腾讯云数据库正在通过“DB For AI”和“AI in DB”两条腿，构建属于Agent时期的AI原生数据库。

文｜游勇

编｜周路平

数据库期间的演进有着一条相对昭着的头绪，昔时十几年国产数据库的茂密发展约莫不错分辨为三个阶段。1.0时期，以腾讯云为代表的一批互联网厂商的数据库系统降生，他们大多源于本身业务发展需要，从单机数据库转向踱步式，顺利扛住了互联网业务的高并发带来的数据洪峰，已毕了国产数据库的高可用和高可靠。

到2.0时期，自主可控的需求紧随而来，国产替代成了业内的主导意见，无数环节基础设施和重心行业的中枢系统开动进行国产替换。

如今，行业的引导棒转向了AI Agent，数据库认真参加3.0时期。如何符合和怡悦AI Agent的需要，还是成为了全行业的课题。

就在上周，腾讯云数据库面向Agent场景进行了家具的全面升级，为Agent、AI编程和智能运维三大场景提供原生的AI数据库本事。今日，腾讯云不仅发布了Agent Memory、DatabaseClaw两款Agent原生家具，也对旗下最中枢的云原生数据库TDSQL-C和踱步式数据库TDSQL-B进行了系统性升级，全面适配AI原生。

01

Agent爆发，数据库靠近多重挑战

数据库昔时几十年的演进逻辑并莫得发生太大转变，其骨子是为东谈专揽事，比如限定台、注册进程、文档都是给东谈主使用。但Agent依赖的是智能体之间的交互和用具的自主调用，数据库的用户从东谈主变成了Agent，新的范式和业务需要转变了数据库的运行逻辑。

率先，多模态数据成为主流。昔时，数据库处理的无数是订单、用户、来回记载等结构化信息，但AI的爆发，使得数据形态发生了广博变化，“当今92%的新增数据都黑白结构化”，比如会话情状、行业常识、高下文、图片视频等。

以前，单一模子的数据库会针对特定类型数据进行优化。比如订单、账户等结构化、强事务的数据，放在MySQL；半结构化、低蔓延的数据放在MongoDB或Redis；非结构化的大文献放在对象存储。

这也意味着，多模态数据自然就洒落在异构系统之间，而一朝需要跨系统会通分析，哄骗层的开发复杂度急剧攀升，相等割裂和横祸。

“在一个复杂的企业级 AI Agent 哄骗架构中，咱们会依赖和传统数据库天渊之隔的本事。”腾讯云副总裁王义成说，比如查询不再只是基于干系模子，而需要向量和语义；数据不再只是是结构化，而可能是文本、图片。“这个时期信得过需要的是多模存储和语义检索为原生的本事，并聚拢咱们既有家具封锁，举例高可用，支抓SQL，高性能等，再行瞎想的家具。”

其次，是开发模式的更动。昔时使用数据库，举座照旧可意想的、走访模式也相对固定。而Agent的并发范畴远超东谈主工，对数据及时性也有更高的要求。尤其是当下，AI缓助编程让好多非专科东谈主士也不错通过多轮对话创建Agent，越来越多AI哄骗开动顺利走访数据库，带动了数据库实例的数目大幅飞腾，而且Agent多时势任务又要求中间归档、随时回滚，传统备份复原跟不上节拍。

“Agent所以东谈主类无法比较的速率去写代码、写用例、进行测试，跟团队作念举座的组织协同，使得传统数据库的瞎想显得比较艰辛，无法匹配。”王义成说。而Neon的数据也露出，2025年以来，由AI Agent创建的实例数目还是是开发者创建的4倍之多。

再者，数据库调用模式也在发生变化。昔时的数据库偏离线分析，而Agent转向及时检索与抓续性顾虑。传统的处置决策遇到了很大的瓶颈，比如高下文窗口有长度收尾和资本粗犷，RAG检索又丢失结构化推理旅途，需要为Agent打造专属的顾虑系统。

另外，跟着Agent本事的增强和数据库治理复杂度的晋升，Agent也在反过来协助DBA和研发东谈主员更好地治理数据库，包括用当然话语作念数据库的巡检、故障排查以及SQL优化。

02

DB For AI，为Agent重作念数据底座

跟着Agent在千行百业加快落地，业内也发现，Agent在实在场景的落地中最大的问题往往不是模子才略不够，而是容易出现顾虑断片。

相比于昔时问答型的东谈主工智能，Agent这类复杂的长线任务，需要多时势奉行，需要调用多样用具和skill，相等历练顾虑本事。比如系统不仅要听懂当下的请示，更要铭记昔时定下的代码范例、拘谨要求和鼓吹节点。

不久前，Meta的AI对都与安全总监就因为AI“请示渐忘”，导致其个东谈主邮箱中200多封邮件被小龙虾批量删除。

针对Agent的顾虑痛点，腾讯云数据库重磅推出了Agent Memory工作，再行为Agent打造了一套顾虑系统。其中枢是通过引入结构化与分层机制，对顾虑进行长入治理。

比如对短期顾虑进行压缩，腾讯云数据库自研了符号化压缩和高下文的卸载本事。以符号化压缩为例，主要有两种想路：一种是选录压缩，将繁琐的原始全文提真金不怕火为一瞥结构化的选录，去掉妄言，留住事实，晋升单条信息的密度；另一种是结构化图压缩——用一张图替代一堆笔墨，让结构化的图来呈现不同操作背后的因果干系、情状，用最少符号承载最大语义。

而且，腾讯云数据库针对短期顾虑瞎想了一套三级压缩战略，不错根据不同任务和负载，自动触发不同级别的处理。比如当高下文占比达到 60%时，自动用选录替换原文，相对温和；而当高下文占比达到80%时，顺利清算不再谈论的旧任务音问，为面前任务腾出空间。

在长任务场景下，这套压缩机制不仅匡助Agent晋升了30%的任务顺利率，也让Token最高检朴60%以上。“短期顾虑咱们作念得比较进步，业界莫得太多的决策。”腾讯云数据库副总司理罗成说。

针对恒久顾虑，腾讯云数据库也瞎想了从L0-L4的语义金字塔：其中L0包含原始的对话记载，L1是从对话中索要的原子化事实片断，L2是将原子事实组织成行为场景，L3则是从场景中归纳出用户画像、偏好、民风用户。

借助这一机制，系统在奉行过程中或者调用更稳定的环节信息，而不再依赖单一高下文，比如底层的原子事实只在需要核实细节时才按需检索。

以致，腾讯云数据库在短期顾虑和恒久顾虑除外，也在推动构建团队顾虑。Agent在企业场景的哄骗往往依赖团队和洽，这意味着企业级Agent需要能分享举座团队的高下文信息，瓦解合并套责任要领和规范，让多个Agent能像团队相似和洽。不难发现，在Agent从个东谈主用具转向组织和洽的势必趋势下，腾讯云数据库还是开动从顾虑层面匡助企业作念着相应的数据准备。

而腾讯云数据库的Agent Memory还是对外开源，况且在开源社区受到了宽宥。上线两周时间，Agent Memory的开源代码就收货了近5K的Stars。

除了Agent Memory，2026世界杯中国线上平台AI也需要对会话的运功绩态、行业信息等，进行恒久的保存。

而每一种数据库都有各自的哄骗场景，比如结构化的业务数据用SQL查询，常识库语料又要用向量的调回，日记跟文档又要用全文搜索作念环节词搜索。这也使得在企业的IT环境里，存在无数异构的数据库系统。

“Agent可能花了80%的时间在找数据，唯有20%的时间在想考如何用数据。“王义成说，Agent在奉行任务时，要拿到一份完竣崭新的数据，往往需要穿越多套数据系统，应答不同数据库的延时，以及适配多种数据库的一致性左券。

针对这一痛点，腾讯云数据库发布了最新的TDSQL Boundless，这是一个面向AI时期的企业级多模态的数据存储底座。它支抓一键纳管MySQL/PG、Mongo/Redis、COS、ES等数据源，让文本、图片、音视频等不同模态数据不错在合并个数据库内对都。而且支抓多模的测度打算，一次查询能同期退换语义、环节词、图谱、团聚四种本事，“这是任何单一数据库面前很难作念到的”。

在存储架构上，TDSQL-B支抓土产货SSD、云硬盘和对象存储的多级存储云原生瞎想，存算分离，弹性按需扩展。数据范畴从GB平滑增长到数十TB无需手动分库分表，冷热数据自动分层至对象存储，在保险高性能走访的同期大幅裁汰存储资本。

据悉，本年Q2，TDSQL Boundless将会重心推露面向向量索引和全文索引的哄骗场景，下半年则重心打磨基于对象存储原生和长入灵通原数据工作的本事，而来岁上半年会严防增强夹杂检索、会通检索，以及提供更完竣的多模体验。

另外，针对AI Coding场景下数据库粗造复制、测试与回滚的新需求，腾讯云TDSQL-C也作念了一次系统性升级，既支抓MySQL也支抓原生PG，不错一站式对接腾讯云cloudbase的baas平台以及Cursor、FastGPT等这些AI 开发者哄骗，用MCP、REST等左券长入接入。

这一次的升级中枢是引入数据库Branch本事，让1TB数据库从昔时小时级复制压缩至秒级“分叉”；谈判Serverless秒级启动、闲时归零的本事，更贴合 AI 编程“高频创建、低频使用”的长尾负载；提供AI Toolkit用具箱，已毕了亿级向量零损调回、列存及时候析提速10倍、向量检索内存再降75%——RAG、恒久顾虑、及时瞻念察这些复杂AI需求，开发者无须再东拼西凑，一库直达。

此外，TDSQL-C为了更好适配Agent哄骗，重构了新一代存储架构，通过重写日记系统、写入旅途和读取旅途澈底解耦；引入多数派写入左券，构建地域级全平等架构，告别木桶效应；原生支抓行列混存，合并份数据、合并套日记、合并份事务一致性——TP/AP不再需要两套库两条链路；冷数据再下千里到对象存储COS，备份快照和无尽容量都顺遂处置。最终带来的恶果是：极致性价比，TCO较同类家具下跌200%+；IO零抖动、全链路无损变更；数据零丢失，3 AZ金融级强同步、RPO=0。

03

AI in DB，给数据库装一只龙虾

数据库领域关于AI的实践，普遍有两条门道。其中一条就是上述提到的DB for AI，让数据库更好地去怡悦Agent的运行需要；另一条则是AI in DB，将Agent引入数据库的运维和治理进程中，让Agent匡助研发或者DBA作念数据库巡检、故障排查以及SQL优化等责任。

这背后，是数据库的运维正在遭受一场不对称的战斗。

DBA紧缺还是是行业性难题，即即是在大型企业亦然如斯，而数据库的分类相等复杂，这也增多了DBA的运维难度。以致vibe coding的流行，让好多非研发岗亭的东谈主也在无数创建数据库实例。在如斯表里交困的情况下，用Agent来进行数据库的智能运维就成了刚需。

小红书就是一个典型案例。业务的高速成长使得小红书的数据范畴马上蔓延，而支抓业务的所特殊据库家具集群范畴都在翻倍扩张，给后台负责运维的东谈主员带来广博压力。“传统靠东谈主肉、靠SOP、靠加东谈主扛的路子基本上走到绝顶了。”小红书数据库DevOps内行许嘉正说。

看成腾讯云首个数据库Agent，DatabaseClaw不错作念到一句话巡检，况且生成结构化的巡检诠释，而且无论下面跑的是MySQL、Redis照旧MongoDB，AI自动识别引擎，加载对应的会诊战略。它不错逐条通晓奉行测度打算，告诉你哪些需要建索引、哪些需要改写、哪些其实无须管。

但盼望与推行之间依然还存在鸿沟。比如Agent对线上SQL慢查能分析得头头是谈，但好多业务东谈主员并不敢顺利将AI的刻薄用于实在的出产环境。因为通用的AI莫得高下文，莫得调用里面的用具链，也莫得风险边缘和笔据链的意志，往往只是单纯根据SQL文本作念了体式化的分析。

与通用智能体不同的是，腾讯云DatabaseClaw基于昔时十几年工作客户积存的十几万工单，将SOP进程千里淀为Skills，相等于让Agent在奉行多样任务时都有一套最好用户实践。比如当数据库出现慢SQL的问题，通用Agent往往会给出一个不足为训的刻薄，而DataBaseClaw会多作念一步，先找到慢SQL产生的具体原因，然后言简意该。

“DataBaseClaw或者相比较之前一个东谈骨干的活或者有十几倍着力的晋升。”罗云说。

除了把内行教师真金不怕火葬为不错顺利调用的Skills，DataBaseClaw也已毕了多引擎的长入纳管。不同类型的数据库有我方的特色和运维用具，比如MySQL要看缓冲池射中率，Redis要盯内存碎屑，MongoDB要查慢操作。而DatabaseClaw用单一的Agent已毕了MySQL、Redis、MongoDB、TDSQL四大主流引擎的原生掩盖，DBA通过当然话语就不错查询数据的情状、生成报表，裁汰举座使用门槛。

相比于提高着力和易用性，安全可控是企业勇于将Agent用于实在出产环境的最环节一环。

不久前，一位SaaS企业首创东谈主就发帖称，他在使用智能体奉行测试任务时，由于凭据不匹配，Agent竟自主搜索代码库找到一个无关的 API Token，把扫数出产数据库给删除了。推行中，数据库干系到企业业务的稳定，好多企业不敢将Agent用于实在的出产环境中，一些分歧范例的操作可能对系统变成不行逆的损伤。

而DataBaseClaw则从三个层面提高Agent的安全驻防。一是开刊行为护栏，相比于简便通过Prompt工程对龙虾进行收尾，DataBaseClaw用了要领化或者抓续化的相貌在表层对龙虾进行收尾，比如只读权限和分析权限分离，一些变更类的操作需要用户二次证据。二是让龙虾的操作环境白盒化，DataBaseClaw部署在用户可见的环境上，龙虾安设了什么Skills，设立了什么战略，用户十足可知。三是全链路进行审计，环节的信息脱敏，扫数链路只保留作念什么了，为什么要作念。

不难发现，DataBaseClaw通过融入东谈主类内行教师、开发安全护栏等相貌，骨子上是处置的是通用Agent面前本事鸿沟有限和安全风险失控的难题，匡助客户信得过勇于将Agent用于数据库的实在运维环境中。

结 语

Agent带来了全新的数据使用相貌和复杂多元的数据形态，又给底层的数据库带来了广博的机遇和挑战。数据库的价值在AI时期莫得被放松，反而在增强。如何为Agent的高效运行打造一个AI原生数据库，正在成为数据库厂商们集体探索的意见。

在这条迈向AI原生数据库的路上，腾讯云基于全栈自研的数据库底座，围绕DB For AI和AI in DB的双重布局，还是构建了从AI哄骗开发到运维运行的完竣链路。

模子决定了Agent的下限2026世界杯中国线上平台，而顾虑决定了Agent的上限。在模子本事放缓、系统工程备受可爱确当下，AI原生数据库就是腾讯在Agent时期给出的最好谜底。