07 月 24-25 日，飞轮科技 将出席 DataFun 举办的「Agentic AI Summit 超级智能体系统架构峰会·深圳站」，并邀请 飞轮科技首席执行官、Apache Doris 创始人马如悦老师在「面向 Agent 的数据架构」论坛，分享「Agent Native 数据基础设施：让数据库成为 Agent 的第一等公民」，本次分享将基于 SelectDB 在 Agent 场景的规模化实践，系统阐述「极速、统一、Agent Native 与 Cloud 弹性」四位一体的 Agent 数据基座方案。
详细介绍：
马如悦 北京飞轮数据科技有限公司 CEO
个人介绍：飞轮科技首席执行官、Apache Doris 创始人，前百度杰出架构师（T10），先后担任过百度分布式计算团队、大数据工程团队和 AI 产品工程团队的技术负责人。2013 年领导设计和开发了实时数仓 Doris 并在以后一直担任其总负责人，2023 年起担任飞轮科技 CEO。
分享时间：07 月 24 日 14:55 - 15:40
演讲主题：Agent Native 数据基础设施：让数据库成为 Agent 的第一等公民
内容介绍：Agent 正从实验走向生产，数据分析基础设施面临四大根本性挑战：一轮推理触发数十次查询、延迟被十倍放大；结构化与非结构化数据割裂于多套系统，协同成本居高不下；Agent 难以理解企业业务语义，Text-to-SQL 准确率瓶颈显著；Prompt、Tool Call、Trace 等运行数据爆发增长，可观测性成为盲区。本次分享基于 SelectDB 在 Agent 场景的规模化实践，系统阐述「极速、统一、Agent Native 与 Cloud 弹性」四位一体的 Agent 数据基座方案：通过 MCP Server + 语义层让 Agent 真正理解业务；通过多模统一引擎打破数据孤岛；通过 Litefuse 开源平台构建从 Trace 采集到效果评估的完整闭环。实测存储节省最高 88%，文本检索性能提升 5～10 倍。
演讲提纲：
一、背景：为什么 Agent 需要「新的」数据基础设施
- 角色变化：Agent 既是数据消费者（频繁查询），也是数据生产者（大量 Trace / Prompt / Token）
- 本质挑战：
- 查询延迟被 10~50 倍放大，亚秒级从"优化"变为"底线"
- 多模数据（结构化 / JSON / 全文 / 向量）被多套系统割裂
- 语义鸿沟：Agent 能生成 SQL，但无法理解用户业务
- 可观测性缺失：Agent 决策过程是黑盒，幻觉与错误工具调用无法追溯
- 核心命题：数据库必须从"Machine-Readable"演进为"Agent-Ready"
二、方案选型：SelectDB Agent Native 能力全景
- 极速引擎：ClickBench / TPC-H / TPC-DS 基准表现；单次查询亚秒级，支撑 Agent 多轮推理链路
- 统一引擎：「One Engine, All Data」— 结构化 + 半结构化 + 全文 + 向量原生混合检索，告别多系统协同
- Agent Native：
- MCP Server：直连 Claude Code / Codex / Cursor 等主流 Agent
- 语义层：统一定义指标、维度与业务逻辑，从"写 SQL"到"理解业务"
- CLI + Skill：将容量规划、表设计校验、慢查询诊断沉淀为可执行工作流，实现智能运维（AIOps）
- Agent Observability：
- Litefuse 开源平台：Trace 采集 → 存储 → 分析 → 评估一体化
- 兼容 Langfuse SDK，适配 100+ AI 生态组件（LangChain / Dify / OpenAI SDK 等）
- Cloud 弹性：存算分离 + 秒级弹性扩缩容 + 按量计费（阿里云 SelectDB Serverless 已商业化）
三、落地挑战与解决思路
- 延迟放大：Agent 单次问答触发数十次查询，延迟放大 10~50 倍 → 极速引擎 + 自适应优化，确保亚秒级响应
- 数据割裂：结构化、JSON、全文、向量分散在多套系统，协同成本高 → 单引擎统一管理，原生混合检索，One Engine, All Data
- 语义鸿沟：Agent 能写 SQL 但不理解业务口径 → 语义层定义指标/维度 + MCP Server，先理解业务再生成查询
- 决策黑盒：幻觉与错误工具调用难以追溯 → Litefuse 开源平台，Trace 采集→存储→分析→评估全链路闭环
- 负载突发：推理高峰瞬间拉爆资源 → 存算分离 + 秒级弹性 + 按量付费（Serverless ）
- 案例：阶跃星辰基于 SelectDB 构建 Agent Trace 平台，从运行观测到效果评估的数据闭环
四、未来规划
- Agentic Analytics：从「人问数据」到「Agent 自主分析」的演进
- 生态扩展：MCP 协议标准化 + 社区 Skill 市场
- 开源共建：Litefuse 社区路线图
五、总结
- 数据库的下一站：从「分析引擎」到「Agent 实时分析引擎」
- 极速是底线，统一是基础，Agent Native 是核心，可观测是保障
- 让数据不再只是给人看的，更是给 Agent 用的——Agent-Centric Data Platform