数据从来不是单纯的数据而已，它承载着业务规则、历史决策、技术妥协、监管义务以及运营依赖关系——这些都是经过数年，有时甚至是数十年积累而成的。忽视这种复杂性可能会导致代价高昂的错误。

经营会上还是两套数，业务还是不认口径，主数据系统上线后业务还是各用各的编码，数据质量工单关了一批又冒出一批，数据目录里的资产信息过期了也没人更新。但到了汇报材料里，它通常不会叫失败。第一年叫全面启动，第二年叫持续深化，第三年叫巩固提升。

在AI Agent建设过程中，虽然要以数据为中心，不过AI Agent的工作任务是决策，而不是处理数据，处理数据只是决策的必要工作，而不是目的。从这一点上看，那些NL2SQL系统，问数系统从根子上就错了，目标错了，过程也大概率也是错的。

国家数据局局长刘烈宏在2026年5月的数字中国建设峰会上，也坦诚说了大实话：部分可信数据空间"重建设、轻应用"，数据跨域流通"仍有堵点"，互联互通水平"亟待提升"。

而如果数据库是一个超级智能体，可以大大简化整个系统，提高数据集成分析的效率，大大降低端到端延时，降低运维成本，何乐而不为呢？

随着 AI 编码代理的兴起，开发人员已开始尝试处理复杂的多步骤升级请求。由于 Spring 是最流行的 Java 框架，开发人员只需使用“请将此应用程序升级到 Spring Boot 4”这样的自然语言命令即可完成应用程序升级，这一设想令人振奋。

据Cockroach Labs首席执行官Spencer Kimball称，数据库管理工作很快将像编程一样，主要由AI 代理(Agent)实现自动化。

XC替代场景是存量市场的竞争，而AI才是更大的增量市场。国产数据库厂商想要在全球数据库舞台上拥有一席之地，只做国产化替代是远远不够的，必须积极拥抱AI。

你公司服务器里躺着的那几百TB数据，大概率有90%%是"垃圾"——不是不能用的垃圾，而是没有经过专业处理、达不到AI训练标准的垃圾。

6月，数据库圈依然很热闹，IDC发布《2025年下半年中国关系型数据库软件市场跟踪报告》;Neo4j收购GraphAware;Supabase完成5亿美元F轮融资;Databricks推出LTAP应对AI时代需求;OceanBase发布面向AI时代的湖库一体AI数据库;平凯Loop正式开启公测……

日前，OceanBase正式发布湖库一体AI数据库，形成覆盖数据引擎、数据治理与业务智能入口的产品体系，开辟第四代数据库建设新路径。

AGI 时代的劳动价值将被 “算力成本” 重新定价。传统经济学中，工资与技能稀缺性挂钩，但在 AGI 条件下，劳动者的收入上限取决于 “复制其技能所需的算力成本”。

Elastic此次组织调整不难发现，AI浪潮下的企业组织变革，早已摒弃了单纯的裁员减负模式，呈现出收缩与扩张并行的特征。当技术浪潮不可逆转，唯有那些既能果断割舍旧路径，又能敏捷布局新能力的企业与个人，才能变被动为主动，更好地应对挑战，把握机遇。

CPU消耗上升，执行时间逐渐延长，缓冲池承受的压力也随之增大。于是，原本“足够好”的查询突然成为了资源争用的真正肇因。这是一个根本性问题，因为SQL并非孤立执行：它是大规模执行的。

在近期举行的“数据与AI峰会”上，Databricks发布了湖式事务分析处理(LTAP)架构，该架构旨在将运营和分析工作负载统一到单一数据副本上。

从这一点上可以看出，哪怕是AGI时代来临，知识库的建设依然是有价值的，高质量的知识可以让智能体解决模型训练中缺少知识的问题，让智能体能够在正确的知识引导下工作也可以避免不必要的误操作，其实知识库是Harness的重要组成部分。

分析师表示，尽管Azure、Postgres和AI正抢尽风头，但微软仍有数十亿个理由继续支持其旗舰数据库管理系统。

未来的应用的更多是在考虑如何适配某个可本地化部署的大语言模型。虽然智能体框架大体是成熟的，不过在针对不同的大模型有的时候、面对不同的场景其表现时不够稳定的，需要做相应的适配。

与许多IT工作流一样，AI具有简化数据库监控、减轻某些可观测性工作流传统上所需人工负担的潜力。尽管AI能够为现代环境扩展监控和可观测性能力，但在使用AI方面，数据库管理员(DBA)仍会犯某些错误。

未来的应用面对的数据与我上学时学习的程序的公式也完全不同了，不管是结构化数据、半结构化数据、非结构化数据，包括多模态的数据，可以在一个数据处理引擎里进行处理，数据+业务规则，在这个数据处理引擎里加工后就实现了系统的功能。