Agent Native 数据基础设施：让数据库成为 Agent 的第一等公民

01
下一代分析：Real-time × Agentic

传统数据分析主要服务三类场景：面向客户的在线数据产品、企业内部的数仓分析，以及由日志、指标和链路构成的可观测分析。进入 Agent 时代，这些能力被重新组织进一条自动化链路：用户以自然语言提出问题，Agent 自动识别意图、寻找数据、生成查询、分析结果，并根据中间结果继续下钻。

模型能力可以采购，但每家企业的数据、指标口径、业务关系和历史经验并不相同。结构化数据需要通过实时分析数据库交给 Agent，非结构化数据则需要以知识库等形式完成产品化。对自主数据进行实时分析，并把结果准确传递给 Agent，正在成为新的核心生产力。

面向这一变化，实时分析数据库需要同时满足三项要求：极速实时、极致性价比和多模统一。前者保证多轮推理链路不中断，第二项承接不可预测的计算负载，第三项让 Agent 能在统一入口中访问表、湖、JSON、文本和向量数据。

02
极速实时：亚秒级响应不是优化，而是底线

在传统 BI 场景中，查询慢几秒往往只是体验差异；在 Agent 场景中，延迟会被连续查询迅速放大。一次提问可能触发 5～15 条 SQL，复杂对话甚至产生 50 条以上查询，端到端延迟可能被放大 10～50 倍。随着追问轮次增加，数据库承受的查询量也可能达到传统场景的 10～100 倍。

例如，用户询问“旗舰机卖得如何”，Agent 需要先确认产品范围和时间周期，再查询销售额、销量、区域、渠道和历史对比，并根据结果决定是否继续下钻。任何一条查询变慢，都会阻塞后续推理。移动端分析又把数据查询带入出差、登机和会议间隙，过去尚可接受的分钟级响应，在连续交互中已经难以满足需求。

快手的统一 OLAP 底座承载百 PB 级数据、200 多个集群和日均 20 亿次以上查询，覆盖商业化、电商等多条业务线。另一家全球 Top-5 Web3 业务需要处理日均约 100 亿美元交易量，峰值达到 5000 QPS，交易排序场景 P95 查询延迟为 30 毫秒，原本约 30 分钟的 Spark 任务缩短至 3～5 分钟。实时性的价值已经从“报表更快”转变为“让 Agent 的整条推理链路保持连续”。

03
极致性价比：用 Serverless 承接不可预测负载

传统 BI 负载通常具有固定规律，可以围绕日报、周报和早晚高峰预留资源。Agent 负载则高度随机：一次追问可能触发数十条复杂程度不同的查询，瞬时峰值可能达到平时的 10～100 倍。随着更多历史数据、日志和交互轨迹被纳入分析，数据量与分析量还可能同步增长 10～100 倍。

如果继续为峰值配置固定集群，大部分时间都会产生严重的资源闲置。Cloud Native 与 Serverless 通过存算分离让计算和存储独立伸缩，通过秒级弹性在高峰扩容、低谷缩容，通过按量计费减少 Ad-Hoc 查询浪费，并把团队从容量规划和集群运维中释放出来。阿里云 SelectDB Serverless 已于 2026 年 3 月正式商业化。

收钱吧的门店规模保持年增长 50%，原有架构在高峰过后存在约 60% 的算力闲置。迁移到弹性架构后，算力成本下降 32% 以上，运维成本下降 83%，查询性能提升 80% 以上。MiniMax 的日志与 Agent 可观测数据达到 PB 级，迁移到存算分离架构后，扩容缩短至分钟级，计算资源下降 40%，热存储下降 50%，P95 查询时间低于 3 秒。Serverless 的核心价值不是降低单次查询价格，而是适应 Agent 负载的随机性和突发性。

04
多模统一：让一条 SQL 跨越数据边界

Agent 面对的不是单一结构化表，而是业务表、动态 JSON、文本、向量和湖上数据共同构成的业务世界。统一引擎首先要打破内表与外表的边界：既能查询高性能内部表，也能直接访问 Iceberg、Hive、Paimon 等湖上数据，MySQL、PostgreSQL 等关系库，以及 S3、HDFS 等对象存储。

第二层统一来自数据类型。Agent 的 Prompt、模型响应、工具参数和运行状态大量以 JSON 保存，Schema 还会持续变化；文本需要全文检索，语义内容需要向量召回。理想形态是用一条 SQL 同时完成结构化过滤、全文搜索、向量检索和跨源查询，而不是为每类数据维护独立系统。

洋钱罐通过 SelectDB Hive Catalog 直连数据湖，在无需搬迁数据的情况下保持 98% 的 Hive SQL 兼容，P95 响应时间从 300 秒降至 20 秒。HubSpot 原本使用 Elasticsearch 处理 JSON 与搜索、使用 Snowflake 承担结构化分析，统一后可在同一引擎中完成搜索与分析。VARIANT 类型能够按实际数据抽取子列，支持超过 10000 个子列的动态 JSON，并把全文检索、向量检索和 Iceberg 湖上查询组合到一条 SQL 中。

在交付形态上，SelectDB 提供三类选择：全托管、多云原生的 SelectDB Cloud；可部署在物理机、虚拟机或 K8s 上的 SelectDB Enterprise；以及与阿里云生态深度集成的阿里云 SelectDB。不同形态对应 SaaS、BYOC 和私有化等不同部署与合规需求。

05
Litefuse：让 Agent 运行过程可观测、可评估

传统软件系统具有较强确定性，同样输入通常产生同样输出；Agent 系统则是概率性的，相同输入可能得到不同结果，执行过程中还会出现模型幻觉、路径规划错误、工具调用失败和记忆腐化。仅靠人工“点一点”无法判断 Agent 是否可靠，必须把 Trace、测试集、回归集和评估流程系统化。

Litefuse 基于 Langfuse 与 SelectDB 构建，通过 SDK 或 OpenTelemetry 采集 Trace，记录模型请求、工具调用、子任务、延迟与 Token 消耗，并支持调用链检索、可视化、性能和成本分析。在评估侧，平台可以管理离线测试集，把线上 Trace 回流为评测样本，并结合人工标注、大模型评分或程序规则完成自动评估，使 Evaluation-Driven Development 成为可持续的工程流程。

Agent Trace 天然具有 Free Schema、稀疏多列和大字段等特点。VARIANT 可以存储合法 JSON，自动抽取字段并推断类型，再以子列方式进行列式存储，在保留动态 Schema 灵活性的同时提高压缩率和分析效率。该架构能够把存储成本降低 88%，将原有 6 个进程收敛为 1 个进程，并把文本检索性能提升 5～10 倍。

阶跃星辰基于 SelectDB 构建 Agent Trace 观测体系。Trace 记录的是从 Prompt、推理、工具调用到子 Agent 协作的完整决策过程，具有高并发、高基数和半结构化特征。VARIANT 承载动态 metadata，Unique Key 支持状态补齐，倒排索引加速 trace_id 与文本检索，异步物化视图沉淀多维指标，Workload Group 则隔离实时写入、明细钻取和 BI 看板等混合负载。失败样本还可以回流到 Eval、Dataset 和回归集，形成评测闭环。

MiniMax 早期使用 Loki 构建日志系统，随后迁移到基于 Doris 的新架构，数据规模达到数 PB，写入达到数十 GB/s，查询保持秒级响应。SQL 查询、向量化执行、倒排索引、列式存储与 ZSTD 压缩共同带来 2 倍查询性能、5 倍写入吞吐和 80% 存储成本下降，同时通过资源隔离、大查询限制和内存管理提升稳定性。

06
Agentic Analytics：语义层决定分析是否可信

Agent 能生成 SQL，并不意味着它理解企业业务。“活跃客户”可能指 30 天内有交易的客户，也可能指 7 天内打开过 App 的用户；“流失率”可能按账户、用户或设备计算；同一个“毛利”在销售和财务部门也可能采用不同口径。仅凭表名和字段名，模型无法自行判断该使用哪套定义，也难以发现跨表、跨源的数据关联关系。

Text-to-SQL 的难点不只是生成语法正确的 SQL，而是验证结果是否正确。即使整体准确率达到 90%，企业仍无法确认当前查询是否恰好落入错误的 10%。代码可以通过测试用例立即获得反馈，分析结果却往往缺少确定的验证机制。

Agentic Analytics 通过“语义层 + MCP Server"补上这一缺口。语义层统一定义指标、维度、关系和业务口径，让 Agent 查询经过治理的业务指标，而不是直接面对裸表；MCP Server 则向 Claude、Codex、Cursor 或企业自建 Agent 提供统一的数据发现、Schema 查询、语义检索和 SQL 执行接口。数据库由此不再只是保存数据，而是同时提供业务语义、验证基础和可执行的数据能力。

结语

Agent 时代并不要求数据库凭空增加一个孤立的新特性，而是把原有能力推向更高标准：查询必须更快，因为一次提问背后是连续的多步访问；架构必须更具弹性，因为数据量和查询量大幅增长，负载却难以预测；数据必须更加统一，因为 Agent 需要同时访问表、湖、JSON、文本和向量；分析过程还必须可观测、可评估，并受到业务语义约束。

当极速实时、极致性价比、多模统一、可观测评估与语义治理形成闭环，数据库就不再只是 Agent 背后的存储组件，而会成为其理解企业数据、验证分析结果并持续执行任务的第一等公民。

分享嘉宾

INTRODUCTION

马如悦

北京飞轮数据科技有限公司

CEO

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。

点个在看你最好看

SPRING HAS ARRIVED