COS Agent Bucket 智能体存储

摘要 2026 年,腾讯云推出面向 AI Agent 时代的智能体桶(COS Agent Bucket),为 AI Agent、SaaS 网盘、B2B2C 多用户等场景提供亿级空间原生隔离的存储能力。 本文介绍 Agent Bucket 的核心概念、架构优势和应用场景。 传统存储方案面临两类核心痛点: 独立 Bucket 方案:单个账号 Bucket 数量默认上限为 200 个,无法支撑海量 Agent 实例,管理复杂度随用户数线性增长。 腾讯云智能体桶(COS Agent Bucket)正是为解决这些挑战而设计的新一代存储方案。 二、什么是 COS Agent Bucket 腾讯云智能体桶(COS Agent Bucket)是腾讯云面向 AI Agent 时代推出的一种新的存储桶类型,专为 AI Agent、SaaS 网盘/相册

Agent Bucket 正式上线！Agent 时代的新型存储桶

腾讯云Agent Bucket发布，Agent原生存储来了!

存放Agent产物有了一个好地方！今天，腾讯云Agent Bucket（智能体桶）正式发布。 ❌为每个 Agent 单独建Bucket，数量上限难以支撑海量实例；❌让所有 Agent 共用1个Bucket，又会让隔离过度依赖业务代码，也难以对单个Agent独立设置配额、限速和生命周期策略。 Agent Bucket想了个办法， 引入了 “Space”。Space是Bucket下的独立空间单元，每个Agent或用户都可以拥有一个 Space，并具备独立的访问凭证、容量配额和读写限速。 高并发也不怕，Agent Bucket底层架构自动实现负载均衡，彻底消除单点热点瓶颈，不会因为某个热门Agent被集中访问就把整个桶拖垮。 依托Agent Bucket这套原生存储能力，腾讯Agent产品打造了多样的文件管理体验-WorkBuddy 用户：外链分享、在线预览、编辑、云端协作一应俱全。

腾讯云 Agent Bucket 产业落地，云存储开始咬合Agent

这个底座由 Agent Bucket、Vector Bucket 和 MetaInsight 三层构成。 其中，Agent Bucket 是统一的数据接入层，承接多模态数据，打破数据孤岛。 传统方案下，企业要为海量 Agent 创建管理成百上千个 Bucket，运维复杂度线性膨胀；Agent Bucket 用一个桶支撑亿级空间，管理成本大幅下降。 腾讯云存储高级产品经理王致铭在专场演讲中总结："Agent Bucket 不是给 Bucket 改个名字，而是为每一个 Agent 提供一个原生的独立空间。" 灵生科技的数据闭环 理解 Agent Bucket 的产品力，最快的方式是看一个真实的客户实践。 全栈底座上的产业加速 Agent Bucket 不是一个孤立的存储产品，它嵌在腾讯云 Agent Infra 的全栈体系中。

# Agent Bucket + cosfs 实现服务器配置迁移

它的意义在于：把对象存储映射成“像本地文件系统一样可访问”的目录允许直接使用ls、mv、cat、cp等Linux常见命令，适合直接被脚本和Agent读取与处理适合把云端配置和脚本作为文件目录直接挂载到服务器上非常适合配置迁移 =/etc/passwd-cosfs第四步：执行自动恢复脚本在挂载目录中保存统一脚本，例如：展开代码语言：BashAI代码解释/mnt/agent-bucket/scripts/setup-server.sh 脚本中可以自动完成：创建用户目录配置zsh/zinit安装常用软件拷贝nginx配置启动服务与检查状态展开代码语言：BashAI代码解释bash/mnt/ai-bucket/scripts/setup-server.sh 对多用户环境而言，这意味着：每个用户/项目可拥有独立的配置空间配置文件、脚本、数据资产可以按“空间”隔离避免不同环境互相污染对于开发者、运维团队和多Agent场景，空间隔离能力是非常重要的。 这恰恰符合服务器配置迁移的核心要求：既能保留目录结构又能在Linux服务器上直接使用还能兼容脚本和自动化流程对Agent/自动化脚本更友好7.AgentBucket的局限与注意事项AgentBucket

微信小程序AI 智能体 + Agent Bucket 实战

背景腾讯云智能体桶（COS Agent Bucket）是腾讯云面向 AI Agent 时代推出的一种新的存储桶类型，专为 AI Agent、SaaS 网盘/相册、B2B2C 多用户等场景下的"账号存储" 个人空间"诉求而设计于是我就想到在我 Vibe Coding 的微信小程序的现有纯微信云开发架构上，引入一个 "智能助手"——一个能查询账单/账本/测评数据并用自然语言回答、能生成月度消费报告的对话式 Agent ，同时把 Agent 的长期记忆和异步生成的产物(报告/总结)存到腾讯云 Agent Bucket 开通Agent Bucket登录腾讯云智能体桶（COS Agent Bucket）产品主页，点击立即开通 对话 + ReAct 工具调用（查账单/统计/测评） ├─ getAgentMessages 读取对话历史（云数据库） ├─ generateReport 生成消费洞察报告（存 Agent Bucket） └─ getAgentReports 读取报告列表/详情（Agent Bucket + 云数据库） 大模型厂商

有奖体验 | 成为 Agent Bucket 首批体验官，解锁 AI Agent 原生存储能力

腾讯云 Agent Bucket（智能体桶） 面向 AI Agent、网盘/相册应用、多租户应用等场景，提供原生空间隔离、权益管理、目录结构、分享转存等能力，帮助开发者快速搭建 AI 应用的数据底座。 腾讯云开发者社区联合 腾讯云存储团队 发起 Agent Bucket 产品体验官活动，邀请开发者分享真实体验，提交 产品使用体验反馈 或 实践内容共创，分享即有奖，还有机会赢取丰厚奖励。 测评方向体验 Agent Bucket，围绕 多 Agent 存储场景、文件管理、共享空间、秒传去重、媒体处理等核心能力，任选以下两个方向进行测评。 ②方向二：投稿体验实践内容文章参与者可结合真实业务需求，进行分享 Agent Bucket 相关能力体验，并输出使用过程、功能体验、效果反馈及优化建议。 2、内容要求发布 1 篇原创 Agent Bucket 产品体验帖或实践内容，内容需：●  ≥200 字 （不包含代码块）●  包含产品体验截图（或实践截图）●  围绕 Agent Bucket 产品体验

hive bucket

hive中table可以拆分成partition， table和partition可以通过CLUSTERED BY 进一步分bucket，bucket中的数据可以通过SORT BY排序。 x OUT OF y) 1.y必须是table总bucket数的倍数或者因子。 例如，table总共分了64份，当y=32时，抽取(64/32=)2个bucket的数据，当y=128时，抽取(64/128=)1/2个bucket的数据。 2.x表示从哪个bucket开始抽取。 例如，table总bucket数为32，tablesample(bucket 3 out of 16)，表示总共抽取（32/16=）2个bucket的数据，分别为第3个bucket和第（3+16=）19 个bucket的数据。

多租户存储别再自己造轮子：从「单 Bucket + Prefix」到 Agent Bucket 空间隔离的架构实践

3.4上传代码：Key格式<SpaceID>/<ObjectKey>下面是我们迁移后实际在跑的最小接入代码（Python3，依赖官方SDK）：展开代码语言：PythonAI代码解释#agent_bucket_upload.py report.docx（25字节，ETag:"92b8008d1cf8fd47504938f7eff1b972"）这段代码的完整版（带--demo离线模式、配置校验、命令行参数）放在系列仓库的scripts/agent_bucket_upload.py ：图7：完整脚本scripts/agent_bucket_upload.py——配置校验、离线模式与命令行参数用真实业务文件（17.4MB的产品手册PDF）跑一遍，终端输出如下：图8：终端实测——18,254,847 pipinstallqcloud_cos#正确：Python3官方SDKpipinstallcos-python-sdk-v52：拿旧文档的接口名去调SDK，全部查无实据早期体验文档里出现过create_agent_bucket_space 这类"创建空间"的独立接口名，直接按名字调：展开代码语言：TXTAI代码解释AttributeError:'CosS3Client'objecthasnoattribute'create_agent_bucket_space

Elasticsearch bucket_script、bucket_selector、bucket_sort 区别和应用场景？

需求拆解： （1）按照 city 分桶：获取“beijing”、“shanghai”的 bucket 分桶聚合结果。 （2）计算百分比：借助 “bucket_script” 脚本子聚合实现。 5、bucket_script、bucket_selector、bucket_sort 的定义和应用场景？ Bucket selector选择子聚合：对聚合的结果执行进一步的筛选和运算。 Bucket script 脚本子聚合：在聚合的结果上执行脚本运算，以生成新的聚合结果。 Bucket sort 排序子聚合：用聚合结果的任意字段进行排序，并返回一个排序后的桶列表。 应用举例：可以对某个字段的值进行分组，然后使用 bucket_sort 对分组后的桶进行排序，并使用bucket_script在桶中执行脚本，最后使用bucket_selector选择某些桶并对其进行聚合 、bucket_sort的定义和应用场景。

给 AI Agent 装一个「专属文件柜」：腾讯云 Agent Bucket 上手体验全记录

我在公司做AI应用，前阵子接手了一个给内部用的多Agent协作工具。需求本身不复杂：每个Agent会话要能存中间结果，用户要能上传图片和文档，最后还要把这些物料汇总给知识库Agent做加工。 第一版我图省事，直接让Agent把文件写到服务器本地目录，按会话ID建文件夹。 结果上线第一周就出了两个问题：单机磁盘很快就满了，运维半夜给我发消息说告警；多个Agent实例部署在不同机器上，文件散在各处，知识库Agent根本不知道去哪找。 那段时间我一直在想：这活儿本质上需要一个「给每个用户、每个Agent独立空间+能管权限+能管文件」的存储服务，只是没想到它来得这么快。 测试的时候我故意删了一批Agent生成的报告，然后在回收站里找回来了，不用像以前那样从备份里恢复。对Agent场景来说，AI产物被误删是常见事故，有个兜底能省很多事。另一个是在线预览。

腾讯云国际站代理商：Agent Bucket 与 COS 怎么配最省钱？

Agent Bucket 与 COS：智能体素材的“高速缓存”与“持久化仓库”在 2026 年的 AI 业务架构中，Agent Bucket 是腾讯云对象存储（COS）面向 AI 智能体场景的原生产品升级 如果把底层的 COS 比作“大仓库”，负责海量数据的长期持久化；那 Agent Bucket 就是“前置工作间”，负责素材的预处理、用户隔离和快速读取。 关联检查：在创建 Agent Bucket 关联存储源时，务必核对地域，确保与 COS 一致。 开启缓存加速：对于高频访问的素材，建议开启 Agent Bucket 的 GooseFS 加速能力，降低底层请求压力。 把 Agent Bucket 与 COS 放在同一地域，并善用缓存加速能力，这个组合虽然简单，却是降低成本、提升体验最直接的手段。

我把自研多 Agent 系统的存储底座换成了 Agent Bucket：S3 兼容接入实战

听说 Agent Bucket 兼容标准 S3 接口、还能给每个 Agent 一个原生隔离的 Space，我干脆把它当成了一次"存储底座重构"的实战。 这篇是我从旧方案迁到 Agent Bucket 的完整代码级过程。  二、方案对比：为什么是 Agent Bucket 而不是再建几个桶我当然想过"给每个 Agent 单独建一个 COS 桶"。 但一算规模就放弃了——Agent 实例未来要上千个，COS 的 Bucket 数量上限根本撑不住，运维也会线性爆炸。Agent Bucket 的思路是：一个智能体桶，下面用 Space 做隔离单元。 系列导航 上一篇: 给 AI 产物瘦身的完整流水线：我在 Agent Bucket 跑通媒体处理的 30 天实测下一篇: 多租户存储别再自己造轮子：从「单 Bucket + Prefix」到 Agent

Elasticsearch使用：Bucket aggregation

正确理解 Bucket aggregation 对我们使用 Kibana 非常重要。Elasticsearch 提供了非常多的 aggregation  [ˌæɡrɪˈɡeɪʃn] 可以供我们使用。 其中 Bucket aggregation 对于初学者来说也是比较不容易理解的一个。在今天的这篇文章中，我来重点讲述这个。 官方文档：https://www.elastic.co/guide/en/elasticsearch/reference/current/search-aggregations-bucket.html 存储桶（bucket）是聚合的关键要素。 接下来我们开始谈我们的重点了：Bucket aggregation。 简单地说：Bucket aggregation 是一种把具有相同标准的数据分组数据的方法。

RGW Bucket Shard优化

1.bucket index背景简介 bucket index是整个RGW里面一个非常关键的数据结构，用于存储bucket的索引数据，默认情况下单个bucket的index全部存储在一个shard文件（ (bucket_name) bucket = self.conn.get_bucket(bucket_name) all_key_name_list = =self.conn.get_bucket(bucket_name) resp=bucket.connection.make_request('GET',bucket_name, %(bucket_name) return else: bucket=self.conn.get_bucket(bucket_name) =<bucket_name> < <bucket_name>.list.backup #查看bucket的index id $ radosgw-admin bucket stats --bucket

boltdb源码分析系列-Bucket

的集合 Bucket中可以嵌套Bucket Bucket结构体定义 Bucket结构中各个字段含义如下，关键的字段有*bucket和rootNode,它们描述的是的Bucket对应B+Tree的树根信息 多个Bucket也需要一个伪根Bucket记录它们的信息，这个根Bucket就是tx.root，本文称之为根Bucket, 剩下的Bucket称之为普通Bucket. Bucket3是Bucket2的子Bucket.它们形成父子关系，从而所有Bucket形成树结构，通过根Bucket可以遍历所有子Bucket，但是注意，Bucket之间的树结构并不是B+Tree，而是一个逻辑树结构 ，如Bucket3是Bucket2的子Bucket，但并不是说Bucket3所在的节点就是Bucket2所在节点的子节点。 将当前Bucket的page字段置空，因为当前Bucket包含了刚创建的子Bucket，它不会是内置Bucket 通过b.Bucket()方法按子Bucket的名字查找子Bucket并返回结果,为啥不直接返回上面的

腾讯云国际代理商：如何利用Agent Bucket 解决智能体记忆合规存储？

腾讯云国际版近期推出的 Agent Bucket（智能体桶）功能，正是针对 AI 场景定制的对象存储方案，旨在从底层技术路径上解决这些痛点。 腾讯云国际版 Agent Bucket：为每个用户构建“独立保险箱”腾讯云国际版推出的 Agent Bucket 改变了过去“一个应用一个大桶”的粗放模式。 其核心逻辑非常直接：一个 AI 应用对应一个 Agent Bucket，而桶内会为每个终端用户分配一个独立的“空间（Space）”。 传统存储方案与腾讯云国际版 Agent Bucket 对比参考维度传统对象存储 (COS)腾讯云国际版 Agent Bucket管理逻辑目录级管理，需自行维护映射关系用户级管理，原生支持 Space 绑定隔离性依赖应用层代码 腾讯云国际版 Agent Bucket 的出现，为出海企业提供了一个更安全的“记忆底座”。

从串数据焦虑到 Space 自由，我用 Agent Bucket 智能体桶管游戏素材

所以当 Agent Bucket 智能体桶上线的时候，我直接就是一个"好家伙"。多用户目录、隔离、配额、文件系统能力，全给做成了产品特性。这不就是给我这种懒人量身定做的吗。 Agent Bucket 的 S3 入口和标准 COS 长得一模一样，拿以前的 SDK 代码直接就能跑。 场景一：多 Agent 协同生产素材。我用 WorkBuddy 批量生成 16-bit 像素风素材，两个生成 Agent 各占一个工作台空间，产出的中间结果互不串味。 整个过程各 Agent 的空间配额独立，就算某个 Agent 疯产出，也顶多撑爆自己的小仓库，伤不到别人。场景二：共享空间加私有隔离。game-testwar 是团队的公共资产区，大家都能看。 Agent Bucket 给我发了一排独立车位，每个 Agent 一个，互不占道。对于游戏团队、AI 应用开发者、网盘类产品，这套"Space 化"的思路我是真心推荐。

腾讯云国际代理商：Agent Bucket AI 智能体存储与合规方案解析

腾讯云 Agent Bucket 国际版是针对 AI 场景设计的存储方案，旨在解决高性能检索与全球合规存储的需求。 一、核心产品架构：区别于普通 COS 的 Space 原生隔离能力Agent Bucket 最大创新是在 Bucket 底层新增Space 独立空间单元，完美解决多租户隔离难题：1. 单个 Agent Bucket 支持亿级 Space，每一个 AI 智能体 / 终端用户分配专属独立 Space；2. Agent Bucket：承载对话文本、用户上传文档、多模态素材（图文 / 音频），管理短期会话与长期原始记忆；2. 四、方案横向对比：Agent Bucket vs 传统存储对比维度Agent Bucket 智能体专属方案普通对象存储 COS传统 TencentDB 数据库核心定位AI 智能体长短期记忆、多租户知识库托管通用静态文件

Hive Tunning 补充 关于bucket

网友南京-李先森给了他收集的一些资料，如下： 　　Buckets 对指定列计算 hash，根据 hash 值切分数据，目的是为了并行，每一个 Bucket 对应一个文件。 如将 user 列分散至 32 个 bucket，首先对 user 列的值计算 hash，对应 hash 值为 0 的 HDFS 目录为：/ warehouse /xiaojun/dt =20100801 之后的，那为什么要用bucket，没说，本着认真负责的态度，我从网上搜索到了Oreilly《Programming.Hive》这本书，然后在里面找到了答案，现在发出来和大家分享一下。 　　 首先回顾一下分区，分区是切分数据的一种比较方便的方法，比较常用的就是按照日期来进行切分，bucket（中文意思就是篮子，可以放鸡蛋，哈哈）其实也是一种切分数据的方法。 　　 在这种情况下，我们既想加快查询速度，又避免出现如此多的小分区，篮子（bucket）就出现了。