AI应用做到最后，拼的全是数据基建

最近跟好几个做企业AI应用的朋友吃饭，聊着聊着都在吐槽。

说模型换了好几个，效果都不差，可一要往生产环境上落，就卡壳。

有个做消费级智能硬件的朋友，前段时间搭了个售后智能诊断Agent，想让它顶在客服一线，先帮用户做一轮初筛排查，常见问题直接解决，解决不了再转人工。

听着是个很常规的落地场景对吧，真上手才发现，最磨人的根本不是模型，是数据。

要接工单系统里的结构化数据，设备型号、购买渠道、历史报修记录，这些散在CRM和ERP两套系统里。

要接用户随手发的故障照片、录的问题视频、语音描述，这些又存在客服会话系统和对象存储里。

还要接维修手册、元器件参数、历史排查方案这些内部文档，原来七零八落地扔在知识库、共享盘甚至老员工的本地文件夹里。

前前后后串了业务交易库、对象存储、向量库、全文搜索引擎四套系统，光做数据同步和格式对齐的链路，就写了小半个月。

数据搬来搬去，延迟先不说，一致性根本兜不住。

有时候总部更新了一条维修方案，业务库里改完了，向量库的索引要等半天才同步完，Agent还按着旧思路给用户瞎指导。

想迭代优化吧更头疼，每次要测新的排查逻辑，都得全量拷一份历史工单和知识库数据搭测试环境，数据量大点要拷三四个小时，一天跑不了两轮测试。

本来AI写策略挺快的，结果全卡在等环境上了。

大家都在说Agent是下一代软件形态，可真下场做才发现，最拖后腿的居然是数据库。

我一直觉得过去三年AI行业的注意力，大多放在了模型和算力上。

所有人都在追参数、追推理速度、追最新的模型能力，好像只要模型足够强，一切问题都迎刃而解。

但真到落地的时候才发现，模型决定了AI的上限，而数据决定了AI能不能真的帮你干活。

通用大模型再聪明，不懂你家的业务数据、流程规则、历史沉淀，就是个会聊天的外人。

而把这些零散的数据组织成AI能看懂、能放心用的上下文，这件事，最后还是要落到数据库头上。

更关键的是，现在用数据库的，已经不只是人了。

这件事很多人还没完全反应过来。

过去数据库的使用者是工程师，写SQL，查数据，一天操作个几十上百次顶天了。

现在使用者慢慢变成了Agent，7×24小时不停跑，高频调用，并行执行，自己查数据自己做决策。

Gartner有个预测说到2028年三分之一的企业软件交互由智能体完成，我觉得这个速度只会更快。

而Agent这种新物种，对数据库的要求，跟人完全不一样。

我总结了一下，它给传统数据库出了三道全新的题，每一道都不是加个插件能解决的。

第一道题，是规模。

不是单库数据量有多大，而是库的数量变多了。

现在生成一个应用的成本有多低，一句话就能出来一个。

蚂蚁的灵光平台，几个月就攒了3000万个闪应用，平均每个应用也就百来行数据。

企业内部的提效平台更夸张，上万个应用，大部分是员工随手做的，用两次就放那了。

99%的库平时都在沉睡，可一旦有人用，就得秒级唤醒秒级响应。

传统数据库怎么搞，每个应用单独占一个库，成本高到离谱，挤在一起用，数据边界又控不住，互相干扰。

这是AI时代才有的海量，过去十五年的数据库，从来没接过这种workload。

第二道题，是上下文。

Agent准不准，七分看上下文，三分看模型。

而真实的业务上下文，从来不分结构化还是非结构化。

一笔订单的数字是上下文，一段客服的录音是上下文，一张发票的照片也是上下文。

它们本来就是一件事的不同部分，要放在一起看，才能还原完整的事实。

过去这些数据散在不同系统里，Agent要查个东西，得分别去好几个地方搜，再拼到一起喂给模型。

先不说慢，多一次拼接就多一次误差，模型的幻觉本来就难控，数据链路一长，错漏直接被放大。

更麻烦的是一致性。

比如风控场景，一条规则在业务库里标记失效了，向量库的索引没来得及更新，Agent还按着旧规则在跑。

人操作的时候，慢几秒、错一条，还能有人兜底。

Agent直接替你做决策的时候，这就是生产事故。

所以混合搜索不是锦上添花的功能，是Agent的刚需。

而且不能是两个系统凑出来的混合搜索，得是引擎层面长在一起的，才能保证强一致。

第三道题，是进化。

Agent不是写死的程序，上线就不动了。

它要不停发现bad case，不停调prompt、调知识库、调策略，反复评测，反复迭代。

而迭代最耗时间的是什么，是环境。

每次要测一个新版本，你得给它一套完整的、跟线上一致的数据环境吧，不能让它直接在生产库上瞎改吧？

传统方式就是复制一份库，数据量大点，复制一次要几个小时。

现在AI写代码快，一周能出十几个迭代分支，每个分支都要一套独立的测试环境。

等你把环境搭好，迭代的节奏都被拖没了。

而且Agent试错是常态，跑不通的版本直接就扔了，花大价钱搭的环境，用一次就作废。

这件事，传统数据库从设计之初就没考虑过。

它是给稳定运行的业务做的，不是给不停试错的Agent做的。

就是这三道题，推着数据库必须变。

不是加个向量索引、接个AI插件那种修修补补的变，是从根上重新设计数据底座该长什么样。

直到我最近发现OceanBase发布了他们的AI数据库，我仔细看了他们的架构思路，刚好就是冲着这三道题去的。

而且他们走的路线挺有意思，不是从零做一个新的向量库或者搜索引擎，而是从自己做了十五年的分布式数据库内核出发，把金融级的事务、一致性、高可用能力，往湖、往非结构化数据、往Agent场景延伸。

说简单点，就是别人是从外往内补功能，他们是从内往外长能力。

先说说最核心的上下文问题，他们的解法叫多模表。

听起来有点抽象，其实很好理解。

过去一张表里只能放结构化的字段，数字、字符串、时间。

现在同一张表里，你可以同时放合同编号、合同PDF文件、摘要向量、关键条款的JSON。

一个业务实体的所有数据，不管是什么形态，都在同一行里。

事务、权限、元数据、生命周期，全是统一的。

改了业务数据，对应的向量、标签同步更新，不会出现两边不一致的情况。

他们还做了个AI列的东西，可以直接在数据库里基于原始数据生成摘要、标签、向量，不用把数据搬出去给模型处理完再写回来。

数据原地就能做语义加工，链路短了，出错的概率自然就低了。

在此基础上的混合搜索才是真的强。

一条查询，同时做结构化过滤、全文关键词匹配、向量语义检索，数据库先把候选集缩到最小，再交给模型做精排。

既准，又省token。

据他们自己的测试，同等召回率下，向量性能比市面上主流的向量数据库都要好，混合搜索的延迟也比Elasticsearch低三成以上。

这个性能指标，才撑得起Agent的生产级调用。

再说说Agent进化的问题，他们搞了个叫ForkDatabase的能力。

这个思路我特别喜欢，完全是照着Agent的开发节奏做的。

就像Git拉代码分支一样，你可以毫秒级从基线库fork出一个独立的数据沙箱。

Agent在里面随便改数据、测策略，读写都是隔离的，测成了就合并回主线，测不成直接扔了，几乎没什么成本。

以前搭一套评测环境要几小时，现在随用随建，一天测几十轮都没问题。

Agent迭代的速度一下就提上来了。

而面对海量小库的规模问题，他们用的是逻辑表。

逻辑表机制可以为海量agent 应用提供独立的数据空间和 schema 视图，同时降低“一应用一物理表”带来的元数据和资源开销。

沉睡的应用几乎不占成本，需要唤醒的时候秒级响应。

刚好对应了AI时代，应用多、单库数据量小、冷热差异大的特点。

说直白点，就是用共享的成本，做出独享的隔离效果。

而所有这些能力的底层，靠的是湖库一体的架构。

这个词最近挺火的，很多人觉得是概念拼接，其实不是的。

过去数据库擅长事务、一致、实时，数据湖擅长海量、开放、多模态。

Agent时代的需求是，既要又要。

你要多模态数据统一管理，要离在线数据形成闭环飞轮，要不同的计算引擎都能直接用同一份数据，就必须把湖和库揉到一起，而不是用接口拼起来。

OceanBase的思路是，用统一的底座，一份数据同时服务在线查询、实时分析、批量加工、AI计算。

不用在多个系统之间搬来搬去，不用重复治理，不用维护好几套权限。

这套架构能让整体TCO降低30%到50%。

我觉得这个成本下降的很有意义。

它意味着AI落地的基础设施门槛降下来了，不是只有头部巨头才能搭得起复杂的数据链路，普通企业也能用一套系统搞定AI的数据底座。

普惠这件事，从来都是从成本下降开始的。

说到这些我要聊点自己的判断。

现在很多人聊AI数据库，第一反应就是向量数据库。

好像数据库加个向量索引，就是AI数据库了。

其实真的不是的。

向量检索只是AI众多能力里的一小块，真正难的是把AI放进生产系统。

当Agent开始替人做决策、扛业务的时候，数据库的那些老底子，反而变得更重要了。

一致性，从高标准变成了生死线。

可靠性，从有人兜底变成了Agent的生命线。

实时性，从隔夜跑批变成了毫秒级响应。

这些东西，不是做个搜索产品、做个向量库就能快速攒出来的，是要在最严苛的场景里磨十几年才能磨出来的。

OceanBase过去十五年在金融场景磨出来的能力，服务了四百多家金融机构，近七成万亿级银行的核心系统都跑在上面，这些东西到了AI时代，反而成了门槛。

毕竟Agent可以犯错，但核心业务数据不能错。

从数据库内核出发去做AI，比起从搜索或者湖出发的路线，在企业核心场景里，天然就更稳。

最后要聊些更远的。

做基础软件这件事，我们过去一直是跟随者。

操作系统、数据库，标准都是先行者定的，我们跟着做，追性能，追兼容性。

但AI数据库不一样。

这是一条全新的赛道，全球几乎站在同一条起跑线上，过去的技术存量构不成绝对壁垒。

而我们有全世界最丰富的应用场景，有最大规模的用户量，有最敢往前冲的互联网和企业服务公司。

就像当年移动互联网倒逼出了原生分布式数据库一样，今天最复杂的Agent场景，也在倒逼下一代的数据底座。

中国的基础软件，第一次有机会从跟随者，变成下一代范式的共同定义者。

这件事的分量，其实比一款产品的发布要重得多。

回到最开始朋友吐槽的那些问题。

以后企业之间拼AI应用，拼到最后，大概率拼的不是谁的模型更先进，而是谁的数据底座更扎实。

模型可以换，算力可以租，但你家十几年的业务数据沉淀，你家Agent跑起来的稳定性和迭代速度，是抄不走的。

而这一切的根基，就是那个默默在背后支撑的数据底座。

OceanBase这一步，算是踩在了AI落地的关键节点上。

下一个十年，再造一个AI时代的OceanBase。

这话听起来很大，但放在十五年磨一剑的基础软件行业，好像也挺正常。

毕竟路都是一步步走出来的。