当8000万个智能体活跃在2026年，预计23亿个智能体将在2030年涌向生产环境，数据库厂商手里 “这把牌”该怎么“打”？什么样的数据库才配得上Agent时代？ 在腾讯全球数字生态大会-AI原生数据库专场上，腾讯云副总裁王义成给出的判断是：Agent 正在成为数据库最大的新“用户”！用户变了，一切都得跟着变。所以满足未来需求的数据库，不是一次版本升级，而是一次从底座到接口的重构。 腾讯云副总裁王义成 在王义成看来，Agent 正在从实验室走向生产，但真正卡住落地的，往往不是模型能力，而是数据底座。面向 Agent 的负载特征，比如：高频读写、长会话状态、多租户隔离、弹性伸缩等，传统数据库架构显然能力不足。围绕“为 Agent 重构数据底座”这一时代命题，腾讯云数据库做出了新的战略选择，其中 TDSQL Nexa Lakebase被视为开启Agent新未来的一张关键“王牌”。 真实痛点逼出Lakebase “一体化”这条路 Lakebase“湖库一体”概念最早由Databricks提出。它并非新型数据湖，也不是将传统数据库横向打通后做新的扩展，而是着眼于将Agent推向生产，重新思考企业数据应如何被存储、计算、接入和管理。 正如腾讯云数据库副总经理梁辰所言，数据库只有演进出真正AI原生的能力，才能跟上业务发展的新模式，支撑好企业的AI转型。传统数据库只需存得稳、查得快；如今则要变得更加AI friendly或Agent friendly，才能满足业务需求。 从AI 落地的两大主流方向来看，不外乎两大场景： 第一，泛AI 训练场景。在模型算法差异化越来越小的现状下，训练数据飞轮成了模型公司的核心竞争力。但现实情况是：多模态数据价值挖掘难、元数据/标签/语义向量/合规信息分散在多个系统、智驾场景每天流入对象存储的数据达百 TB、特征样本的圈选与发现难。 第二，企业RAG 与智能服务场景。企业多年积累的业务数据、文档、邮件、会议录屏等，数据散落各处，缺乏统一语义体系，同一个概念在不同系统里叫法不同。当企业开始做AI提效时，这些问题就凸显了出来。Agent 和人不同，它没有多年的经验与记忆，容错能力也弱，想让它正确执行业务，首先得让它准确理解业务。 这两个痛点指向同一个病灶： 系统太多、数据太散、语义太乱 。传统做法是每个模态建一套系统，再靠同步链路缝合，维护成本高，时间周期长，同时融合计算还得在业务层自己做，加大了整个数据链路的复杂性。 TDSQL Nexa Lakebase在架构上的革新是，把Agent的所有需求收进一个体系：底层用对象存储汇聚结构化、半结构化和非结构化数据，以 Iceberg/Lance 等开放表格式承载海量原始数据和加工产物；中间用“可插拔”的多种异构引擎（宽表、搜索、分析、AI 计算）各建各的索引；再用 NTS 实时同步引擎和智能编排路由层，对外提供“逻辑表”的统一抽象。 在存储层，Nexa Lakebase以对象存储为统一底座，汇聚所有类型的业务数据。同时，通过GooseFS分布式缓存做针对性加速，尤其针对Lance格式强索引、细粒度召回的访问模式做了深度优化，缓存利用率大幅提升，读取性能直接提升一个数量级。 在计算层‌，采用“可插拔”的异构引擎设计，不同引擎既可以独立对外提供服务，也可以内部打通组合使用。宽表引擎支撑海量训练数据的特征存储，搜索引擎提供全类型索引与量化算法组合，支持大规模混合检索并随负载弹性扩展；分析引擎基于MPP分布式计算框架和向量化执行模式，压榨计算资源实现海量数据的实时分析。 ‌得一提的是，NTS实时同步引擎‌，是整个架构的核心枢纽，既可以将外部各类业务数据源同步到Nexa内部的对象存储中，也可以将内部宽表引擎的数据实时同步到分析或搜索引擎，实现同一份数据面向不同查询模式的自动适配。同时，它还支持联邦纳管能力，不需要将数据迁入Nexa存储，就可以直接挂载外部数据源，完成统一查询处理。 ‌而更上层的AI计算引擎‌，是在开源Ray框架的基础上构建，大幅提升了弹性、容错、可观测与可运维能力，支撑各类AI算子的高效执行与多模态数据的加工处理，让业务团队不需要投入精力维护底层算力集群，只专注于算法本身的优化。 ‌接入层，也就是智能编排路由层‌，作为用户与Agent感知的统一入口，将底层多引擎、多源数据抽象为统一的逻辑表。用户只需要通过DDL即可完成表结构定义，后续使用过程中完全不需要感知数据的多源分布，系统会通过自研的多模态感知分布式优化框架，自动决策数据的读取与执行路径，大幅降低使用心智，让Agent专注于业务逻辑本身。对外兼容SQL、HTTP、MCP等标准协议，无缝适配各类应用生态。 ‌顶层企业数据智能服务，是面向业务的SaaS层，其中Knowledge模块提供语义构建与理解能力，Stud