湖库一体，OceanBase 开启AI数据库新时代。
作者丨梁丙鉴
编辑丨马晓宁
AI 的竞争越靠近落地，越展现出其残酷的一面。Benchmark 上几分的得失正变得意义有限，取而代之的，是真金白银的投入产出比。Agent 如何真正读懂业务，模型智能如何在业务端释放出更大的价值，成为了这一阶段竞争最核心的命题。
而一同被推向舞台中央的，还有数据库。
过去，它扮演的角色很简单，本质就是一个长期、安全、可查询的数据存储系统。比如用户在淘宝购物，完成了下单、支付、退款、查物流等一系列操作，最基本的需求就是这些记录不能丢失、不能出错、可查询，以及能支撑高峰期几亿人同时下单的高并发压力。
这就是移动互联网时代数据库的核心能力，围绕着存储和查询，衍生出一致性、并发处理和容灾备份的需求。
但是当 Agent 越发深入地走进生产场景，它们也自然而然地成为了数据库的新用户。Agent 需要实时访问各种结构化和非结构化数据，数据库也从服务于人写 SQL 查数据的存储模块，变成了 Agent 的记忆系统。这个新的角色，意味着数据库在存储之外，还要支撑 RAG（检索增强生成）和实时数据流驱动的 AI。
RAG 场景下，AI 回答问题需要从数据库召回资料再生成回答，没有数据库就等于 AI “失忆”。而实时数据流驱动的 AI，更有赖于毫秒到秒级的用户行为数据实时读取。这两者是今天 Agent 落地最常见的两种场景。
可以说，当我们讨论 Agent 是否已经迈过那条名为“可用”的界限时，数据库的重要程度，并不亚于模型智能水平。
那么 AI 时代，到底需要什么样的数据库？
01
当数据库开始服务 Agent
据 Gartner 预测，到 2028 年，AI Agent 生态系统将能够使多个专业化的智能体在不同企业应用间动态协作。届时，约有三分之一的用户体验将从使用原生应用，转向由 Agent 前端来主导。
数据库是这种转变的一个鲜明代表。当 Agent 成为数据的使用者，对数据库的访问频率将远远高于工程师逐条编写查询。如果人们对 Agent 的需求是是毫秒之间自动完成查询、推理与决策，那么这种压力会直接传导到数据库上。换言之，对 Agent 的想象决定了数据库在 AI 时代面对的是何种需求。
前者在今天已经并不陌生，透过从 OpenClaw 到 Harness 的爆火，能够看到一些一脉相承的东西，比如持续运行、自主调用数据，并通过不断试验完成任务。在这套全新的工作模式中，如何才能让 Agent 把数据物尽其用？
首先是准确的上下文供给。智能体的所有动作，从简单的问答、一次工具调用到长程任务的执行，都可以被拆解为一段上下文加一次模型调用的不断重复。能不能把对的信息，精准地组织成喂给模型的上下文，直接决定了 Agent 的交付质量。来自真实场景的上下文类型杂糅，会议录音、往来文件或者一张匆忙拍下的照片，或许全部结合起来，才构成一条对业务的有效指引。这就要求数据库能在一次检索中，从多种形态的数据中找出最相关的信息。
在诸多上下文中，自然语言作为 Agent 与数据库交互的全新入口，具有着独特的地位，或者说语义层对数据库从未如此重要。从存储模块走向记忆系统的过程中，数据库也在参与 Agent 的推理与决策。因此只有理解了业务，数据库才能真正服务于 Agent 这种高度灵活、主动的应用形态。
Agent 规模的爆发是另一重考验。一种观点认为，Vibe Coding 的尽头是用完即弃的一次性软件。很多证据都指向了这种应用数量的指数级爆发，蚂蚁灵光已有 3000 万个闪应用，妙思在企业内部支撑了上万个应用，每个应用背后，都需要一个独立的数据空间和可操作的数据能力。
值得注意的是，上述每个应用平均仅有百余行数据。这是另一种意义上的数据规模，单个应用数据量并不大，但数据库在爆发式增长。AI 时代数据库面对的局面，就是大部分库在大部分时间都处于沉睡，但极少数需要被访问时，又要做到秒级响应。
一个数据库抗住大规模负载的时代正在远去，眼下的问题，是如何让海量Agent拥有独立数据空间同时以极低成本共存。
最后是自我进化，这种复杂 Agent 的前沿方向，同样体现在了对数据库的需求上。从 skill 开始，Agent 实现自我进化的思路大同小异，都是对既往经验进行总结，识别最佳实践，并在重复执行中完成优化。因此，一个能够让 Agent 反复试验的环境至关重要。数据底座将在很大程度上承担这一任务，随时开辟一个彼此隔离的试验空间，让 Agent 在其中放手尝试，好的实践保留、不行的方案丢弃。
在上述过程中，数据飞轮是一个绕不开的话题。更多的数据，意味着更强的模型、更好的用户体验已经是共识。但追问一步，就会发现这并不是理所当然的结果，至少在数据库层面不是。
事实上，在这个飞轮中同时存在着两种数据。在线数据实时提供给模型以驱动智能体，离线数据被积累下来训练下一代模型。要让这个飞轮真正转起来，在线数据与离线数据、实时计算与批量计算就必然不能长期处于彼此割裂的系统中。
同步发生的另一重变化，是数据形态。一个已经成为现实的共识是，Agent 会最先在数字化水平更高、结构化数据积累更丰富的行业落地。结构化数据因其便于计算的特性，为 Agent 提供了一条在业务场景落地的快车道。但是当落地应用的竞争进一步激化，对非结构化数据的挖掘和利用就成为了必然选择。
这也是 Agent 价值释放的切口。不是简单的存储或索引非结构化数据，而是让它和结构化数据在统一底座上被管理和调用。统一底座上的多模态混合搜索，就是 Agent 对数据库提出的新需求。
02
湖库一体，AI 数据库的终局
至此，下一代数据库的画像已经逐渐清晰。
面向 Agent 的业务负载，决定了下一代数据库首先需要一套统一的数据底座。只有当数据不再被切割、不必在多套系统之间反复搬运，“越用越准”的飞轮才真正成立。
建立统一底座之后，真正需要统一的还有数据本身。结构化、半结构化和非结构化数据，需要在同一体系中完成存储、管理和计算，并支持标量、全文、向量等多种检索方式的混合搜索。只有让跨模态数据在统一语义下组织和调用，数据库才能为 Agent 提供完整、准确的业务上下文，将历史积累的非结构化数据真正转化为可用的业务资产。
更进一步，AI 数据库还需要成为 Agent 原生的数据底座。记忆、上下文、隔离、分支、回滚以及规模化运行等能力，不应依赖多个外部系统拼装，而应成为数据库自身的原生能力。同时，面对企业高度敏感的数据资产，数据库还需要保持开放的存储与计算架构，避免数据被锁定在单一厂商体系中，让企业始终拥有数据主权与架构演进的主动权。
回到 GPT-3.5 的发布，亲历者会记得它彼时带来的轰动，人们相信“一切行业都值得用 AI 重做一遍”。这很容易走向一种开创全新品类的幻觉，但对 AI 数据库来说，事实恰恰相反。Agent 只是改变了它的面向，但过去的设计原则在今天仍然重要。
智能体高度自主的特性决定了它必然会向决策层迈进，这反过来让数据库本身也在从记录事实走向参与决策，因而对数据底座的一致性提出了更高的要求。未来一处错误，一次延迟，都有可能演变成真实的业务事故。为此更需要有超越单纯检索的强一致保障，才能使其胜任 Agent 的在线决策。
可靠的另一重意涵是实时性。数十个小时的长程任务对今天的 Agent 已经不是触不可及，当模型智能水平足以面对这种复杂度的任务目标时，还需要有足够可靠的数据底座支撑。Agent 能全天候运转，数据库能否在脱离运维人员的情况下跑下去？Agent 以毫秒级的速度进行推理和决策，数据库能否跟上这种节奏？
既要保持强一致性与实时性的可靠，为 Agent 挣得一张进入真实业务场景的门票，又要有支持规模扩展的开放架构，以适应 Agent 这种全新的服务形态本身。这是两种南辕北辙的需求吗？
如果把这些需求放在一起看，会发现它们都指向同一种架构，湖库一体。
湖库一体的核心，不是简单把数据湖和数据库放在一起，而是在统一的数据底座上兼顾两者的优势：既拥有数据湖的开放性和海量存储能力，又保留数据库的事务、一致性和实时处理能力。一份数据即可同时支撑在线业务、实时分析和 Agent 应用，无需在多个系统之间重复同步和搬运。
站在 Agent 的需求上回看，这几乎是为 AI 数据库量身定做的架构。Agent 同时依赖结构化数据、非结构化数据和向量数据，也需要在线事务、实时分析和 RAG 检索协同工作。统一的数据底座既减少了重复存储和数据同步，也降低了构建 RAG、企业知识库和 Agent 应用的整体成本。
不过，走向湖库一体并不只有一种路径。有人从数据湖出发，补齐数据库能力，有人从搜索出发，扩展向量和结构化数据处理能力。这些路径各有侧重，也分别解决了开放存储或智能检索的问题。
但是当 Agent 走进真实业务场景，找得到或存得住都远远不足以概括数据底座面对的全部挑战。它还需要强一致的数据事务、严格的权限体系、可信的数据版本、稳定的实时能力，以及能够长期演进的工程架构。真正的数据底座，需要同时满足这些要求，而不是分别优化某一项能力。
也正因为如此，OceanBase 提出了另一种可能。从数据库内核出发，把已经在核心交易场景中验证过的事务一致性、高可用、实时处理和弹性扩展能力，进一步延伸到湖、非结构化数据和多模态数据之上。
这也是它区别于前面两种选择的地方。相比把\"湖\"和\"库\"简单组合，OceanBase 希望以数据库内核作为统一基础，让事务能力与开放存储、多模态数据和 AI 计算在同一架构中协同运行，真正实现“湖库一体”，而不是系统拼装。
你能从这种统一架构设计的背后看到不俗的野心，它指向的并不仅仅是 AI 时代一席数据库市场，而是某种堪称 Agent 数据底座的战略卡位。当 Agent 成为企业应用的新入口后，OceanBase 的目标并非提供更多 AI 功能，而是降低 Agent 落地过程中数据同步、系统拼装和治理带来的巨大工程成本。
回到今天 Agent 落地的真实困境，就会看到 OceanBase 这一战略判断尖锐的一面。眼下限制 AI 价值兑现的越来越不是模型能力，而是数据基础设施。API 价格持续下降，但企业部署 Agent 依然昂贵，成本就产生在多套数据系统、复杂的数据链路和治理体系的摩擦中。谁能够把这些复杂性收敛到统一的数据底座，谁就更有机会成为企业 Agent 时代的基础设施提供者。
从这个意义上看，OceanBase 试图重新定义数据库的竞争维度。未来竞争的不再是谁拥有更强的数据库能力，而是谁能够成为 Agent 时代真正的 Memory Runtime。如果这一判断成立，数据库将在 AI 产业链中重新回到核心位置，而 OceanBase 的角色，也将从数据库厂商进一步演变为 Agent 时代的数据操作系统。
03
OceanBase 想做 Agent 时代的数据底座
算力、模型和数据，在 AI 的三要素中，数据库占据了尤为核心的地位。可以说，谁能更好地连接和治理企业核心数据，谁就更有机会在 AI 应用落地中占据关键位置。今天能兑现的商业价值，明天通向 AGI 的想象空间，都在这里了。
诸多因素的叠加之下，数据库在 Agent 落地的角逐中成为了一片兵家必争之地。业内的竞争逐步激化，上下游厂商同样虎视眈眈。狭路相逢，此时站出来试图定义 AI 数据库这种全新形态的 OceanBase，却也不是无名之辈。
对数据库行业了解不多的读者或许没有听过这家公司的名字，但对“双十一”一定并不陌生。OceanBase 的诞生就和这场全球规模最大的线上购物狂欢节紧密相连。
2010 年前后，阿里业务的高速增长，特别是“双十一”带来了爆炸性的数据增长和高并发请求。以 IBM 小型机、Oracle 数据库、EMC 存储为核心的传统 IOE 架构成本高昂且扩展性有限，已经难以满足“双十一”的潜在需求。
OceanBase 最初就是为此而生。从 2014 年承接 10％ 交易流量，到两年后的全面接管，承载了支付宝 100％的核心业务流量，包括交易、支付、会员和最关键的账务库。今天在 OceanBase 身上能看到的分布式关系数据库、高并发交易、分析支持、强一致性、可水平扩展等基因，都是在这一时期奠定。
值得注意的是，OceanBase 的起点正是对数据库可靠性要求最为严苛的金融领域。在诞生之后的十五年中，又进一步经历了大规模的锤炼。
截至目前，OceanBase 已服务超过 400 家金融机构，近七成万亿级资产规模的银行，将核心系统建在它之上，并连续二年在中国金融行业本地部署市场中份额排名第一。同时，它也是迄今唯一同时在 TPC-C、TPC-H 两项国际权威基准测试中登顶的数据库，与全球顶尖产品同台竞技并取得领先，业务已覆盖全球多个国家和地区。
数据不出错、系统不中断、故障毫秒恢复，AI 时代所说的这些“刚需”，在金融级场景中早已锤炼成熟。把这套能力延伸到“湖”，对 OceanBase 而言，是有着十五年积累的谋定而后动。
而得益于阿里、蚂蚁丰富的前沿 AI 业务场景，如支付宝的 AI 支付、蚂蚁阿福、灵光、淘宝 AI 购物助理，以及通义千问、高德、飞猪等，OceanBase 在定义 AI 数据库这条路上有着得天独厚的优势。其中，蚂蚁阿福面向行业复杂智能体开发，灵光则面向大众提供“一句话生成应用”能力，目前已承载 3000 万个闪应用。在积累数据的意义之外，这些场景更是 AI 数据库最真实的练兵场。
时至今日，OceanBase 已经超越了单一引擎能力的范畴，形成了完整的 AI 数据库产品体系：
OceanBase Lakebase：作为底层引擎，承载湖库一体与多模态数据能力，让结构化数据、非结构化数据和向量数据能够在统一架构中被管理、加工、检索和调用。
OceanBase DataStudio：运行在 Lakebase 之上的数据生产、治理与服务工作台，覆盖数据接入、数据加工、任务编排、语义建模、数据治理到 Agent 协作等关键环节，帮助企业把分散的数据资产转化为可管理、可理解、可调用的数据服务。
OceanBase DataPilot：面向经营分析和业务决策的数据智能 Agent，作为统一的企业业务智能入口，让业务人员可以通过自然语言完成分析报告、数据看板和可信答案生成，把过去依赖专业数据团队完成的分析流程，转化为可交互、可追问、可复用的智能决策能力。
这套产品矩阵覆盖了从底层数据引擎、数据生产治理到业务智能入口的全部关键环节。Lakebase 解决 AI 时代的数据底座问题，DataStudio 解决数据如何被生产、治理和服务化，DataPilot 则站在距离一线业务人员最近的位置，直接处理人和数据智能的衔接。
这里面尤其值得一提的是作为 AI 数据库核心引擎的 OceanBase Lakebase。
传统数据库引擎的目标是高效管理结构化数据，并提供可靠的事务处理和 SQL 查询。OceanBase Lakebase 则在此基础上，统一管理结构化、半结构化、非结构化和向量数据，让事务处理、实时分析、AI 推理和 Agent 应用围绕同一份数据协同运行。这不是在传统数据库上增加几个 AI 功能的变化，而是面向 AI 应用对数据形态、检索方式和计算模式全新需求的范式转变。
前面的分析曾经提到，支持多模态数据在统一底座上的实时处理，是 AI 数据库需要实现的核心功能之一。但海量非结构化数据到底如何真正成为数据资产，也是长期困扰企业的问题之一。
对此，OceanBase Lakebase 提出了多模表和 AI 列的全新设计。前者让结构化字段、文本、图片、音视频、JSON、LOB、向量等数据形态进入同一张表的语义之下。用户视角，看到的仍然是一张表，但多模表背后却可以承载更丰富的数据资产，并在同一套治理体系中被检索、计算和调用。
多模表之上，AI 列进一步把模型能力引入数据处理链路。它可以基于原始数据生成摘要、标签、特征、向量或其他语义结果，让模型理解能力以“列”的形式进入数据库。这样，企业不必把数据反复搬出数据库、交给外部模型处理后再写回，而可以在数据原地完成语义加工、向量化、重排与智能生成。这意味着，非结构化数据不再只是“被存下来的文件”，而成为可搜索、可计算、可治理、可被 Agent 安全调用的数据资产。
作为 Agent 的记忆系统，OceanBase Lakebase 同样原生支持面向 Agent 的实时上下文工程，通过统一存储和检索 Agent 的记忆、上下文、状态与行动记录，并通过向量、全文、结构化数据的混合搜索，为 Agent 提供更准确的上下文供给。
同时，OceanBase Lakebase 通过数据分支、逻辑库、资源隔离和快速回滚，得以为海量 Agent 应用快速创建独立、安全的数据环境。每个智能体或轻应用都可以拥有相互隔离的数据空间，在不影响主干数据的前提下试错、运行和演进。这让 AI 应用能够从验证阶段走向规模化生产运行。
开放生态是 OceanBase Lakebase 的另一个关键词。Agent 时代，企业的数据处理不再依赖单一计算引擎，而是同时涉及在线交易、实时分析、全文检索、向量搜索、模型训练和 AI 推理等多种工作负载。传统架构中，不同系统往往各自维护一份数据，需要频繁进行数据同步、复制和转换，不仅增加了成本，也带来数据延迟、一致性和运维复杂性等问题。
OceanBase Lakebase 要解决的正是这一痛点。它基于开放式存储格式与可扩展计算架构，支持 S3 兼容对象存储与 Iceberg 开放表格式，并可对接 Spark、Ray 等计算引擎。不同计算引擎围绕同一份数据和同一份元数据协同工作，各自负责擅长的计算任务，而无需迁移数据或重建数据底座。此外，当数据得以避免被绑定在专有平台，企业整体的数据架构便也保持了开放和演进的可能，未来新的计算引擎也可以在同一数据基础上扩展，这正是 OceanBase Lakebase 作为统一数据底座最具潜力的地方。
相比多系统拼装，OceanBase AI 数据库核心价值远不止于少部署几个系统，而是从架构层面减少数据冗余、缩短处理链路、统一治理口径，并降低开发与运维复杂度。
在 API 价格早已经过了几轮的降价之后，为什么 Agent 在很多企业中仍然难以真正被用起来，瓶颈就在于 Agent 落地的工程复杂性，以及与之伴随的时间、人力和金钱成本。
而当 OceanBase 提供了一个能够同时承载事务处理、实时分析和 AI 工作负载的一体化系统，也就意味着企业不必为交易库、数仓、搜索引擎、向量库、数据湖分别维护一套链路。数据只需治理一次、权限只需定义一次、元数据只需维护一套，AI 应用就可以在统一底座上获得可靠、实时、可扩展的数据能力。
据介绍，在相关场景中，OceanBase AI 数据库可使整体 TCO 降低 30%-50%。这背后不是简单的成本压缩，而是 AI 基础设施门槛的降低。当企业不必依赖多套系统拼装复杂链路，AI 应用才更容易从试点走向规模化落地。也只有让企业用得起 AI，才有谈 AI 普惠的可能。
回过头来看，每一轮技术革命真正沉淀下来的，不仅仅有最先引发关注的新能力，还有支撑这种能力规模化普及的基础设施。云计算如此，移动互联网如此，AI 也不会例外。当模型能力之间的差距越发缩小，能够让企业为之付费的，将不再仅仅是一款模型，而是一套能够承载数据、支撑 Agent、保障业务运行的完整基础设施。
数据库也在迎来这种历史转折。移动互联网时代的分布式数据库，正在演变为 Agent 时代的数据底座。未来 AI 数据库之间竞争的，也未必是谁拥有更多 AI 功能，而是谁能够以更低的成本、更高的可靠性和更开放的架构，让 Agent 真正走进企业核心业务。在这幅全新的竞争图景中，OceanBase 已经走得很远。
未经「AI科技评论」授权，严禁以任何方式在网页、论坛、社区进行转载！
公众号转载请先在「AI科技评论」后台留言取得授权，转载时需标注来源并插入本公众号名片。
倍顺网提示：文章来自网络，不代表本站观点。
