“AI原生的数据底座，不是把AI装进数据库，而是让数据库自己长出Agent的能力。”阿里云数据库产品事业部RDS研发总负责人陈宗志（花名：暴跳）在DTCC大会采访时表示。

　　作为阿里云数据库AI方向战略落地的核心操盘手之一，陈宗志正带领团队向Agent时代转型，包括向量检索在内的诸多核心能力已在AliSQL社区上开源。他的思考，或许能帮助外界更清楚地理解：“Agent-Native数据库”究竟意味着什么，以及它将如何改变数据库的演进方向。

　　▲阿里云数据库产品事业部RDS研发总负责人 陈宗志（花名：暴跳）

　　当Agent开始接管数据库两端

　　“模型决定AI有多聪明，数据库决定AI能跑多远。”这是陈宗志这次的演讲主题，也是他对当前技术趋势的精准概括。

　　如何理解？从AI和数据库的发展路线来看，可以分为两个阶段：

　　第一阶段，模型的上半场，数据库是托底的“后勤”角色。人们关心的是“大脑”够不够聪明，主要盯着参数、盯着推理效果，数据库主要服务于训练数据的清洗与整理。在应用表现形式上，多以对话形式呈现，数据库通过增加向量能力来弥补大模型的不足。

　　第二阶段，模型的下半场，Agent大量涌现，人们发现数据库才是决定AI能走多远的关键变量。模型决定AI单次任务能做多好、反应多聪明，数据库决定AI能不能把无数次任务的经验沉淀下来。没有数据库的Agent，每一次启动都是从零开始的新手；有了之前经验的持续沉淀，Agent才能基于过往执行的历史、中间结果和决策痕迹完成更复杂的任务。

　　二者根本变化是，数据库的用户正在发生一次根本性的替换，生产端和消费端都被Agent接管。

　　Agent的访问逻辑完全打破了传统规则，人写代码时，系统会默认用户清楚表结构，数据库里有DDL 、DML，访问比例可能是10000:1。大部分人直接对表的某一个字段去访问，一般不会在查某一个表之前去看表结构信息。

　　对比之下，Agent是探索式的，先查表结构再找数据，DDL信息的访问变成对实际数据的信息访问一样。它天然试错式的访问，会在事务里嵌套小事务，失败就回溯重试，还会实时检索散落的多模态数据，多步推理带来不可预测的并发，过去清晰的冷热表边界彻底被打乱。

　　很明显，人对世界有预设认知，Agent没有。如果数据库还停留在传统业务设计逻辑里，不去适配Agent的访问特性，未来AI跑得越快，数据库就越容易成为拖后腿的短板。这也是阿里云瑶池数据库团队，要给自己定“2个50%”阶段性目标的根本原因：一个50%，是指在数据服务方面，50%访问数据库的流量，由Agent驱动产生; 另一个50%，是在数据管理方面，50%的数据库实例由Agent创建与维护。

　　3大不可预测性，倒逼数据库重构

　　那么问题来了，Agent到底怎么用数据库？和人到底有什么不同？

　　“如果你的用户都变了，数据库仅仅为传统的业务模式去访问、去设计，这肯定不够。”陈分析了三大不可预测性。

　　首先，数据类型不可预测。 一次推理可能同时碰到结构化表、向量召回、JSON文档、关系图和全文检索。以前这种多模访问，一般会提前把多模内容检索出来放在文本里。但现在这些东西散落在各处，Agent不会做提前的数据预处理，都是实时访问。

　　其次，访问量不可预测。多步推理瞬间把并发拉满，闲时静默，忙时几十倍尖峰。一个Agent有多步推理的过程，同一个类型的Agent又会布很多个。

　　其三，访问模式不可预测。 探索式查询，先看表结构，再找数据。以前，有些表是热表、有些表是冷表，因为人类用户提前有基本的认知和判断。但Agent是探索式访问，会实际查看里面的内容是不是它要访问的内容，再做决定。

　　这也解释了陈宗志多次强调的一个观点：Agent-Native数据库不是简单的功能叠加，而是一次架构上的彻底重构。

　　模型会不会“吞掉”数据库？

　　业内有一种声音，当模型越来越强，数据库的访问方式发生根本变化，数据库会不会退回到存储层？我们可以看到，大模型厂商都开始往下“卷”，OpenAI做Memory，Anthropic做MCP生态，上下文窗口越拉越长。

　　“大模型做Memory和我们做Agent Context并不冲突，是互补关系。”陈宗志强调。

　　数据库这一层为什么不会被模型“吞掉”？有3个理由：

　　第一，成本。 百万Token窗口的推理费用远远高于数据检索。不可能每次的访问内容都需要通过大模型，如果内部检索有了结果，就可以通过内部检索来获得。

　　第二，企业级数据治理需要。 数据治理需要持久化、权限隔离、审计追溯——这些模型层做不了。

　　第三，多Agent协同。 大模型做的更多是针对单个Agent、单个会话的记忆。数据库厂商做的是提取、整理知识，不同场景需要用到不同记忆。这些Agent记忆应该成为公司最重要的知识财富，不应把这些核心知识留给大模型厂商，而应该作为自己的核心资产进行保留。

　　阿里云数据库推出Agent Context的目的，正是为了让企业能以更低的成本、更高的安全性进行内部知识检索与管理。大模型每次调用的成本远高于本地检索，通过数据库沉淀知识，能让整个团队以及跨Agent协同更高效。

　　“按调用计费”商业模式已快速普及

　　随着Agent的普及，数据库的商业模式也在经历深刻变革。

　　“技术、信任与商业模式是推动Agent渗透率从10%向50%迈进的三大要素，其中企业信任是当前的最大瓶颈”。陈宗志坦言，要完成两个50%目标，除了技术上的突破，还要跨越“信任”和“商业模式”上的门槛。

　　为了解决信任问题，阿里云数据库提供了沙箱、分支管理（Fork、Merge）等能力，让Agent在探索式访问中能够随时回滚，并提供全链路审计，确保Agent在探索式访问中能够随时回滚。

　　而在商业模式上，阿里云数据库已在头部模型公司有落地案例：亿级Sandbox、Scale-to-Zero成本降 70%。但这背后有个行业悖论——Agent 把调用量推高 10 倍，客户却期待账单更便宜。传统数据库不管有没有波峰波谷的流量，都收取固定费用。云原生数据库的Serverless模式支持按需弹性、按流量付费，而Agent时代更是把这一波浪潮推到了极致。

　　头部模型公司会瞬时创建亿级别Sandbox，单次调用量极大。虽然存活时间不长，但同时存活的亿级别生命周期，也将产生非常可观的费用。

　　陈宗志认为：面向未来，谁能把弹性做到极致，谁就能赢得市场。以阿里云头部C端应用“秒悟”为例，该平台支持“一句话生成企业级生产应用”。过去一年，受此类AI Agent场景驱动，RDS PostgreSQL实例的调用量激增了5倍。

　　无论是Vibe Coding还是AI Agent创建应用，今年虽只是起步，但未来的爆发式增长趋势已十分明确。

　　向Agentic DB形态加速进化

　　如今，阿里云瑶池数据库正在向Agentic DB形态加速进化，包括PolarDB、RDS、AnalyticDB、Lindorm、Tair等一系列云数据库，都在围绕Agent进行重构，核心目标是打造新一代Agent友好型数据库。

　　“Agentic DB不是一款全新的数据库产品，而是所有数据库在 Agent 时代必须具备的能力增强。”陈宗志认为，从AI Ready到AI Native，再到如今的Agentic-Native，虽然概念层出不穷，但终极方向一致，那就是成为用户友好的数据库。

　　大体来看，Agentic DB有4大关键特征：

　　1.多模数据处理。一个引擎支撑文本、向量、图等多种模态，避免数据孤岛。

　　2.极致Serverless弹性。支持秒级冷启动与Scale to Zero，适应短生命周期任务。

　　3.数据库分支能力。像Git管理代码一样管理数据，支持零拷贝的Fork与Merge，适应Agent的探索式工作流。

　　4.自然语言接口。支持MCP等协议，让Agent能通过自然语言直接操作数据库。

　　为了推动Agent加快落地，阿里云还发布了AI原生数据库服务（简称AIDBS）。AIDBS是企业级Data－Centric Agent 的一站式开发与服务平台，让数据能够被 Agent 理解、编排、流动与监管。

　　问题是，在过去一年里，几乎所有的数据库厂商都在围绕Agent重构数据底座，到底谁才是标准？

　　“谁对Agent更友好，谁能满足Agent的需求，谁就是这个时代的标准。”陈宗志的回答很干脆。他认为Agentic-Native数据库没有统一标准，阿里云瑶池不会给出一个终极答案，而是让Agentic-Native变成一个可讨论、可验证、可迭代的系统工程。

　　写在最后

　　从技术变革的终极方向来看，AI正在重构一切。数据库也在从存放数据的仓库，进化为主动赋能Agent的智能中枢。而在这场变革中，真正的定义权，属于那些能够让Agent真正跑起来、成为Agent运行原生底座的产品。