8 月 21 日，由「AICon全球人工智能開發(fā)與應(yīng)用大會」與阿里云瑤池數(shù)據(jù)庫團(tuán)隊聯(lián)合出品的"Agent-Native 多模態(tài)數(shù)據(jù)底座與實踐"專題論壇在深圳舉行。 論壇用5場分享+1場動手實驗，討論了同一個命題：“當(dāng) Agent 成為數(shù)據(jù)庫的主要用戶，數(shù)據(jù)底座該長什么樣？”

當(dāng) AI 應(yīng)用從演示走向生產(chǎn)，企業(yè)遇到的瓶頸不只在模型和算力。Agent會持續(xù)讀寫文件，它需要獨(dú)立環(huán)境試錯、在任務(wù)結(jié)束后保留上下文，也需要在再次喚醒時快速恢復(fù)狀態(tài)。如果仍按“每個 Agent 一套獨(dú)立存儲”建設(shè)，成本、隔離和數(shù)據(jù)復(fù)用等都會很快成為新問題。

阿里云提供的答案是 Polar Lakebase，它是為 AI Agent 規(guī)模化運(yùn)行而設(shè)計的 Workspace 基礎(chǔ)設(shè)施，能夠為海量 Agent 提供持久化工作空間。

一個底座，同時接住訓(xùn)練和推理數(shù)據(jù)

在存儲層，Polar Lakebase 打破了過去"結(jié)構(gòu)化走數(shù)據(jù)庫、非結(jié)構(gòu)化走對象存儲"的格局，以一份數(shù)據(jù)、多種引擎、統(tǒng)一治理的架構(gòu)，將訓(xùn)練和推理兩端的數(shù)據(jù)需求收到同一套架構(gòu)下。它以對象存儲為單一事實數(shù)據(jù)源，數(shù)據(jù)只存一份。向上疊加多模態(tài)處理、統(tǒng)一元信息管理、語義抽象層，讓不同階段的 AI 工作負(fù)載在同一份數(shù)據(jù)上運(yùn)行。

阿里云數(shù)據(jù)庫產(chǎn)品事業(yè)部 OLTP 數(shù)據(jù)庫產(chǎn)品經(jīng)理負(fù)責(zé)人姜皓楠，分享Polar Lakebase 設(shè)計理念

同時，Polar Lakebase 通過云原生共享底座支撐百萬級 Agent 租戶隔離掛載，這一設(shè)計解決了一個關(guān)鍵矛盾：Agent數(shù)量增長將不再線性傳導(dǎo)到基礎(chǔ)設(shè)施成本。 每個Agent 擁有獨(dú)立視圖，滿足隔離要求；底層共享存儲，避免"每個 Agent 一套實例"的線性膨脹。數(shù)據(jù)不再在多套系統(tǒng)間反復(fù)搬運(yùn)，一次入湖、處處可用。

從動手實驗到產(chǎn)業(yè)落地

阿里云數(shù)據(jù)庫團(tuán)隊還從架構(gòu)層面分享了Polar Lakebase的亮點(diǎn)能力：

認(rèn)知底座：讓 Agent 理解業(yè)務(wù)。 傳統(tǒng) RAG 只檢索零散文本或向量片段，缺乏對對象、關(guān)系與規(guī)則的完整理解。Polar Lakebase 將 Memory（動態(tài)上下文）、Knowledge（靜態(tài)知識庫）和 Ontology（本體，梳理實體與關(guān)系的骨架）三層統(tǒng)一，打破記憶組件碎片化。在自動駕駛場景中，Ontology 本體刻畫了駕駛場景的對象、關(guān)系與規(guī)則，結(jié)合 Embedding 與 Rerank 雙階段協(xié)同檢索，讓 Agent 不僅"搜得到"，而且"看得懂"。

極致彈性：用完即走，閑時歸零。 基于沙箱熱池技術(shù)，百毫秒級沙箱拉起，端到端 MCP 訪問延遲低至 1.5 秒，支持 Scale to Zero。Agent 夜間休眠、任務(wù)喚醒、秒級就緒——這不是優(yōu)化，而是為 Agent 工作負(fù)載重新設(shè)計的資源模型。

秒級分支隔離：基于 Log as a Database 架構(gòu)和 WAL Timeline，Polar Lakebase 通過 Copy-on-Write 在元數(shù)據(jù)層面創(chuàng)建分支，無需拷貝數(shù)據(jù)頁。一個分支創(chuàng)建只需 3.6 秒，支持萬級并發(fā)分支和無限層級嵌套。

論壇現(xiàn)場特別設(shè)置了動手實驗環(huán)節(jié)，眾多參會者通過一個真實的會議助手 App，親手體驗了Agent 如何用自然語言查詢議題、收藏日程、上傳照片，輕松實現(xiàn)多模存儲、Fork 沙箱、秒級回滾的操作。這背后靠的是Polar Lakebase的沙箱隔離能力——每個用戶從模板 Fork 出獨(dú)立分支，自然語言查詢轉(zhuǎn)化為 SQL 操作僅影響當(dāng)前分支；即便執(zhí)行了 DROP TABLE，也能秒級重置。

現(xiàn)場動手實驗：用 Polar Lakebase 從零構(gòu)建 AI 數(shù)據(jù)沙箱

傳統(tǒng)方案要么建獨(dú)立實例（成本線性膨脹），要么共享一庫做邏輯隔離（一條 DROP TABLE 全軍覆沒），而Polar Lakebase 的秒級分支給出了第三條路 —— 每個Agent 都可擁有自己獨(dú)立的數(shù)據(jù)庫副本，互不干擾。實驗參與者每次操作都在自己的獨(dú)立分支中進(jìn)行，不會影響他人，也不必?fù)?dān)心會污染生產(chǎn)數(shù)據(jù)。

上述這些技術(shù)能力并非空談，已在多個行業(yè)客戶的真實業(yè)務(wù)場景中得到驗證：

在智能駕駛場景中，企業(yè)普遍面臨三重困境：多模態(tài)元數(shù)據(jù)激增、數(shù)據(jù)讀寫帶寬受限、Agent 難以理解駕駛場景中的對象與關(guān)系。傳統(tǒng) RAG 只檢索零散文本或向量片段，缺少對象—關(guān)系—規(guī)則的完整上下文，Agent 很難做出正確判斷。

基于Polar Lakebase、PolarDB Ray 與 PolarDB Ontology 的全棧方案，某頭部自動駕駛企業(yè)把存儲、計算、知識與記憶一一貫通。在該客戶的產(chǎn)線參考環(huán)境中，該方案實現(xiàn)了支撐 500TB+元數(shù)據(jù)管理、峰值 QPS 達(dá) 400 萬，典型數(shù)據(jù)處理周期從 3 天縮短至 5 小時。

某頭部社群種草平臺：其Al系統(tǒng)需要為海量 Agent 提供獨(dú)立工作空間，滿足多租戶隔離與資源治理需求，此外還需要平滑支持SQLite等嵌入式組件。該種草平臺選擇從傳統(tǒng)架構(gòu)遷移到 Polar Lakebase 共享存儲，成功支撐超4萬個Agent 在線，集成十多個內(nèi)部業(yè)務(wù)細(xì)分場景，并實現(xiàn)嵌入式組件 0 改造，零遷移成本平滑過渡。

某 AI 大模型公司：基于Polar Lakebase Workspace 支撐了2000 萬+Agent服務(wù)，Agent運(yùn)行時規(guī)模達(dá) 20 萬以上 ，每秒可并行拉起 5000多個Agent。對比企業(yè)原有方案，降低了90%的存儲成本。

據(jù)悉，阿里云旗下的AI智能建站平臺"萬小智"也已基于PolarDB SuperBase SaaS 托管超過 2 萬個應(yīng)用，多租戶架構(gòu)將成本降低了 666 倍。

當(dāng)用戶從"人"變成"Agent"，數(shù)據(jù)庫需要一次從"存算數(shù)據(jù)"到"服務(wù)Agent"的范式躍遷。從智駕數(shù)據(jù)底座到百萬級 Workspace，Polar Lakebase在推動數(shù)據(jù)庫向「Agent的原生運(yùn)行底座」方向持續(xù)邁進(jìn)。

論壇結(jié)束時，一位開發(fā)者在動手實驗區(qū)說的這句話，或許是最好的總結(jié)："以前擔(dān)心 Agent 太聰明，后來又擔(dān)心數(shù)據(jù)庫跟不上 Agent。今天實測下來，Polar Lakebase 效果不錯，也讓我們對后續(xù)落地更有信心了。