先说结论

云栖大会 2026 的「为 Agent 重构数据库：Agentic Database 的架构与实践」专场（9 月 23 日，liveId 255923）给出了一个比「数据库+AI」激进得多的判断：数据库的设计前提已经变了，因为它的用户第一次不再是人。开场讲者、阿里云数据库产品管理与技术架构部负责人王远（花名金璇）的原话是「数据库绝对不会只做数据容器」[0-1080s]——它要变成支撑 Agent 运行的企业级底座。围绕这个判断，RDS、PolarDB、PolarDB-X、AnalyticDB、灵动（Lindorm）、MongoDB 六大产品轮番登场，海尔盈康一生、一点天下、南京万城、A.O.史密斯、岚图汽车五家客户用真实数字背书：451 个自然语言开发的应用、9 万个被拉起的实例、95% 的声纹识别准确率、300 万 TPS 的车云数据吞吐。真正值得记住的不是任何单一功能，而是一条贯穿全场的逻辑链：当负载从「人的固定操作」变成「Agent 的探索性试错」，数据库的核心竞争力就变成了三件事——把试错成本打到近零、把企业语义变成可计算资产、把 Agent 的每一分 token 花销变成可观测的账单。

一个前提变了：数据库的用户第一次不是人

这场论坛最锋利的一句话来自王远的开场[0-1080s]：大模型可以让 Agent 更聪明，但对企业管理级应用来讲，「数据才能让 Agent 更专业」。他打了个比方——只有聪明的大模型而没有数据，Agent 就像一个特别牛的清北或 985 毕业生，永远没办法在企业里第一时间做出让企业满意的结果。这解释了为什么数据库厂商要在这个时点集体转向：模型层的能力竞赛已经卷不动差异化，数据层成了 Agent 生产化的瓶颈。

王远抛出的三个「设计前提变化」值得逐条拆开。第一，用户从开发者变成 Agent：人只是完成开发，Agent 要完成真正的业务动作，数据库承载的任务复杂度、数量、频率全部变化，原来针对「数据访问管理存取」的负载设计前提不存在了。第二，工作模式从固定变探索：开发者会把访问抽象建模成点查、复杂分析、ad hoc 查询，而 Agent 接到的任务多变，「有些数据 Agent 也不知道改动它会发生什么」，所以数据库必须提供快速试错回滚能力，而且要以更低成本支撑海量 Agent 并行试错。第三，数据库的边界扩展：既然 Agent 离不开数据但运行又不能只靠数据，存储、计算、记忆、接口四层都要重做。他的终局愿景是「Agent 加 DB 就能完成所有的工作」——Agent 运行时不再需要拉起外围 sandbox、再去文件系统里读历史信息。

两个细节能看出这场转向的深度。一个是接口层：王远提醒听众，SQL 的 S 全称是 Structured（Structured Query Language），这门语言在定义时就面向结构化数据，而 Agent 时代的数据库里都是多模数据，「SQL 显然是不够用的」——未来的接口要支持 KV、文档、文件系统甚至自然语言，「Agent 要怎么访问数据，你就应该提供什么样的接口」[600-720s]。另一个是使用形态：他认为如果 Agentic Database 真正实现，「我们不再会需要像 Navicat、DataGrip、DBViewer 这种东西」，甚至「所有的云数据库都不需要控制台了」，数据库本身会变成一个 Agent，用户直接与 database agent 交互[600-720s]。这两点目前还是愿景而非交付，但它们定义了后面所有产品演讲的坐标系。

把试错成本打到近零：分支、秒级启停与 0.1 核计费

如果说王远给了哲学，RDS 产品专家王阔的演讲就是这套哲学在商业上的第一份答卷。节目称，RDS PG 过去一年实例量涨了四倍（前一天主论坛由数据库负责人 Jimmy 披露），其中绝大多数贡献来自 RDS Supabase，云上已保有超过 15 万个实例[960-1080s]；阿里云官方文档确认 RDS Supabase 是 RDS PostgreSQL 提供的全托管 Supabase 服务。王阔对产品定位的表述很有意思：去年云栖发布时他们的理论还是「减少大模型依赖以降低幻觉」，一年过去基模进化太快（他点名 Kimi、智谱、通义），「再谈幻觉有点初级了」，今年行业的关键词是 Harness（受控编排）——Supabase 就是 DB 层的一个 Harness 实践[1080-1200s]。

支撑 15 万实例的三个能力全部指向成本。第一是数据库分支（database branching）：Agent 的探索性工作需要「不同时间段提供不同库表」，RDS 基于高性能云盘快照克隆分支，王阔称因为分支只依赖盘的状态，比业界（转写疑似指 Neon 这类方案）能支持更多分支实例数、成本更低，还能自动做 DDL 合并——这恰是 Agent 目前很难自己完成的事[1440-1560s]。他还观察到一个反常识变化：过去数据库 DML 远多于 DDL，PG 的元数据围绕 OID 存储没人关心；今天 Agent 要理解一个不是它开发的应用，最直观的入口就是库表定义，DDL 的重要性被抬到了前所未有的位置。第二是 3 秒唤醒：Agent 应用生命周期不可预测，大量应用处于休眠态又可能被突然唤醒，RDS 做到不管何时休眠都能 3 秒内恢复，配合 14 天冷热池——超过 14 天无访问的应用转入只保留备份的冷存[1560-1680s]。第三是多租共享：一个大 PG 实例可以开出超过 1000 个 Supabase，每个带独立鉴权与存储，底层共享，分支时直接把项目克隆到实例的其他分支上[1800-1920s]。

PolarDB 资深产品专家贾新华把同一套逻辑推到了更细的粒度[3360-3720s]。他引用小鹏汽车的场景：5000 个员工每人一个 Agent、每个 Agent 一个数据库，哪怕每个只要两核就是一万核——这是成本与即时响应的平衡问题。PolarDB 的答案是把 Serverless 与热启动技术结合：创建数据库 P99 从人用的 1-5 分钟压到 3 秒；非活跃时段计算资源完全释放、完全不收费，搜索到来时 P99 100 毫秒内拉起 CPU 开始执行；计费粒度从 0.5 PCU 细化到 0.1 PCU。Branch 能力同样对标 Git：主数据上 3 秒建一个分支，可以同时建 5 个分支让 Agent 各试一个解决方案，选最好的那个应用到主分支，其余放弃。

这套「近零试错成本」设施的直接后果，是应用数量的爆炸和采用曲线的变形。王阔举了「妙物」的例子：基于 RDS Supabase 构建，已拉起超过 9 万个实例[2280-2400s]。客户侧的证据更生动——海尔盈康一生智能基础设施与 AI 平台负责人董瑞龙说，他们把「一句话生成应用」的能力放进约 30 人的高级用户群做冷启动，下班前演示了一次，「第二天上午已经出现了人传人的现象」[2520-2640s]。截至目前海尔内部已有 451 个 AI 原生应用，100% 自然语言开发，效率提升不止十倍，覆盖一万多名员工[2760-2880s]；用户复刻了用于生产的 WMS、模具查询、3D 空间设计。董瑞龙用「快、稳、省」三个字总结，其中「稳」的案例堪称 Agent 时代的经典事故：有业务用户让 AI 写一个导入功能，AI 的实现是「先删除再导入」，导致生产数据全部被删——最终靠 RDS 的秒级 PITR 恢复[2640-2760s]。这个案例把上一节的哲学落到了地面：Agent 一定会犯人不会犯的错，数据底座的回滚能力就是企业敢放手的全部前提。

PolarDB-X 产品经理宋日杰则把这个方向推到「零门槛」的字面意义：PolarDB-X Zero 做了一个项目网站，让 Agent 不登录控制台、直接与大模型对话就能获取服务——「三十秒从零获取一个数据库」，一句话拿到一个 MySQL 兼容、支持向量的库，失效前可导出或转正式实例[5400-5520s]。交付方式本身 agent 化了：原本需要「交付给 Agent 的服务」变成「让 Agent 主动获取」。

语义层：Agent 时代最贵的新资产

如果说弹性与试错是这场重构的「力学」，语义层就是它的「化学」。王阔讲了一个一词多义的例子：P7 在阿里代表职级，在小鹏代表 P7 这款车；理想的 L9 在内部是车型，还分 24 款、25 款（转写疑似还有「李维斯款」等衍生说法）[2040-2160s]。Agent 执行任务时一定会撞上这种语义歧义，解法是在数据库里建语义层——他们把 ontology 概念（王阔称由某数据公司带火，转写疑似指 Palantir）引入数据库，用对象之间的关联消歧，比如一张车型表与年份关联，就能区分客户问的 L9 到底指什么。语义层之下是「多 data source」设计：底层数据可以指向数仓、HBase、文档、开放系统 API 甚至 Kafka，数据库只负责语义层本身[2160-2280s]。他用一个新能源汽车客户的案例说明价值：问一个车型的毛利率看似简单，实际一辆车有两万多个零部件、每个零部件还有不同供应商，靠语义层对进销存系统下钻，老板在飞书或钉钉的 IM 对话框里就能得到答案[2160-2280s]。语义会持续漂移，所以平台支持配置 bad case、随 Agent skill 迭代做持续闭环。

语义资产化的另一面是「组织知识不再随人流失」。一点天下（出海数字营销公司，服务超一万家客户）高级架构师左全的分享几乎是这个命题的教科书[3720-4680s]。他们的痛点是「问题解决了，过程却消失了」：业务专家看到指标异常能立刻知道用什么口径、拆什么数据，但方法论没有留下来，下一个同事从零开始。他们构建的 Cortex AI 从 AI 助手演进为组织能力平台，单一 Agent 上已跑着 600 多个生产级 skill，skill 运行成功率稳定在 95% 以上[4320-4440s]。左全的核心判断是：技术组件只解决「能力是否接进来」，组织机制才是让能力产生持续复利的关键。所以 Cortex 围绕 skill 做了完整的治理——多维画像（输入、输出、数据源边界）、相似度检测（用户创建时多路召回给出复用建议，因为 skill 曾爆炸到几千个）、失败留痕（高风险工具触发 human-in-the-loop 弹窗并永久入库由管理员裁决、bad case 固化为回归样本在下次发布时重跑验证退化）[4440-4560s]。他们还在 PolarDB 上构建了决策、程序、语义等四层长期记忆（转写疑似依托 PolarDB 记忆服务）。开场那个问题——「一个 Agent 拥有六百多个 skill，它是组织能力还是待治理的资产」——答案显然是后者。

王远在开场就把这层意思说透了：Agentic Database 要从传统的 ER 建模、schema，升级为「以记忆、上下文、本体、知识为核心」的面向语义的数据组织方式[360-480s]，甚至提出 agentic schema 这个概念。灵动（Lindorm）资深技术专家沈春辉给出了可量化的证据：基于多模引擎构建的长期记忆服务层，在 LoCoMo 和 LongMemEval 两个权威基准上准确率达到 90% 以上[8400-8520s]。PolarDB 侧的对应方案包括开箱即用的记忆服务（贾新华称兼容 mem0 生态，转写为「MemSQL」疑似误写）、内置行业抽取模板、记忆可视化，以及把钉钉/飞书文档的权限自动继承到知识域——「你在原来系统里谁能看什么文档，基于 Agent 问答时权限自动过滤」[3240-3360s]。权限继承这个细节常被忽视，但它可能是企业知识域落地时最硬的合规门槛。

观测与安全边界：token 花在哪、谁有权改数据

Agent 进入生产环境后，两个原本属于「锦上添花」的能力变成了刚需：端到端观测和操作权限边界。宋日杰对 PolarDB-X Zero 观测平台的描述值得整段引用：它不只是文件或日志服务，而是把 trace、session、文件访问、模型调用、工具调用、数据库调用穿在同一个 trace 里，回答开发者四个问题——智能体做了什么、为什么失败、时间都花在哪、用了多少 token、token 都花在哪些地方[5160-5280s]。当 Agent 的每一次决策都真金白银地烧 token，数据库第一次成了 Agent 经济的计量与审计单位。

安全边界的样本是 PolarDB-X 自己的运维 Agent：它的信息来自数据库执行指标、内核知识、客户历史故障三个方向，边界则非常明确——「你的智能体只能去获取数据、分析、给出建议，但是不能修改数据，所有的修改都会转到人工」，人工可以选择创建数据库分支让 Agent 先验证，再决定是否用于生产[5280-5400s]。这个「只读+人工确认+分支验证」的三段式，与一点天下的高风险工具 human-in-the-loop 弹窗、海尔的「业务用户爆炸半径只在自己应用内部」互相印证，正在成为生产级 Agent 的通用安全范式。凭证层面，贾新华介绍 PolarDB 开源了 MCP Server（GitHub 上 aliyun/alibabacloud-polardb-mcp-server 可查证），Agent 通过 MCP Server 对接企业 IdM/SSO（转写为「OS 系统」疑似误写），全程不接触数据库的用户名密码[3480-3600s]——顺带解决了「给 Agent 发密码」这个便捷性与安全性的两难。

反方向的风险同样真实。岚图汽车（转写通篇写作「蓝图汽车」，据上下文为东风旗下高端新能源品牌）车云大数据负责人于松涛指出了人机差异的放大效应：人取数是先判断口径再选工具，智能体是直接规划取数、分析和调用工具，「一处偏差，误差就被放大」[9120-9240s]。这正是观测平台必须把口径、工具、数据、token 串成一条链的原因——每一环都可回溯，误差才有机会在半路被截住。

架构收敛的竞赛：一份数据走天下

把六大产品的演讲横向对比，会发现一个共同动词：收敛。MongoDB 高级解决方案架构师周斌用第一性原理做了推演[9240-9960s]：最朴素的语义查询要跨 operational 数据库、嵌入模型、向量库、全文检索、rerank 算法、大模型和工具调用——用传统关系型数据库拼这套架构，会遇到系统分离、ETL 带来的数据一致性风险、扩展时所有平台都要扩展、组件越多问题概率越大四重挑战。他的结论是「数据层决定了智能体是否在生产环境中真正发挥作用，因为你的数据不准，大语言模型很聪明，它会给你一个非常想要的答案，实际答案是错的」。MongoDB 的底气是 20 年围绕 JSON 打造（转写多处将 JSON 误写为「节省」），而 AI 时代大模型、Agent、工具调用的数据结构恰好全是 JSON；新平台把向量、全文、embedding、rerank 全部收进一个库，业务方「只要学习两个新的 operator 就可以快速开展 AI 业务开发」[9720-9840s]。版本迭代上，节目称 7.0 到 8.0 读写性能提升 30-40%，8.0 到 8.3 再提升 30-40%[9840-9960s]。

灵动的路径是湖库一体。沈春辉批评了给 Spark/Flink/Iceberg 组合「配复杂技能说明书」的做法，主张从架构收敛入手：统一存储之上融合数据库与数据湖，用实时读写的 Delta 层加兼容 Iceberg 的 Base 层、周期持久化加查询自动合并，做到「写后可查、毫秒级响应」[8280-8520s]。计算侧引入开源 Ray 框架做统一算力调度，用户只写单机函数不管分布式，针对大规模网页解析这类细粒度高并发任务，动态调度加 auto scaling 秒级决策使调度效率提升 50% 以上[8040-8160s]；向量场景引入 Lance 开放格式加 OSS 多层存储，支撑 PB 级向量数据极低成本检索，自建 Lance 数据还能以查询加速形式被共管[8160-8280s]。这套方案已在通义等基模公司的后训练与 Agent 评测场景、多家智能驾驶厂商落地[8520-8640s]。

AnalyticDB 高级技术专家贺贤茂把「收敛」的故事讲成了数据资产增值论[6240-7080s]：非结构化数据被 AI 识别能力打通后，以前难处理、价值低的音视频文本像低品位矿藏突然可以廉价提炼，数据资产整体在增值。他给的三个场景全部有经济账：智能剪辑把游戏短片营销、短剧高光、直播切片从「一天做完」压到「几分钟」；短剧出海的转绘（一键替换人物、道具、场景而非只换字幕配音）从 1-2 天压到 1-2 小时，成本从真人剧一集几万元降到几分钟短剧几百元[6840-6960s]；AI 录音笔在嘈杂多人环境下的识别准确率做到 90% 以上。

客户数据把这套「一份数据多形态」的价值钉死了。南京万城（零食品牌「好想来」体系，转写如此）技术专家仲子环的选型理由是「让分布式的复杂度回归数据库」：C 端会员点查按会员 ID 哈希分区，单分片点查 P99 50 毫秒以内；B 端复杂分析走列存副本、由 CN 自动路由，一份数据行存列存双链路[5640-5880s]。A.O.史密斯（1874 年成立、152 年历史的水处理厂商）IoT 首席架构师徐俊的家庭语音方案里，流式 ASR 与声纹识别在同一套 ADB Lakehouse 内完成：说话人识别准确率 95% 以上、P95 时延 200 毫秒内、两三个字的短指令开启声纹后有约 30% 的提升[7440-7560s]——而且声纹作为敏感生物特征，集中管控与权限体系是方案能否合规的前提。岚图汽车的体量则是另一维度：40 多万辆车接入，能耗分析覆盖 4.2 亿行程、47 亿公里，典型问题定位从两天缩短到五分钟，单场景节省超十万人时；2026 年 7 月 20 日完成 3PB 数据、上千张表从私有云到阿里云实时湖仓的迁移，吞吐 300 万 TPS、实时性 50 秒以内、查询服务以 99.95% 可用性为目标[8640-9240s]。于松涛的迁移原则一句话值得抄录：「平台可以换底座，但业务的连续性不会成为代价。」

利益与博弈：谁把谁的栈收编

读完全场，平台厂商的战略意图非常清晰：把 Agent 运行所需的完整技术栈——数据、记忆、沙箱、模型代理、观测、协作——从「客户自己拼装」变成「数据库产品的一部分」。宋日杰对现状的批评是各自部署、解决账号联通、数据联通、API Key 的拼接式架构，PolarDB-X Zero 的回应是把所有依赖收进一个「Zero 项目」，统一凭证、统一联通、统一调优[4680-4920s]，甚至内置 Code Matrix 多智能体协作平台和 Supabase 兼容的一键发布后端[5280-5400s]。RDS Supabase 走的是同一条路：SDK+MCP+Client，企业「只要购买一个域名，整个 Agent 服务就打造出来了」[1200-1320s]。这对独立做编排、记忆、向量检索的中间件厂商是釜底抽薪式的挤压——当数据库原生提供这些能力，拼接式架构的存亡取决于其组合成本是否始终低于一体化溢价。

生态博弈的另一个样本是阿里云与 MongoDB 的关系。阿里云高级技术专家付秋雷披露，双方合作从 2019 年开始，阿里云是国内首家且合作时间最久的云厂商，与原厂保持每周一次的沟通（线上问题、新版本跟踪），并做了云原生改造（可观测、弹性调度、备份）[10080-10320s]。阿里云 MongoDB 已支持 8.3：控制台直接开 Search、建 search index、数据同步全自动；Auto Embedding 让文档转向量的工作从应用层收进数据库内部；所有 Open API 场景化封装成官方 skill，在 Coder 里说一句「在北京给我申请一个 MongoDB 实例」即可完成[10200-10440s]。更有意思的是云厂商产品之间的互操作：MongoDB 的原生 Search 可以关联一个灵动实例复用其向量优化，查询自动转发、索引构建走同步链路（转写疑似 DTS/LTS）[10440-10560s]——「数据库组合拳」开始替代「数据库单点竞争」。备份体系同样在为 Agent 时代重写：EBS 高频备份最短 30 分钟一次、稀疏备份策略（一周内一天一备、一月内一周一备、一年内一月一备）、跨地域备份与按时间恢复、冷数据按集合归档 OSS 降本[10560-10800s]。

计费模式是博弈的隐形层。非活跃不收费、0.1 PCU 粒度、3 秒唤醒、14 天冷存——这些不只是技术指标，而是把「Agent 生命周期」直接映射成账单结构。企业按 Agent 数量付费而非按实例规格付费，云厂商赌的是应用数量的爆炸（妙物 9 万实例、海尔 451 应用）会填平单实例收入的下降。这场赌局的观察指标很明确：RDS Supabase 实例数的环比增速，以及一体化产品对拼装式架构的替代率。

后果、边界与读者启发

把全场内容压缩成三条「机制 → 二阶影响 → 启发」链：

第一条链：数据库用户从人变 Agent，负载从固定变探索 → 试错回滚成本成为核心设计变量（分支 3 秒、休眠 3 秒唤醒、P99 3 秒建库、0.1 核计费、非活跃免费）→ 二阶影响是数据库从「稳定供养人的系统」变成「鼓励 Agent 疯狂试错的实验场」，应用数量的组织内扩散曲线被改写（海尔 30 人冷启动一夜「人传人」、451 个应用）→ 对读者的启发：评估任何 Agent 数据底座，先问三个数——建实例耗时、休眠唤醒耗时、试错回滚单价；这三个数决定了你的组织敢让业务人员放多大权限。海尔那个「AI 先删后导」的删库事故就是反面教材的正面价值：没有秒级 PITR，就不会有 451 个应用。

第二条链：Agent 必须理解企业语义（P7 是职级还是车、L9 是哪个年款）→ 数据库被迫从 schema 升级为语义层（ontology、agentic schema、记忆建模、多 data source）→ 二阶影响是语义层成为新的采购对象与护城河，业务专家的隐性方法论第一次被系统化捕获（一点天下「问题解决了过程却消失」的解法：600+ skill 治理、95% 成功率、bad case 回归样本）→ 启发：企业 AI 落地的瓶颈不在模型选型，而在语义资产化的速度；建语义层时要同步建治理（skill 相似度检测、高风险操作人工裁决），否则资产会变成负债。

第三条链：Agent 烧 token 且误差会被链路放大（岚图：一处偏差误差放大）→ 端到端观测（trace/session/模型调用/工具调用/数据库调用同链）与安全边界（只读分析+人工确认+分支验证）成为生产标配 → 二阶影响是数据库成为 Agent 经济的计量与审计单位，云厂商的账单结构与观测平台深度绑定 → 启发：上 Agent 之前先上观测，能回答「token 花在哪、哪一步失败、谁改了数据」的系统才配接生产流量；高危操作一律 human-in-the-loop 加分支验证，这与 PolarDB-X 运维 Agent、一点天下 skill 治理的选择完全一致。

还有一条隐链关于架构收敛：JSON 成为 AI 原生数据格式加多模检索需求，正在把 ETL 和数据同步链路从架构图上抹掉（MongoDB 统一平台、灵动湖库一体、PolarDB 融合检索、PolarDB-X 一份数据多形态）。组件数量是 Agent 系统可靠性的负债表——每少一个需要同步的组件，数据不一致的风险就少一分。判断一个「AI 数据底座」成色最快的方法，是数一数它还剩几个需要你自己维护的数据副本。

边界与不确定项也要说清。王远自己承认「哲学十五分钟说不清」，Agent+DB 完成所有工作、数据库不再需要控制台，目前都是愿景；幻觉治理被王阔宣布「初级了」，但语义漂移的持续闭环仍靠人工配 bad case；六场产品演讲全部来自阿里云及其伙伴，没有反方声音——拼接式架构的适用场景（强多云、已重投资产）在场上无人替它辩护。数字层面，15 万实例、95% 成功率、300 万 TPS 等均出自讲者自述或客户口径，属「节目称」级别，未经独立审计；转写稿亦有若干疑似 ASR 误写（如 Superbase=Supabase、Chain Stream=Change Stream、「节省」=JSON、蓝图=岚图等），本文已随文标注。对外部世界可核验的事实——王远的职务（人民日报报道与 PolarDB 开发者大会议程双重确认）、RDS Supabase 的官方文档、PolarDB MCP Server 的开源仓库、付秋雷与贾新华在 2025 云栖的公开身份——均与转写自述吻合。Agent 时代的数据库变革才刚刚开始，这场论坛给出的不是终局答案，而是一张清晰的记分卡：下一次评估数据库产品时，看的不再是 TPS 和性价比，而是它敢不敢承诺——Agent 试错，近乎免费；Agent 犯错，秒级回滚；Agent 花钱，笔笔可查。