程彬｜腾讯云大数据基础产品总经理

过去，数据平台的核心任务是把数据存好、算好，再以查询结果、报表或预测的方式交给人使用。当 Agent 开始理解意图、拆解任务并自主行动后，数据的角色和数据平台的任务同时发生变化：数据不再只是业务运行留下的记录，而要成为 Agent 获取上下文、形成判断和持续学习的

；数据底座也不再只回答"数据在哪里、怎么算"，而要保证每一轮智能决策都能拿到可追溯、可解释、可即时调用的上下文。

数据不再只是记录，而是参与理解、判断与持续学习

传统的数据应用链路里，使用数据本身就有较高门槛。原始数据需要专业团队处理加工，再通过 BI 报表展示；如果要进一步完成预测，还需要额外的算法能力。

智能体和 AI Coding 工具降低了部分使用门槛，但"更容易用数据"并不等于数据问题已经解决。真正的变化来自应用形态本身：当软件开始持续感知、理解和行动，数据就从结果展示的材料，进入产品持续运行和决策的全过程。

智能汽车是一个直观例子。传统汽车完成设计、制造和交付后，功能基本固化，核心竞争力集中在底盘、发动机、变速箱等机械部件，数据采集和运营相对有限，驾驶判断也主要由人完成。

智能汽车则持续产生并上报驾驶行为数据，通过云端互联和 OTA 持续升级，算法与智能化能力成为重要组成部分。这里最关键的变化不是"多了数据"，而是数据开始直接参与软件迭代、AI 理解和决策，汽车由一次性交付的机械产品转变为持续感知、学习、升级并连接外部系统的软件定义平台。

导购 APP 的变化更加直接地体现了 Agent 对数据底座的要求。传统导购 APP 主要提供商品浏览、加购下单和订单查询等标准化入口，用户通过搜索和点击完成交易，运营侧以人工商品选品、页面配置、客服和 SKU 运营为主，底层主要依赖订单和用户浏览行为等结构化数据。

AI 原生导购 APP 则把交互方式改成"告诉系统你想做什么"，由 AI 导购 Agent 理解意图、拆解并执行任务。例如"类似图中这款，送长辈、预算 500、明天能到"这样的需求，同时涉及图像内容、商品属性、用户偏好、库存位置、配送时效和历史交互。

因此，支撑这类应用的数据范围也随之扩大：订单交易数据覆盖支付、履约和售后；用户行为数据包括浏览、收藏和偏好；Agent 记忆与轨迹数据包含历史对话和偏好记忆；同时还需要图像视频数据、商品百科数据以及库存位置数据。APP 的运营方式也可以由人工为主转向 Agentic 运营，延伸出商品选品 Agent、创意素材 Agent、经营分析 Agent 等角色。此时，数据不再只是运营记录，而成为 Agent 获取上下文、形成判断与持续学习的认知燃料。

两个案例对应的是同一类变化：一端是产品和应用从一次性交付转向持续感知、持续服务，另一端是数据从事后记录转向运行过程中的输入。数据不仅描述"发生了什么"，还要帮助系统识别当前状态、理解用户意图、找到相关知识和资源，并把执行轨迹重新沉淀下来。数据生命周期因此与 Agent 的任务生命周期连接在一起，这也成为后续数据底座重新设计的起点。

数据底座的新任务：为每一轮决策提供可信上下文

当目标从"给人提供查询结果"变成"让 Agent 自主参与工作"，数据链路需要从现实世界一直贯通到智能决策。现实世界中的人、设备、交易和环境持续产生数据，数据通过实时采集和多模态融合进入数据底座，再交给 LLM、上下文与 Agent 完成理解和决策，最终驱动 AI 劳动力参与工作；执行结果又会回流，进入模型训练和持续优化。这个循环要求数据不仅要可用，还要越快、越准、越可信。

对应到数据平台，新的核心任务可以概括为一句话：

保证每一轮智能决策，都拿到可追溯、可解释、可即时调用的上下文。

这里的"上下文"已经不是一组表格数据。企业事实数据、知识库、AI 资产，以及 Agent 自身的运行轨迹、记忆和反馈，都需要进入统一的上下文体系。只有把这些信息持续组织起来，Agent 才能在执行任务时获得与当前问题相关的事实、历史和状态，而不是每次从孤立数据重新开始。

这也意味着数据平台的价值边界发生变化。过去更关注存储和计算是否完成、查询是否返回结果；现在还要考虑上下文能否被准确检索和组装，执行后的反馈能否沉淀，Agent 的轨迹和记忆能否被管理，并在后续任务中继续使用。

数据平台由"承载数据"进一步走向"持续提供可信 Context"。

这个变化还体现在数据类型上。为了让 Agent 理解现实世界，平台需要同时处理企业业务知识、业务规则、知识库以及持续采集的最新数据，数据形态也从表格扩展到更丰富的多模态信息。它们在进入 AI 理解与决策环节前，需要被组织成可调用的上下文；决策和执行完成后，轨迹、记忆与反馈继续回到数据底座，参与后续模型训练和持续优化。于是，数据平台面对的不再是一条"采集—加工—查询"的单向链路，而是一条现实世界、数据流、AI 决策和执行结果持续循环的回路。

AI Native 数据平台：存储、计算、应用三层同时演进

面向 Agent 的 AI Native 数据平台可以从存储、计算和应用三个层面理解。

第一层是存储。传统数据平台更接近“企业事实数据底座”，重点是把结构化数据保存下来；AI Native 数据平台则需要形成统一 Context 上下文平面，并把它作为 Source of Truth。其核心能力包括多模态数据知识化存储、Agent 多级记忆管理、上下文检索与组装，以及反馈沉淀与持续学习。这里的统一并不是把所有数据压成一种格式，而是让数据、知识、记忆和轨迹能够在同一个上下文体系中被持续调用。

第二层是计算。过去的数据计算更偏向单一预定义的精确计算；Agent 进入后，计算任务同时包含查询、检索、推理和代码执行，并要求较低延迟。相应的 AI Native 多模态计算引擎需要同时承载检索计算、精确 SQL 计算、模型训练计算、模型推理计算、上下文构建计算以及测评和反思计算。换句话说，数据计算不再只围绕结构化数据的关系运算展开，还要延伸到非结构化数据处理，并与模型训练、推理等能力结合。

第三层：应用。传统数据平台"以数据消费为中心，向人提供查询结果"；AI Native 数据平台面向的则是高可信、可持续优化的 Agent 应用，让 Agent 能够自主完成复杂工作。

这里还带来一个新的问题：随着上下文、模型和多种计算能力被纳入平台，平台本身的复杂度会提高。为降低使用复杂度，平台还需要进一步具备 Agentic 能力，让数据平台本身变成能够理解和协助完成数据操作的智能体，而不只是被动等待用户调用的工具集合。

因此，三层能力并不是简单叠加。存储层解决"Agent 在这一轮任务中应该看到什么"，计算层解决"如何低延迟完成检索、精确计算、推理、代码执行和上下文构建"，应用层则把这些能力组织成可持续优化的 Agent 工作过程。Agent 在执行中产生的新轨迹和反馈再回到存储层，形成下一轮可被检索和组装的上下文。只有这三个层面形成回路，统一 Context 才不仅是静态数据集合，而能真正支撑持续推理和行动。

 从"存好、算好"到持续进化：AI 数据湖的三项升级

如果把上述变化落到数据湖，升级方向可以归纳为三部分：

。其目标是让数据湖成为 AI Agent 持续获得可信上下文、完成智能决策并自我进化的底座。数据湖的升级本质，也从"存好、算好结构化数据"转向"持续为智能系统提供可信上下文"。

可信上下文底座要求把数据、特征、模型、服务，以及 Agent 轨迹和记忆放进统一上下文。计算范式升级则通过 Spark + Ray 建立统一资源、调度与运行时，使传统大数据计算、非结构化多模态处理以及模型训练和推理能够进入同一条 AI 原生流水线。Agentic 能力升级的目标，是让 Agent 不仅成为数据湖的新用户，也成为新的运维者，由平台自身的智能能力降低数据操作和系统使用的复杂度。

AI DLC 的新架构把这些目标拆到具体组件中：

底层以 TCLake AI Lakehouse 为基础，通过统一多模态数据目录 TCCatalog 管理数据；TCIceberg 承载结构化数据，Lance 提供多模态 Lakehouse 存储。

在统一计算层，Meson 提供兼容 Spark 生态的高性能计算引擎，Xpark 负责自研多模态数据计算，支持 Xpark Dataset、Xpark DataFrame、Xpark AI、多模态算子和 ML/LLM Function；TCRay 则在 Ray 全栈能力上进行内核增强，覆盖 Ray Core、Ray Data、Ray Train 和 Ray Serve，包括对象存储优化、集群容错与分布式调度增强、向量化与 JIT 优化、Checkpoint 容错恢复、异构算力优化和自动伸缩等能力。平台同时提供 Jupyter、VSCode、Web Shell、CLI、SDK 和 REST API 等使用入口。

另外，TCDataAgent-EVA 提供数据分析 Agent、数据工程 Agent、数据科学 Agent 和智能搜索 Agent；TCInsight 负责计算智能调优和存储智能调优。再向上可以承载内容创作 Agent、智能营销 Agent、电商运营 Agent、法律顾问 Agent、智能驾驶 Agent、游戏运营 Agent 等各行业agent应用。

从整体上看，这套架构被归纳为

存储智能、计算智能、系统智能和数据智能

这套升级希望获得三类直接收益：

对数据基础设施而言，重点因此不再只是扩大存储或提高单次计算性能，而是把多模态数据、AI 资产、计算能力和 Agent 运行过程连接成一条可以持续获取上下文、持续决策并持续优化的链路。

当 Agent 从"查询数据的工具使用者"进一步变成需要持续理解现实世界、调用上下文并自主行动的新用户时，数据平台的设计中心也随之变化。统一 Context、多模态计算和 Agentic 能力并不是三块彼此独立的功能，而是围绕同一个目标展开：让数据在每一轮智能决策中都能被及时、可信地调用，并让决策结果继续沉淀为下一轮可使用的上下文。

导读：过去，数据平台的核心任务是把数据存好、算好，再以查询结果、报表或预测的方式交给人使用。当 Agent 开始理解意图、拆解任务并自主行动后，数据的角色和数据平台的任务同时发生变化：数据不再只是业务运行留下的记录，而要成为 Agent 获取上下文、形成判断和持续学习的认知燃料；数据底座也不再只回答"数据在哪里、怎么算"，而要保证每一轮智能决策都能拿到可追溯、可解释、可即时调用的上下文。

AI时代的数据基础设施展望

过去，数据平台的核心任务是把数据存好、算好，再以查询结果、报表或预测的方式交给人使用。当 Agent 开始理解意图、拆解任务并自主行动后，数据的角色和数据平台的任务同时发生变化：数据不再只是业务运行留下的记录，而要成为 Agent 获取上下文、形成判断和持续学习的认知燃料；数据底座也不再只回答"数据在哪里、怎么算"，而要保证每一轮智能决策都能拿到可追溯、可解释、可即时调用的上下文。

大数据

人工智能

云计算

数据平台正从存算工具转向Agent认知底座，通过统一Context、多模态计算与Agentic能力升级，构建数据-决策-反馈闭环，确保每轮智能决策获得可信上下文并持续进化。

结构化数据

数据处理

数据分析

对象存储

存储优化

数据流

智能体

数据湖

Spark 

Agent

2026上云采购 | AI焕新·智启新局

bigdata-class

lexiang

腾讯云BI特惠9.9元起！


raydata

thpc

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

AI时代的数据基础设施展望

AI时代的数据基础设施展望

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐