跳转至

火山引擎发布 Agentic 全栈数据管理服务

Ch04.298 火山引擎发布 Agentic 全栈数据管理服务

📊 Level ⭐⭐ | 10.8KB | entities/火山引擎-agentic-全栈数据管理服务-2026.md

火山引擎发布 Agentic 全栈数据管理服务

摘要

2026 火山引擎 FORCE 原动力大会 SUMMER 上，火山引擎正式发布「Agentic Data Management and Services」产品体系，将传统数据库能力扩展至 AI Agent 时代的数据底座。核心产品升级涵盖 ContextSearch 智能检索、Mem0 任务记忆与图记忆、Supabase AI 原生 BaaS 平台 GA、Milvus 向量数据库增强以及 DBCopilot 智能数据库助手五大方向，标志着数据库基础设施正从「Human + Application」消费主体全面迈向「AI + Agent + Application + Human」四元消费结构。

核心要点

  • 四元消费结构（A3H）：数据消费主体从「Human + Application」扩展至 AI、Agent、Application、Human，其中 AI Agent 的体量呈指数级增长——IDC 预测活跃 Agent 将从 2025 年 2860 万暴涨至 2030 年 22.16 亿（CAGR 139%）。
  • ContextSearch Agentic Search：基于 ReAct 框架构建主动规划引擎，支持「感知→推理→执行」自主闭环，歧义场景准确率达 91.7%（基础 RAG 为 0%），整体搜索正确率提升 24%。
  • Mem0 任务记忆与 Graph Memory：新增基于任务的记忆沉淀 Agent 过往经验，实现任务成功率提升 10%、Token 消耗节省 44%、时延减少 39%；Graph Memory 支持多跳关联关系查询，LoCoMo 评测得分从 86 提升至 91。
  • Supabase GA 与全链路 Serverless：秒级创建、深度集成 MCP/Skill/CLI、全链路 Serverless、数据分支（Data as Git），半年内实例增长 18 倍达百万级。
  • DBCopilot 智能数据库助手：通过凭证托管与细粒度权限管控实现安全可控的 Agent 数据库操作，日均一万余次故障智能诊断，故障定位恢复时长缩短 50%，人工运维成本下降 70%。

技术架构

传统 RAG 采用「用户输入→知识召回→LLM 生成→答案输出」的线性流程，在面对实体类、统计类、时序类复杂查询时表现不佳。ContextSearch 基于 ReAct 框架构建主动规划引擎，将检索范式从被动单步升级为主动多步的 Agentic Search。核心能力包括：

  1. 意图拆解与澄清：面对同名客户、指代不清等歧义场景，通过多轮交互澄清用户真实意图
  2. 结构化上下文反馈流：打通安全合规数据接入，构建从感知到推理到执行的完整闭环
  3. 生产级可用性：基于 200 条复杂问答评测集，搜索正确率提升 24%，已全面具备进入生产级 Agent 系统的能力

Mem0：Agent 长期记忆的「经验自进化循环」

火山记忆库 Mem0 新增两大核心功能重塑 Agent 记忆体系：

任务记忆：适配长周期、多轮循环的复杂业务任务，构建完整的经验自进化循环。Agent 可沉淀过往任务成败经验与用户偏好，实现持续自主迭代进化。在 OfficeQA BenchMark 上实现任务成功率提升 10%、Token 消耗节省 44%、整体时延减少 39% 的三重收益。

Graph Memory：支持 Agent 存储和查询多跳关联关系数据，解决了传统平坦记忆结构在复杂推理场景中的不足。飞书妙搭 OpenClaw 接入 Mem0 后，业务模拟 QA 准确性高达 97.6%。

Supabase：AI 原生 BaaS 平台的创新设计

Supabase 的核心设计理念是将「资源供给本身做成产品力」：

  • 秒级创建：集 Auth、DB、Messages、文件存储核心后端能力于一体，深度集成 MCP/Skill/CLI
  • 全链路 Serverless：从业务层、服务层到数据层全链路 Serverless 化，匹配 AI Agent 多变量、不可控的负载特征
  • 数据分支（Data as Git）：Branch 独立数据分支、Timetravel 任意时间点回退、PITR 快速恢复，将回溯从临时补救变为系统原生能力

Milvus 向量数据库增强

火山 Milvus 在 Agent 场景适配方面推出 Serverless 共享形态，按使用量计费、秒级创建、10 秒弹性伸缩。引擎层面创新引入 DiskANN + RaBitQ 算法，QPS 推升至 2 万以上，关键指标位居行业前列。生态方面支持通过 DTS 将 MySQL 数据 Embedding 化导入 Milvus，并发布 Skill 提供近百个 CLI 功能。

深度分析

1. 数据基础设施从「被动存储」到「主动服务」的角色转变

传统数据库的核心角色是被动的数据存储与查询引擎，而 Agentic Data 时代的本质变化在于：数据基础设施需要主动为 Agent 的自主决策行为提供支撑。ContextSearch 的主动规划引擎、Mem0 的任务记忆自进化、DBCopilot 的自动化运维——这些能力共同指向一个趋势：数据库不再是「等待被查询的仓库」，而是「主动参与 Agent 决策过程的服务平台」。这一转变要求重新设计数据库的访问接口、缓存策略、权限模型和资源调度方式。

2. Agent 负载特征对数据库架构的技术挑战

千万级 Agent 全天候自主检索、推理、协作、调度数据带来的技术挑战远超传统数据库架构的设计范畴：

  • 负载不可预测性：Agent 的并发模式与人类不同，瞬时暴涨和长时间沉默交替出现，要求数据库具备毫秒级弹性伸缩能力
  • 交互模式变更：从结构化 SQL 查询到自然语言→多步推理→工具调用的复合交互，查询模式从确定性变为概率性
  • 数据留存周期重构：Agent 的上下文记忆、任务历史、经验沉淀需要全新的数据生命周期管理

火山引擎的 Supabase Serverless 和 Milvus Serverless 实例的 10 秒弹性伸缩正是对这一挑战的架构响应。

3. 「记忆」成为 Agent 数据基础设施的核心抽象层

Mem0 的发布标志着「记忆」从应用层的能力下沉为基础设施层的服务。任务记忆和 Graph Memory 分别解决了 Agent 的两类核心需求：纵向的经验积累（从历史任务中学习）和横向的关系推理（理解实体间多跳关联）。这种将记忆抽象为独立数据服务的思路，类比于当年数据库将「持久化」从应用代码中分离出来的架构演化——它让 Agent 开发者可以专注于业务逻辑，而将记忆的管理、优化和扩展交由基础设施完成。

4. 安全可控是 Agent 数据库操作的核心前提

DBCopilot 的推出回应了一个关键问题：在 Agent 大规模操作数据库的场景下，如何确保安全性？其设计思路值得借鉴：

  • 凭证托管与细粒度权限管控：Agent 不直接持有数据库凭证，而是通过统一接入底座进行权限校验
  • 四维 Evaluator 把关：自然语言转 SQL 经过多维度安全评估
  • 全链路安全审计：所有 Agent 数据操作均可追溯

这种「让 Agent 能操作但必须可控」的安全架构，是将 AI Agent 引入生产环境的关键前置条件

5. Vibe Coding 与数据基础设施的协同演进

火山 Supabase 在扣子编程（Vibe Coding）场景中的应用展示了编码范式变革对数据基础设施的牵引作用：每个 Vibe Coding 生成物背后都会同步创建 Supabase 实例，多分支能力用于环境隔离。这种「生成即部署」的模式要求数据库基础设施实现零配置、秒级创建、自动弹性。反过来，这种需求也推动了数据库从「专业工具」向「消费级服务」的转变——这是数据库「iPhone 时刻」的雏形。

实践启示

  1. 评估 Agent 数据负载特征：在选用数据基础设施时，除了传统数据库的吞吐量、延迟等指标外，应增加对 Agent 并发模式（瞬时暴涨、长时间静默）、交互范式（自然语言→多步推理）和记忆需求的评估。

  2. 将「记忆」作为独立服务层：当 Agent 规模超过数十个时，应在架构中将记忆管理从应用代码中剥离为独立基础设施服务，利用任务记忆和知识图谱提升 Agent 的连续学习能力。

  3. 安全管控优先于功能丰富性：在让 Agent 操作生产数据库之前，先建立凭证托管、细粒度权限管控和全链路审计体系。DBCopilot 的「四维 Evaluator」模式可以作为参考架构。

  4. Serverless 是 Agent 场景的默认架构模式：Agent 负载的不可预测性使得 Serverless 架构成为自然选择。评估数据库时应重点关注弹性伸缩速度（如 10 秒级）和按使用量计费能力。

  5. 关注「数据分支」能力：Data as Git 的分支、回溯、恢复能力在 AI 原生开发（Vibe Coding、Agent 调试）中愈发关键，建议将数据版本管理纳入基础设施选型标准。

相关实体

→ 原文存档