多模表和 AI 列的全新設(shè)計。前者讓結(jié)構(gòu)化字段、文本、圖片、音視頻、JSON、LOB、向量等數(shù)據(jù)形態(tài)進入同一張表的語義之下。用戶視角，看到的仍然是一張表，但多模表背后卻可以承載更豐富的數(shù)據(jù)資產(chǎn)，并在同一套治理體系中被檢索、計算和調(diào)用。
多模表之上，AI 列進一步把模型能力引入數(shù)據(jù)處理鏈路。它可以基于原始數(shù)據(jù)生成摘要、標(biāo)簽、特征、向量或其他語義結(jié)果，讓模型理解能力以“列”的形式進入數(shù)據(jù)庫。這樣，企業(yè)不必把數(shù)據(jù)反復(fù)搬出數(shù)據(jù)庫、交給外部模型處理后再寫回，而可以在數(shù)據(jù)原地完成語義加工、向量化、重排與智能生成。這意味著，非結(jié)構(gòu)化數(shù)據(jù)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(diào)用的數(shù)據(jù)資產(chǎn)。
作為 Agent 的記憶系統(tǒng)，OceanBase Lakebase 同樣原生支持面向 Agent 的實時上下文工程，通過統(tǒng)一存儲和檢索 Agent 的記憶、上下文、狀態(tài)與行動記錄，并通過向量、全文、結(jié)構(gòu)化數(shù)據(jù)的混合搜索，為 Agent 提供更準(zhǔn)確的上下文供給。
同時，OceanBase Lakebase 通過數(shù)據(jù)分支、邏輯庫、資源隔離和快速回滾，得以為海量 Agent 應(yīng)用快速創(chuàng)建獨立、安全的數(shù)據(jù)環(huán)境。每個智能體或輕應(yīng)用都可以擁有相互隔離的數(shù)據(jù)空間，在不影響主干數(shù)據(jù)的前提下試錯、運行和演進。這讓 AI 應(yīng)用能夠從驗證階段走向規(guī)模化生產(chǎn)運行。
開放生態(tài)是 OceanBase Lakebase 的另一個關(guān)鍵詞。Agent 時代，企業(yè)的數(shù)據(jù)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(xùn)練和 AI 推理等多種工作負(fù)載。傳統(tǒng)架構(gòu)中，不同系統(tǒng)往往各自維護一份數(shù)據(jù)，需要頻繁進行數(shù)據(jù)同步、復(fù)制和轉(zhuǎn)換，不僅增加了成本，也帶來數(shù)據(jù)延遲、一致性和運維復(fù)雜性等問題。
OceanBase Lakebase 要解決的正是這一痛點。它基于開放式存儲格式與可擴展計算架構(gòu)，支持 S3 兼容對象存儲與 Iceberg 開放表格式，并可對接 Spark、Ray 等計算引擎。不同計算引擎圍繞同一份數(shù)據(jù)和同一份元數(shù)據(jù)協(xié)同工作，各自負(fù)責(zé)擅長的計算任務(wù)，而無需遷移數(shù)據(jù)或重建數(shù)據(jù)底座。此外，當(dāng)數(shù)據(jù)得以避免被綁定在專有平臺，企業(yè)整體的數(shù)據(jù)架構(gòu)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(shù)據(jù)基礎(chǔ)上擴展，這正是 OceanBase Lakebase 作為統(tǒng)一數(shù)據(jù)底座最具潛力的地方。
相比多系統(tǒng)拼裝，OceanBase AI 數(shù)據(jù)庫核心價值遠(yuǎn)不止于少部署幾個系統(tǒng)，而是從架構(gòu)層面減少數(shù)據(jù)冗余、縮短處理鏈路、統(tǒng)一治理口徑，并降低開發(fā)與運維復(fù)雜度。
在 API 價格早已經(jīng)過了幾輪的降價之后，為什么 Agent 在很多企業(yè)中仍然難以真正被用起來，瓶頸就在于 Agent 落地的工程復(fù)雜性，以及與之伴隨的時間、人力和金錢成本。
而當(dāng) OceanBase 提供了一個能夠同時承載事務(wù)處理、實時分析和 AI 工作負(fù)載的一體化系統(tǒng)，也就意味著企業(yè)不必為交易庫、數(shù)倉、搜索引擎、向量庫、數(shù)據(jù)湖分別維護一套鏈路。數(shù)據(jù)只需治理一次、權(quán)限只需定義一次、元數(shù)據(jù)只需維護一套，AI 應(yīng)用就可以在統(tǒng)一底座上獲得可靠、實時、可擴展的數(shù)據(jù)能力。
據(jù)介紹，在相關(guān)場景中，OceanBase AI 數(shù)據(jù)庫可使整體 TCO 降低 30%-50%。這背后不是簡單的成本壓縮，而是 AI 基礎(chǔ)設(shè)施門檻的降低。當(dāng)企業(yè)不必依賴多套系統(tǒng)拼裝復(fù)雜鏈路，AI 應(yīng)用才更容易從試點走向規(guī)模化落地。也只有讓企業(yè)用得起 AI，才有談 AI 普惠的可能。
回過頭來看，每一輪技術(shù)革命真正沉淀下來的，不僅僅有最先引發(fā)關(guān)注的新能力，還有支撐這種能力規(guī)模化普及的基礎(chǔ)設(shè)施。云計算如此，移動互聯(lián)網(wǎng)如此，AI 也不會例外。當(dāng)模型能力之間的差距越發(fā)縮小，能夠讓企業(yè)為之付費的，將不再僅僅是一款模型，而是一套能夠承載數(shù)據(jù)、支撐 Agent、保障業(yè)務(wù)運行的完整基礎(chǔ)設(shè)施。
數(shù)據(jù)庫也在迎來這種歷史轉(zhuǎn)折。移動互聯(lián)網(wǎng)時代的分布式數(shù)據(jù)庫，正在演變?yōu)?Agent 時代的數(shù)據(jù)底座。未來 AI 數(shù)據(jù)庫之間競爭的，也未必是誰擁有更多 AI 功能，而是誰能夠以更低的成本、更高的可靠性和更開放的架構(gòu)，讓 Agent 真正走進企業(yè)核心業(yè)務(wù)。在這幅全新的競爭圖景中，OceanBase 已經(jīng)走得很遠(yuǎn)。
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
