8月20日，第十七届中国数据库技术大会（DTCC 2026）在京开幕。大会特邀百位行业顶尖专家坐镇分享，汇聚AI时代数据库架构革新、数据库内核、云原生与分布式实践等前沿议题。阿里云瑶池数据库团队集结重量级讲师团，将带来7场精彩分享（点击查看全部议题），围绕「Agent时代的数据库架构、多模数据库应用与实践、DB for AI、实时数仓」等方向展开深入探讨。

主论坛上，阿里云数据库产品事业部 RDS 总负责人陈宗志以《模型决定AI多聪明，数据库决定AI能跑多远》为题，发表主题演讲。系统阐述了Agent时代数据库面临的范式迁移与阿里云瑶池数据库的技术演进路径。

一.从“能对话”到“能做事”：Agent 时代的数据库，两端都不再是人

陈宗志表示，AI 的发展已正式进入下半场。在上半场，所有工作的核心是“为模型训练准备数据”——多模态数据清洗、高性能文件存储，数据库的角色是 AI Ready。这个阶段，数据库的目标是让数据更方便地被模型消费。

到了下半场，当模型能力与上下文工程突破临界点，Agent 开始具备多步推理、自主决策、调用工具和读写数据的能力——不再只是问答机器人，而是真正在“做事”。

阿里云数据库产品事业部 RDS 总负责人 陈宗志

这对数据库意味着2个根本性变化。第一，数据库的访问者变了。过去，数据由人开发的应用程序按照固定 Schema 发起读写；现在，Agent 以探索式、多步递归、突发不可预测的模式直接访问数据库。

第二，维护者也变了。备份、扩容、索引调优、Schema 变更这些曾经由 DBA 完成的工作，正在被 Agent 接管，DBA 退至审计位。

这2大变化，不禁让所有的数据库人思考：一套为“人”设计的数据库，要怎么服务好“Agent”？

这也意味着数据库将面临三重“不可预测”：

1. 数据类型不可预测——一次推理同时碰结构化表、向量召回、JSON文档、关系图和全文检索；
2. 访问量不可预测——多步推理瞬间把并发拉满，闲时静默，忙时几十倍尖峰；
3. 访问模式不可预测——探索式查询、分支中间数据、多步递归回溯、用完即销毁，传统事务模型已无法描述这种短生命周期的负载特征。

二.Agentic DB：让数据库“长成” Agent 友好的形态

面对这一趋势，阿里云数据库提出“双50%”的阶段性目标：未来数据库中50%的访问流量由 Agent 驱动产生，50%的数据库实例由 Agent 创建与维护。

要达成这一目标，数据库需要加速演进到 Agentic DB 形态。陈宗志提出，Agentic DB 形态的数据库需具备4大核心能力：

• 多模数据处理——一个引擎同时支撑结构化、向量、JSON、图与全文检索；
• Serverless弹性——秒级冷启动、按调用计费，跟随Agent任务自动扩缩；
• 数据库分支——像Git一样隔离探索，fork、对比、回滚，零拷贝零阻塞；
• 自然语言接口——通过MCP、Tool和Skill标准化，让Agent用自然语言直连数据。

据陈宗志介绍，Agentic DB 不是一款新的数据库产品，而是所有数据库在 Agent 时代必须演进到的形态。目前，阿里云瑶池数据库的全线产品——PolarDB、RDS、AnalyticDB、Lindorm、Tair等——均已面向 Agentic DB 形态加速演进中。

此外，阿里云还发布了AI原生数据库服务（AIDBS），AIDBS是企业级 Data－Centric Agent 的一站式开发与服务平台，使数据能够被 Agent 理解、编排、流动与监管。它内置三层Agent能力：管控面 Agent 负责实例创建、扩容、备份、升级；DevOps Agent 负责变更审核、SQL 优化、数据迁移；应用开发 Agent 负责元数据编辑、数据分析、甚至自然语言一键生成 Web 应用。以前需要人工在控制台上操作的任务，现在通过自然语言即可让Agent直接搞定。

三.从小红书到秒悟，Agentic DB 已进入落地阶段

模型决定 AI 多聪明，数据库决定 AI 能跑多远——这一判断，正在一个个阿里云数据库的客户场景中得到验证。陈宗志随后介绍了数据库在AI应用方面的多项落地实践：

面对多个 Agent 记忆隔离、经验难复用、知识库维护成本高的痛点，小红书基于 RDS ContextDB 搭建了自进化的 Agent 大脑。通过记忆与知识分层和记忆晋升机制（自动识别高价值记忆并推荐晋升，人工判断是否纳入团队知识），实现了"业务规则更新，所有部门 Agent 同步学习"。多 Agent 共享的工作空间打破了信息壁垒，解决多个Agent记忆隔离、经验难复用的问题。

“秒悟”轻应用平台基于 RDS Supabase 构建“一句话轻应用平台”，把对话输入、Code Agent、MCP/OpenAPI、部署运行收敛到一套Agent可直接调用的数据底座。目前平台已承接 9 万多个 AI 轻应用，任意状态实例 3 秒内拉起，综合资源成本降低 90%。

在研发协同场景，某头部新能源车企基于 PolarDB Agent Squad 构建了多Agent协同的AI Coding平台，将研发方法论固化为可执行的 Playbook、角色、门禁与证据链，实现按角色接力而非靠人串联。软约束升级为硬卡点的门禁工程，全流程可审计、可回滚、可复盘。

另一家头部模型公司，其网页端同时在线的 Agent 可以达到近20万个，但更多 Agent 长时间处于休眠状态。如果为每个 Agent 单独保留完整计算和存储资源，成本会很快失控。基于 PolarDB LakeBase 架构的 Agent 数据平台，可以将休眠 Agent 的数据沉降到分层存储中，在需要时再快速激活。最终，该方案支撑该模型承载流量提升 10 倍以上，同时提供金融级数据隔离，并将整体成本大幅降低 70%。

四.数据库的下一程

目前，已有超过1000家企业客户正在使用瑶池数据库 Agent 系列产品，开启 AI Native 数据底座升级。

陈宗志总结，当 Agent 从“能对话”走向“能做事”，数据库的角色也在发生根本性转变——从存取工具演变为「让Agent理解世界、积累经验并提供业务价值」的记忆中枢与数据底座。未来，阿里云数据库将持续向「Agentic Database」方向演进，基于LakeBase、多模记忆、全链路可观测等前沿技术，打造面向智能体时代的数据平台，支撑AI应用规模化落地。