AI Agent驱动时代：重塑数据基座迎接挑战

随着AI大模型的飞速发展，以AI Agents为核心的新一代AI原生应用正引领变革，取得了显著成就。这些应用基于大模型，通过各类Agents和应用数据的交互，智能完成任务。然而，AI Agents驱动的应用开发迭代迅速，同时需要处理多种模态的数据，不同模态数据的访问模式和流量差异巨大，这对底层数据平台提出了新的挑战。

在QCon全球软件开发大会（北京站）上，晨章数据创始人兼首席架构师陈亮带来了《面向AI Agents的高性能数据基座：架构和工程实践》的演讲，分享了关于AI时代数据基座架构的思考，并探讨了如何通过该架构解决AI原生应用的数据挑战，以及在云计算、新硬件环境下实现高性能数据基座的工程实践。

以下是演讲的精华内容（经InfoQ编辑整理）。

AI Agent驱动的AI原生应用

今天，AI Agent正在引领软件范式的变革。在AI时代之前，我们讨论的是SaaS，彼时软件作为工具构建了工作流程，帮助人完成任务。而SaaS变成AI驱动后，软件变得更加智能，成为智能体，可执行复杂任务，甚至自我演化和改进。从这个角度看，它不再仅是帮助人的工具，而是直接提供服务。

在SaaS时代，SaaS软件有工作流程，用户输入后，工作流帮助完成任务。中间会收集很多数据，记录在某数据库里，多为结构化数据。数据格式通常由开发人员定义，随着软件规模和用户互动增长。随着软件复杂化，数据格式可能变得复杂，需要更智能的分析。

在Agent时代，工作流不再是工作流，更多关注Agent的编排。核心是大模型驱动不同Agent。在开发应用时就需要有数据，作为Agent的“燃料”。大模型提供通识性内容，但要实现领域特定任务需大量数据且格式、规模不可控。AI与用户交互产生更多数据并生成底层数据。

例如金融场景中有4个Agent：市场分析、风控等。需要多种数据库：用户信息（关系型）、财报（半结构化）、外部知识库（Mongo）。

AI原生应用面临的数据挑战

从系统角度看，AI时代给数据库管理带来挑战：多模态、数据同步与一致性、性能与规模要求不一、多系统运维管理。早期AI Agent应用就面临传统大厂的数据挑战，且数据飞轮迭代迅速加剧数据库压力。

多模态数据基座

在此背景下，思考统一数据架构。设计目标：支持多种数据模态、原生API兼容、动态伸缩自动管理、跨模态访问与一致性。回顾数据库演化历史：从单机到OLAP/OLTP、云时代的存算分离、Agent时代的共享存储架构。

设计目标：支持多种数据模态、API原生兼容、性能优化、动态伸缩、跨模态访问与一致性。缓存是核心功能。

面向未来的工程实践

基础设施：云计算、高速网络、存储设备、GPU等。过去十年CPU性能增1.5倍，存储增11倍，网络增20倍。未来存储或成CPU瓶颈。

解决方案：协程执行、异步编程、单线程核心、缓存友好数据结构等。

总结和展望

AI Agent时代将带来软件范式的变革，数据管理将发生巨大变化。希望有多模态支持、原生API支持、高性能支持及扩缩容方便性。结合工程实践在性能方面有新思考。希望此次分享能带来启发。

陈亮：北京晨章数据科技有限公司创始人兼首席架构师。前微软亚洲研究院研究员。数据库领域顶级专家。