當(dāng)數(shù)據(jù)庫(kù)的兩端，都不再是人

作者 | 150g

“2026 年，超過 60％的 AI 項(xiàng)目，會(huì)被企業(yè)親手放棄。”

這是Gartner的最新判斷，問題往往不在模型，而在數(shù)據(jù)：數(shù)據(jù)接不進(jìn)來，處理不充分，語義也無法對(duì)齊。

某種意義上，這也是過去兩年企業(yè)付出的最貴學(xué)費(fèi)：數(shù)據(jù)庫(kù)的重要性，遠(yuǎn)超原本預(yù)期。

過去，許多企業(yè)忙于堆疊所謂“高質(zhì)量數(shù)據(jù)庫(kù)”，實(shí)現(xiàn)數(shù)據(jù)接入、清洗與治理。這在半年前，或許仍然奏效；但在今天，已難以支撐 AI 應(yīng)用的實(shí)際需求。

變化的關(guān)鍵在于數(shù)據(jù)庫(kù)的“使用者”正在發(fā)生轉(zhuǎn)變。Databricks 在收購(gòu) Neon 后披露，其平臺(tái)上約 80％的數(shù)據(jù)庫(kù)實(shí)例由 Agent 自動(dòng)創(chuàng)建。這意味著，數(shù)據(jù)庫(kù)正從服務(wù)“傳統(tǒng)應(yīng)用”，轉(zhuǎn)向服務(wù)“Agent”。

與傳統(tǒng)應(yīng)用不同，Agent 具備自主規(guī)劃、高頻訪問、持續(xù)讀寫等特征。這種工作模式要求數(shù)據(jù)庫(kù)不能只是被動(dòng)存儲(chǔ)，而是要主動(dòng)適配 Agent 行為，在真實(shí)業(yè)務(wù)場(chǎng)景中釋放數(shù)據(jù)價(jià)值。

"適配 Agent"將成為數(shù)據(jù)庫(kù)的底層設(shè)計(jì)原則，這也意味著，產(chǎn)品形態(tài)需要被重寫。日前，阿里云在「飛天發(fā)布時(shí)刻」欄目中推出AI 原生數(shù)據(jù)庫(kù)服務(wù)——以下簡(jiǎn)稱 AIDBS。

AIDBS 定位為企業(yè)級(jí) Data－Centric Agent 的一站式開發(fā)與服務(wù)平臺(tái)，使數(shù)據(jù)能夠被 Agent 理解、編排、流動(dòng)與監(jiān)管。

其架構(gòu)預(yù)設(shè)了企業(yè)數(shù)據(jù)長(zhǎng)期分布于多云、混合云及本地環(huán)境的現(xiàn)實(shí)，同時(shí)考慮到業(yè)務(wù)語義難以人工標(biāo)注、DBA 與治理資源長(zhǎng)期不足等問題，并嘗試將這些復(fù)雜性收斂于平臺(tái)之中。

換句話說，這是一款從一線真實(shí)需求出發(fā)的產(chǎn)品，強(qiáng)調(diào)落地與可用性，將實(shí)用主義推向極致。

1 接入只是第一步，讓 Agent 讀懂?dāng)?shù)據(jù)才是關(guān)鍵

在當(dāng)下，很少有企業(yè)從零開始建設(shè)數(shù)據(jù)庫(kù)。

現(xiàn)實(shí)情況是，企業(yè)數(shù)據(jù)早已分散在不同環(huán)境中：既有多云部署的數(shù)據(jù)，也有自建數(shù)據(jù)庫(kù)，還有大量分布在各類多模態(tài)載體中。對(duì)于企業(yè)而言，任何要求“先遷移、再使用”的方案，都意味著高成本和高風(fēng)險(xiǎn)。

針對(duì)這一現(xiàn)實(shí)，阿里云給出的第一個(gè)答案，是“橫向開放”。

具體方面，AIDBS 提供了一種全域資產(chǎn)管理模式：以阿里云為中心，打通企業(yè)自建庫(kù)與其他云環(huán)境，目前已支持 40 余種跨云、多模態(tài)數(shù)據(jù)源。換句話說，數(shù)據(jù)無需“先搬家”，就可以被統(tǒng)一接入與管理。

第二個(gè)答案是“縱向打深”。

企業(yè)真正高價(jià)值的數(shù)據(jù)，往往大量存儲(chǔ)于非結(jié)構(gòu)化、多模態(tài)形態(tài)中，例如釘釘、網(wǎng)盤、OSS、SharePoint，甚至網(wǎng)頁鏈接等各類載體。

AIDBS 通過統(tǒng)一元數(shù)據(jù)管理體系（OneMeta），對(duì)全域、全模態(tài)數(shù)據(jù)進(jìn)行自動(dòng)采集與解析。無論是文檔、圖片還是音視頻，都可以匹配合適的模型進(jìn)行語義提取，并進(jìn)一步結(jié)構(gòu)化沉淀，形成企業(yè)級(jí)統(tǒng)一的數(shù)據(jù)語義底座。

由此，數(shù)據(jù)庫(kù)的邊界被打開。但，僅有數(shù)據(jù)的“可接入”與“可解析”仍然不夠。

長(zhǎng)期以來，傳統(tǒng)數(shù)據(jù)庫(kù)并不算“懂”數(shù)據(jù)——把數(shù)據(jù)表原樣丟給大模型，九成以上沒法用起來。表太多、字段太多、語義太多，Agent 根本不知道這張表怎么用、兩個(gè)語義怎么連。

因此，阿里云進(jìn)一步在語義層做了兩項(xiàng)關(guān)鍵設(shè)計(jì)。

其一，是構(gòu)建 OneMeta 業(yè)務(wù)元數(shù)據(jù)層。將最底層的物理元數(shù)據(jù)翻譯為業(yè)務(wù)語義，覆蓋對(duì)象、指標(biāo)、口徑等，乃至行業(yè)知識(shí)。對(duì) Agent 而言，不再是“表”和“字段”，而是“華東區(qū)域季度銷售額”“近 30 天復(fù)購(gòu)率”等可直接理解的業(yè)務(wù)表達(dá)。

其二，是引入 Agentic Native 的自動(dòng)化數(shù)據(jù)治理機(jī)制。

從企業(yè)日常產(chǎn)生的 SQL、代碼、命名規(guī)范及樣本數(shù)據(jù)中持續(xù)提取知識(shí)，讓語義以“自下而上”的方式不斷沉淀與更新。基于此，AIDBS 構(gòu)建 AI Ready 服務(wù)層，通過 Skill、MCP、API 等方式，讓數(shù)據(jù)可被 Agent 直接調(diào)用，解決企業(yè) Agent“找不到、用不了、用不準(zhǔn)”數(shù)據(jù)的問題，并降低維護(hù)成本。

這一能力已經(jīng)在實(shí)際業(yè)務(wù)中得到驗(yàn)證。

頭部茶飲品牌古茗采用 AIDBS 中 Meta Agent（知識(shí)管理智能體）的實(shí)踐，就是個(gè)典型注腳。這家在全國(guó)開著上萬家門店的茶飲企業(yè)，過去也建過靜態(tài)元數(shù)據(jù)平臺(tái)，可用了半年就沒人碰了——它只“展示信息”，不“解決問題”。

接入 Meta Agent 后，古茗換了思路：不讓人去查它，而讓它主動(dòng)出現(xiàn)在研發(fā)流程里。研發(fā)寫 SQL 時(shí)，Meta Agent 自動(dòng)提示涉及哪些表、字段口徑、有沒有更合適的索引和同語義的現(xiàn)成視圖；業(yè)務(wù)同學(xué)在 BI 平臺(tái)拖字段時(shí)，自動(dòng)告知字段的業(yè)務(wù)含義、最近誰改過、近 30 天取值分布，避免取錯(cuò)口徑；做 DDL 審批時(shí)，自動(dòng)算出血緣、影響面和風(fēng)險(xiǎn)等級(jí)，DBA 不再需要逐條人工評(píng)估。。

得益于此，古茗業(yè)務(wù)系統(tǒng)的語義準(zhǔn)確率大幅提升，DDL 審批的工作量下降了 30%-40%。這也表明，企業(yè)可在短時(shí)間內(nèi)將數(shù)據(jù)資產(chǎn)推進(jìn)至 AI Native 狀態(tài)。

2 真正的實(shí)用主義，是讓每種起點(diǎn)都能跑通

在具備業(yè)務(wù)語義的數(shù)據(jù)底座后，關(guān)鍵在于如何高效開發(fā)應(yīng)用。

企業(yè)中的 Agent 需求多樣且持續(xù)變化，單一開發(fā)路徑難以適配復(fù)雜業(yè)務(wù)，也會(huì)限制數(shù)據(jù)價(jià)值的釋放。

憑借深耕一線的經(jīng)驗(yàn)，阿里云提煉出企業(yè)最常見的三類開發(fā)方式，對(duì)應(yīng)不同起點(diǎn)與需求。

第一類：是已經(jīng)構(gòu)建了大量 Agent 的企業(yè)。

以去年在開發(fā)者圈層迅速走紅的 Dify 為例，這類可視化 Agent 工作流編排平臺(tái)（與 LangGraph 類似）已在不少企業(yè)中沉淀了豐富的 Agent 與工作流資產(chǎn)。

但隨著更靈活的 Skill 時(shí)代到來，一個(gè)現(xiàn)實(shí)問題隨之出現(xiàn)：這些存量資產(chǎn)是否需要推倒重來？AIDBS 給出的答案是：不需要。

一方面，AIDBS 平臺(tái)可以托管 Dify、RAGFlow 等開發(fā)底座，為既有 Agent 補(bǔ)齊數(shù)據(jù)能力，使其能夠快速接入企業(yè)數(shù)據(jù)、跑通真實(shí)業(yè)務(wù)；另一方面，還可以將已有 Agent 轉(zhuǎn)化為可復(fù)用的 Skill。

不僅如此，平臺(tái)還能讀懂完整工作流，并自動(dòng)生成對(duì)應(yīng) Skill 的使用方式和交互邏輯。例如，一個(gè)“簡(jiǎn)歷匹配”Skill，只需輸入 JD 即可觸發(fā)匹配，并能在 Dify 中清晰看到調(diào)用過程與結(jié)果。

第二類：是擁有數(shù)據(jù)與系統(tǒng)，但不確定該構(gòu)建什么 Agent 的企業(yè)。

這類企業(yè)的常見狀態(tài)是：要么缺乏應(yīng)用方向，要么需業(yè)務(wù)、技術(shù)與管理團(tuán)隊(duì)反復(fù)討論，才能確定 Agent 類型，再進(jìn)入預(yù)算、立項(xiàng)與交付流程。

在 AI 時(shí)代，這一模式明顯落后。AI 不僅能夠執(zhí)行任務(wù)，更能判斷“哪些 Agent 值得構(gòu)建”。

基于此，阿里云 AIDBS 內(nèi)置了智能化 Agent 開發(fā)功能 Proactive Agent。

當(dāng) AIDBS 完成對(duì)企業(yè)底層資產(chǎn)的梳理后，平臺(tái)實(shí)際上已經(jīng)具備了對(duì)業(yè)務(wù)輪廓的整體認(rèn)知。在此基礎(chǔ)上，AI 可以主動(dòng)激發(fā)創(chuàng)意——結(jié)合行業(yè)趨勢(shì)洞察，參考同類企業(yè)實(shí)踐，推薦匹配的應(yīng)用場(chǎng)景。一旦選定方向，15 分鐘內(nèi)即可通過 Vibe Coding 生成方案并完成驗(yàn)證。

第三類：是堅(jiān)持自建的企業(yè)。

這類企業(yè)通常擁有成熟的技術(shù)團(tuán)隊(duì)和明確的架構(gòu)偏好，未必采用平臺(tái)化的完整開發(fā)流程，更關(guān)注如何在自建體系中高效、靈活地使用企業(yè)數(shù)據(jù)。

針對(duì)這一需求，AIDBS 可從兩大維度提供支撐。

其一是專業(yè)能力，將阿里云數(shù)據(jù)庫(kù)團(tuán)隊(duì)沉淀十余年、經(jīng)過驗(yàn)證的企業(yè)級(jí)能力（如安全控制、數(shù)據(jù)分析、資產(chǎn)管理與運(yùn)維等）封裝為 100＋個(gè) Data Skills，供開發(fā)者直接開箱即用節(jié)省大量數(shù)據(jù)側(cè)的開發(fā)工作。

其二是通道，面向 Agent 訪問數(shù)據(jù)，AIDBS 提供了 Agent 數(shù)據(jù)網(wǎng)關(guān)(Data Gateway)，把身份、權(quán)限、操作管控、敏感數(shù)據(jù)脫敏和智能路由全部集成到這一層網(wǎng)關(guān)上，覆蓋阿里云全系數(shù)據(jù)庫(kù)產(chǎn)品和各類數(shù)據(jù)源。網(wǎng)關(guān)會(huì)給企業(yè)的每個(gè) Agent 頒發(fā)一個(gè)專屬身份，Agent 憑這個(gè)身份、在自己的權(quán)限范圍內(nèi)訪問正確的數(shù)據(jù)，敏感字段自動(dòng)脫敏，全流程可審計(jì)、可追溯。

有了這兩條，你本地不用囤一堆 Skill，能力過網(wǎng)關(guān)即取即用，訪問又始終可信可控——企業(yè)里每個(gè)人、每個(gè) Agent 都能放心地把數(shù)據(jù)用起來。

可以看到，這三種開發(fā)范式——定制化、智能化與 AI 原生——覆蓋了從“已建 Agent”到“不知道建什么”再到“完全自建“的企業(yè)常見起點(diǎn)。從中不難看出 AIDBS 一以貫之的理念：企業(yè)不用去適配平臺(tái)，而是平臺(tái)主動(dòng)去適配企業(yè)。

3 讓 Agent 主動(dòng)干活，深度參與企業(yè)業(yè)務(wù)

數(shù)據(jù)已接入，Agent 也已搭建，但更現(xiàn)實(shí)的問題是：企業(yè)投入大量成本建設(shè)的數(shù)據(jù)庫(kù)，是否真正釋放了價(jià)值？

答案往往是否定的。

這里面有經(jīng)驗(yàn)的缺失——不是每家企業(yè)都養(yǎng)得起資深的數(shù)據(jù)分析和數(shù)據(jù)科學(xué)團(tuán)隊(duì)；也有能力的錯(cuò)配——數(shù)據(jù)大多還停在“被動(dòng)等查詢”的狀態(tài)，很少主動(dòng)參與到業(yè)務(wù)里去。

鑒于企業(yè)自建應(yīng)用周期長(zhǎng)、門檻高，阿里云將成熟的數(shù)據(jù)應(yīng)用能力產(chǎn)品化，并直接交付企業(yè)使用。這正是 AIDBS 的智能應(yīng)用層——Data Agent 系列的出發(fā)點(diǎn)，提供一組開箱即用的垂類 Agent，覆蓋數(shù)據(jù)獲取、分析與預(yù)測(cè)等核心場(chǎng)景。

在數(shù)據(jù)獲取環(huán)節(jié)，DataBridge Agent 可以從網(wǎng)頁及多源系統(tǒng)中抓取數(shù)據(jù)，并自動(dòng)整理為結(jié)構(gòu)化格式，適用于企業(yè)知識(shí)庫(kù)等典型場(chǎng)景。

在數(shù)據(jù)洞察環(huán)節(jié)，Analytics Agent 能夠理解業(yè)務(wù)目標(biāo)，將復(fù)雜任務(wù)拆解為多步流程，逐步執(zhí)行與校驗(yàn)；其過程中沉淀的分析資產(chǎn)，還可以在企業(yè)內(nèi)部共享復(fù)用，形成持續(xù)積累。

在預(yù)測(cè)與決策環(huán)節(jié)，F(xiàn)orecast Agent 專注于解決不確定性問題。例如，某車企計(jì)劃推出一款投入巨大的新車型，目標(biāo)市場(chǎng)是否買單難以判斷。通過構(gòu)建多情景模擬，將業(yè)務(wù)假設(shè)與市場(chǎng)數(shù)據(jù)結(jié)合推演，可以提前識(shí)別風(fēng)險(xiǎn)、評(píng)估收益。決策周期越長(zhǎng)、試錯(cuò)成本越高的場(chǎng)景，其價(jià)值越顯著。

這些能力并不是紙上談兵，已在實(shí)際業(yè)務(wù)中得到了驗(yàn)證。例如，自媒體創(chuàng)業(yè)者 Jack 的“一人公司（OPC）”，便基于這一體系實(shí)現(xiàn)了數(shù)據(jù)的全流程應(yīng)用。

他首先通過 DataBridge Agent 持續(xù)抓取公眾號(hào)、雪球、股吧等平臺(tái)的熱點(diǎn)信息，并交由分析型 Agent 完成情緒標(biāo)注與板塊歸類，最終以可視化方式呈現(xiàn)市場(chǎng)情緒變化趨勢(shì)。

在直播選品環(huán)節(jié)，他將帶貨指標(biāo)輸入系統(tǒng)，由 Agent 自動(dòng)完成特征工程并計(jì)算“爆款評(píng)分”，篩選出如凍干水果、低卡燕麥棒等 Top10 商品；隨后通過 DataBridge Agent 抓取用戶評(píng)價(jià)進(jìn)行交叉驗(yàn)證，并將結(jié)果沉淀至數(shù)據(jù)庫(kù)以供復(fù)用。

在預(yù)測(cè)階段，他利用 Forecast Agent 做“市場(chǎng)情緒預(yù)演”，基于粉絲畫像構(gòu)建“虛擬粉絲 Agent”，提前模擬一條內(nèi)容、一個(gè)決策可能引發(fā)的群體態(tài)度。

從信息獲取、加工處理到輔助決策——過去需要小團(tuán)隊(duì)協(xié)同完成的工作，如今一人配合一組 Agent 即可閉環(huán)。

類似實(shí)踐的用戶數(shù)和服務(wù)規(guī)模正在不斷提升：目前約有 10％的數(shù)據(jù)庫(kù)實(shí)例通過該平臺(tái)對(duì)外提供服務(wù)，Data Agent 系列及其開發(fā)平臺(tái)用戶已超過 1 萬，超過 1000 家企業(yè)已啟動(dòng)或完成 AI 數(shù)據(jù)能力底座升級(jí)。

歸根結(jié)底，Agent 能否深入業(yè)務(wù)、重構(gòu)流程，取決于行業(yè) Know－How 的沉淀與表達(dá)。阿里云所做的，正是將其在數(shù)據(jù)庫(kù)領(lǐng)域多年積累的經(jīng)驗(yàn)，封裝進(jìn)一系列 Data Agent 產(chǎn)品中交付給企業(yè)。

如果說 Data Agent 的目標(biāo)是讓數(shù)據(jù)在業(yè)務(wù)側(cè)“主動(dòng)起來”，那么在運(yùn)維與安全側(cè)，阿里云進(jìn)一步推動(dòng)數(shù)據(jù)庫(kù)走向自主管理與持續(xù)自治。

4 解放人力，讓數(shù)據(jù)庫(kù)學(xué)會(huì)自己管自己

過去，總有一群人圍著數(shù)據(jù)庫(kù)。

DBA、運(yùn)維、安全團(tuán)隊(duì)每天盯著告警、慢 SQL、權(quán)限和容量。一旦報(bào)警，就要連跳板機(jī)、查日志、逐步排查。

這些工作重復(fù)、瑣碎且高壓，缺乏創(chuàng)造性；系統(tǒng)穩(wěn)定時(shí)無人問津，一出問題，壓力全部落到數(shù)據(jù)庫(kù)團(tuán)隊(duì)。

AIDBS 正試圖改變這一現(xiàn)狀。

在這套體系中，數(shù)據(jù)庫(kù)不再只是被 Agent 使用，也開始由 Agent 管理。以 DAS Agent（數(shù)據(jù)庫(kù)運(yùn)維）為代表，其目標(biāo)是讓數(shù)據(jù)庫(kù)具備“主動(dòng)發(fā)現(xiàn)問題、分析原因、給出方案并閉環(huán)”的能力。

更進(jìn)一步，DAS Agent 與 Meta Agent 結(jié)合后，運(yùn)維不再局限于 CPU、內(nèi)存、慢 SQL 等指標(biāo)，而能理解其背后的業(yè)務(wù)含義。

例如，一張表對(duì)應(yīng)哪個(gè)系統(tǒng)？某條 SQL 影響訂單鏈路還是報(bào)表查詢？問題持續(xù)會(huì)帶來多大業(yè)務(wù)影響？等。

上面提到的古茗實(shí)踐，將組合拳的優(yōu)勢(shì)體現(xiàn)得尤為具體。

過去，告警處理依賴人工響應(yīng)，短信和釘釘通知不斷堆積。古茗科技集團(tuán)運(yùn)維負(fù)責(zé)人劉星光提到，高峰時(shí)一天上百條，信息疲勞使關(guān)鍵問題反而難以及時(shí)識(shí)別。

在大促等關(guān)鍵時(shí)刻，這一問題尤為突出。

例如一次活動(dòng)前，訂單系統(tǒng) CPU 突然飆升，DBA 從登錄到定位即便經(jīng)驗(yàn)豐富也需十幾到二十分鐘，期間已足以引發(fā)系統(tǒng)波動(dòng)。

但接入 DAS Agent 后，這一問題得到解決。

告警不再直接推給人工，而是先由 Agent 處理。系統(tǒng)自動(dòng)拉取慢日志，對(duì)比歷史基線，識(shí)別異常模式；判斷是否由促銷新增 SQL 引發(fā)；評(píng)估影響范圍，并給出可執(zhí)行的優(yōu)化建議。

原本需要十幾分鐘的排查，如今通常幾分鐘即可定位問題。更重要的是，判斷不僅更快，準(zhǔn)確性也接近資深 DBA，部分場(chǎng)景下甚至更加客觀。

這種變化帶來的，不只是“排障更快”。

研發(fā)與數(shù)據(jù)庫(kù)團(tuán)隊(duì)的協(xié)作方式被重塑。過去 DBA 是上線前的最后關(guān)卡；現(xiàn)在研發(fā)在編寫 SQL 時(shí)，Meta Agent 即可提供字段口徑、索引建議和風(fēng)險(xiǎn)提示，上線后由 DAS Agent 持續(xù)監(jiān)控與分析。研發(fā)更自主，DBA 不再成為流程瓶頸。

專家經(jīng)驗(yàn)開始沉淀為組織資產(chǎn)。過去經(jīng)驗(yàn)依賴個(gè)人，如今每次問題處理都會(huì)被記錄并回流到知識(shí)庫(kù)，逐步形成可復(fù)用能力。

成本與決策更加透明。Meta Agent 識(shí)別數(shù)據(jù)資產(chǎn)使用情況，DAS Agent 分析實(shí)例負(fù)載與性能變化，結(jié)合后可評(píng)估資源利用效率，識(shí)別緊張與閑置資源，以及需要優(yōu)化或歸檔的數(shù)據(jù)表。

AIDBS 的自治能力不止于運(yùn)維，還延伸至了安全側(cè)。

當(dāng)企業(yè)內(nèi)有成千上萬個(gè) Agent 同時(shí)訪問數(shù)據(jù)時(shí)，傳統(tǒng)人工審批已難以支撐。為此，AIDBS 旗下的 Agent 數(shù)據(jù)網(wǎng)關(guān)（Data Gateway），對(duì) Agent 數(shù)據(jù)訪問進(jìn)行實(shí)時(shí)治理：校驗(yàn)身份與權(quán)限，解析訪問意圖，并匹配安全的執(zhí)行方式。

持續(xù)自治能力使數(shù)據(jù)庫(kù)由人工驅(qū)動(dòng)轉(zhuǎn)向系統(tǒng)自驅(qū)，重復(fù)且高壓的事務(wù)由系統(tǒng)承擔(dān)，使人專注于更具價(jià)值的工作；同時(shí)系統(tǒng)穩(wěn)定性與可靠性進(jìn)一步提升。

這，才是引入 Agent 的真正價(jià)值。

5 結(jié)語

回到開頭 Gartner 的判斷：絆倒企業(yè)的不是模型，而是數(shù)據(jù)庫(kù)。關(guān)鍵在于，當(dāng)數(shù)據(jù)庫(kù)的使用者從人擴(kuò)展到 Agent，數(shù)據(jù)庫(kù)需要完成怎樣的演進(jìn)。

阿里云通過 AIDBS 給出了經(jīng)業(yè)務(wù)驗(yàn)證的答案。

首先是“接入”。通過連接 40 多款跨云、多模態(tài)數(shù)據(jù)源，企業(yè)無需遷移即可實(shí)現(xiàn)數(shù)據(jù)接入與流動(dòng)。

其次是“對(duì)齊”。OneMeta 將物理元數(shù)據(jù)轉(zhuǎn)化為業(yè)務(wù)語義，Agent Native 將治理方式從集中規(guī)劃轉(zhuǎn)向持續(xù)自治。

最后是“用好”。三類開發(fā)范式覆蓋不同起點(diǎn)；內(nèi)置的 Data Agent 家族讓數(shù)據(jù)參與業(yè)務(wù)，實(shí)現(xiàn)數(shù)據(jù)庫(kù)持續(xù)自治。

這些能力背后，真正指向的是同一件事：將原本由企業(yè)承擔(dān)的復(fù)雜性收斂到平臺(tái)側(cè)，包括跨云遷移、集中治理的效率問題，以及運(yùn)維與安全帶來的持續(xù)成本等。

當(dāng)行業(yè)還在爭(zhēng)論“AI 原生”該如何定義時(shí)，阿里云其實(shí)已經(jīng)給出了更現(xiàn)實(shí)的答案：降低 Agent 的使用門檻，減少企業(yè)側(cè)負(fù)擔(dān)，使數(shù)據(jù)庫(kù)從“存儲(chǔ)數(shù)據(jù)”轉(zhuǎn)向“參與業(yè)務(wù)執(zhí)行”。

或許，把實(shí)用主義做到極致，才是 Agent Native 最本質(zhì)、也最難被模仿的地方。