模型之外，数据库成了新的胜负手

模型数据库腾讯全球数字生态大会

原创月满西楼 | 2026-11-04 21:59

【数据猿导读】 “数据平台的下一轮竞争，是让Agent理解得准、执行得稳、边界可控。

“数据平台的下一轮竞争，是让Agent理解得准、执行得稳、边界可控。

10月30日的腾讯全球数字生态大会“AI原生数据库专场”重磅发布TDSQL Nexa Lakebase，定位AI原生多模数据库，受到诸多关注。

自从大模型把Agent推到台前之后，数据库要面对的“用户”开始从人变为Agent。

这个变化，值得展开讲。过去几十年，数据库服务的都是人，人写SQL、看报表、做决策，数据库只需要把结果存对、算对。而Agent是一种完全不同的用户，它要读懂数据、理解业务，还要动手写数据。企业买数据库，买的也不再只是一套存储软件，而是Agent干活的底座。

底座跟不上，模型能力的提升也无法带来真正的业务价值。在本轮AI浪潮中，大量的企业在落地开发Agent时发现：卡住项目的往往不是模型能力，而是自己攒了十几年，但孤立、缺乏治理的数据家底。腾讯云把这场发布会的主题定为AI原生数据库，意图很明确，数据库要面向Agent进行架构演进。

接下来，我们先看行业为什么到了重做的关口，再看这次腾讯给出的答案成色几何。

模型越来越强

企业的数据却没准备好

过去一年，Agent是企业级市场最热的词。几乎所有叫得出名字的企业都在做演示项目，Demo一个比一个惊艳。但真正跑进生产环境的比例并不高，多数项目停在试点阶段。

钱花了，人投了，为什么上不了线？据我们观察，多数企业不缺数据，缺的是Agent读得懂、信得过、用得对的数据底座。具体来说，这笔账可以分三笔来算。

第一笔是拼接账。

一家典型企业的数据现状是，订单躺在关系型数据库里，文档存在对象存储上，向量存储在专门的向量库里，日志又在另一套系统。一次业务问答要跨三四个系统取数，中间靠一堆同步任务维持。每新增一个Agent应用，这套拼接工程就要重来一遍，成本线性增长。

更麻烦的是，同一份数据在多个系统里各存一份，副本之间的同步时延往往导致Agent拿着过期信息做出错误判断。

第二笔是理解账。

就算把数据拼起来了，Agent也未必看得懂。例如，表名是缩写，字段没有解释，“华东收入达成率”这样的业务指标散落在文档和少数专家的脑子里。这也是为什么Text-to-SQL在公开数据集上表现惊艳，一到真实企业库准确率就明显下滑。公开数据集自带说明书，企业库只有沉默的表结构。人可以开口问同事，Agent只能猜，猜错一次，整条业务链路可能就废了。理解账是最隐蔽的一笔，性能监控管得住系统，管不住语义，它不体现在采购清单上，只在Agent上线后的每一次错误回答里显形。

第三笔是风险账。

早期的Agent以只读为主，顶多查错数据。现在的Agent要真正干活，创建记录、更新库存、执行交易，误删、越权就从“小概率事故”变成了必须兜底的安全命题。不少企业因为这个顾虑，干脆把Agent限制在只读权限里，但只读的Agent价值有限，业务闭环终究要落在写上。

三笔账叠在一起，指向同一个结论。企业之间的AI竞争，正在从“谁的模型强”转向“谁的数据底座先准备好”。

TDSQL Nexa Lakebase

把多模数据重做一遍

面对这三笔账，行业的普遍做法是“缝”。将现有的数据库通过外部的同步链路对接独立向量库，自己维护数据管线。缝的好处是改动小、上线快，但天花板绕不开，所有能力都建立在多套系统之上，拼接的复杂度随场景增多而累积，不会消失。

腾讯云的思路，有点不同。

Nexa回到原点思考一个问题，如果今天从零设计一个给Agent用的数据库，它应该长什么样？他们的答案是一套系统要同时能干四类活：在线业务读写、数据分析、语义搜索、数据加工。过去客户要自行拼接四种数据库，现在由宽表、分析、搜索、AI计算四类引擎在一套系统里完成。企业存量数据直接接入纳管，底层用开放格式存储。

模型_数据库_腾讯全球数字生态大会-1

TDSQL Nexa产品架构

那这套新思路，具体怎么实现呢？拆开看，这个设计可以对应三个命题。

命题一：共用一份数据，不再四处搬家

行业的老模式是一种负载配一套系统，系统之间靠外部任务搬运数据。它的死结不在技术，在组织。同步任务需要运维工程师自主搭建，冗杂的同步管线加之多技术栈带来的复杂性，带来的是更高的故障率和居高不下的维护成本。招更多人、买更好的工具，都是在为落后的技术架构买单。

Nexa的解法，是将复杂交给数据库产品闭环。业务写入主引擎之后，与搜索、分析的索引同步由系统搭建和维护。这个改动看着不起眼，本质是把同步从一项“工程”降格为一项“功能”。

某头部车企的智驾场景，是个直观例子。训练数据链路原本横跨多套系统，原始数据要解析、抽帧、打标、向量化才能变成样本，标签还随模型迭代不断调整。收敛到Nexa一套系统后，新增标签直接在宽表列横向动态扩展，异构索引的维护由系统闭环，数据集构建效率提升10倍以上。

命题二：让Agent读懂企业业务

统一存储解决数据拼接问题，如何理解数据要靠另一层能力。Nexa Knowledge的思路，是把企业里“口口相传”的业务知识变成可管理和维护的数据资产，Agent的起点从“猜字段”变成“查企业的业务词典”。

需要指出的是，数据资产不是一成不变的，而是要随企业发展跟随演进的。Nexa Knowledge定时监控数据变化，数据结构变了就自动感知。同时结合交互式问答，让业务人员在问数过程中就可以不断订正业务语义，让Agent越问越准。

某教育客户的智能问数场景落地后，问答准确率提升60%以上。对智能问数这类直接面对业务人员的产品来说，这个量级的准确率改善，往往就是demo与生产的分界线。

命题三：数据加工成为数据库分内事

大模型时代的数据，入库只是开始。多模数据的解析、切分、打标、向量化，维护在外部集群。用户要自行购买算力资源，维护数据管线。Nexa的AI计算引擎把加工收进产品体系内，算力开箱即用。冷数据预热、故障后断点续跑让GPU利用率更高。

从更长周期看，命题三改变的是成本结构，选型、拼接、算力闲置的成本一起降低，数据准备从“项目制”变成“服务制”。这正是云数据库当年颠覆软件部署的逻辑，这一次轮到了AI基建。

模型_数据库_腾讯全球数字生态大会-2

梁辰腾讯云数据库副总经理

国产数据库中心负责人主题演讲

Nexa不是孤军，全栈家族各守一层。

此次大会发布的不只是Nexa，而是面向AI原生的全栈数据库产品升级。

TDSQL Boundless统一承载多模态数据，一套内核兼顾事务、宽表、分析、搜索与语义检索；支持冷数据归档，一条SQL把冷数据转存到对象存储，成本约为本地盘的八分之一。

TDSQL-C提供Serverless的后端数据库服务，支撑Agent运行，无连接时缩容到零，秒级冷启动；数据分支基于写时复制，PB级数据克隆约1秒，让每个Agent可以在独立分支上试错，多Agent沙箱为每个Agent分配独立实例，秒级拉起、即用即焚。

TencentDB Agent Memory管的是上下文记忆，利用L0到L3四层记忆架构，让Agent跨会话延续用户背景和任务信息，还能沉淀团队记忆资产，项目自开源后多次登顶GitHub排行榜第一，已获得全球超3w star关注。

跑起来之后，还要让Agent接手DBA的工作。TencentDB Agent把腾讯云数据库多年运维经验封装为Skill，以10万级工单持续沉淀经验，操作不出域，分四级权限分层执行，只读自动跑、变更需确认、高危动作直接拒绝。

各项能力协同，覆盖数据存储、运行支撑、语义理解、记忆沉淀与运维管理，让Agent存得住、跑得动、看得懂、记得住、管得好。

湖与库的融合

已是全球共识

将视野拉远，腾讯云在数据库与AI融合上的探索并非孤例。

Databricks推出面向Agent的Serverless Postgres产品Lakebase，Snowflake以Unistore混合表补齐事务能力，Oracle在26ai中融合向量检索与事务处理。他们的技术路径虽有差异，但方向日益趋同：数据平台不仅要供人查询分析，更要支持Agent理解业务、执行任务。

从整个产业来看，数据库正在从业务系统的基础软件，走向智能应用的关键基础设施。AI不仅带来新需求，更在拓展数据库的价值边界。

TDSQL Nexa Lakebase给出的答案是完整的：它以对象存储为统一数据底座，以宽表、搜索、分析、AI计算多引擎为计算骨架，以智能编排路由和Knowledge语义层为统一入口，让企业在同一套系统里完成多模数据的存储、加工、检索与分析，并为Agent提供真正可用的数据底座。

此外，腾讯云数据库还披露了一组数据，过去一年，由Agent创建的腾讯云数据库PG平均日增超2万，增速超过80倍，活跃实例突破100万。需求增长与厂商布局共同表明，Agent对数据基础设施的要求，已不再停留于概念讨论。