专题：Agent-Native 多模态数据底座与实践

AI时代，企业智能化落地的核心瓶颈已从“算力不足”转向“数据治理不善”。私域数据的后训练与Agent工作负载的企业级落地，正成为驱动数据管理革新的两大关键场景。阿里云数据库将构建统一的多模态数据底座——Lakebase，一站式满足AI应用全链路的数据管理诉求。本次演讲将系统阐述Lakebase的设计理念：如何以一份数据、多种引擎、统一治理的架构，让数据库真正成为AI时代的核心生产力基础设施。

AI/Agent时代，数据库工作负载呈现高度分化——既有大规模数据预处理的高吞吐诉求，也有实时推理与并行实验的低延迟要求——对数据管理提出了存算分离、存储加速、混合检索与敏捷分支的架构需求。阿里云数据库将基于对象存储构建统一的多模态数据底座 Lakebase：以存算分离实现存储与计算的独立弹性，以实时分支（Branching）支撑 Agent 场景的并行迭代与快速回滚，以缓存加速与弹性编排支撑海量原始数据的存储、检索与处理，并借助 PG 的多模态能力统一结构化与非结构化数据的访问。本次演讲将系统阐述 Lakebase 的架构设计理念：如何以对象存储为基座、存算分离为骨架、实时分支为引擎，让数据库真正成为 AI 时代的核心生产力基础设施。

让 AI Agent 安全地读写数据库，第一个难题是隔离——一个 Agent的误操作不应影响另一个。传统方案要么建一套独立实例（成本线性膨胀），要么共享一库做逻辑隔离（一条DROP TABLE 就全军覆没）。 本场是全员动手实验。参会者将扫码进入一个真实的会议日程应用，浏览议题、收藏日程、上传照片、用自然语言查询数据——照片等文件直连 Lakebase 对象存储，结构化数据实时读写 PolarDB。随后，一键获得一个专属的分支，随意执行SQL、改表结构、删数据，互不影响。全程体验 Lakebase的三项核心能力：秒级分支隔离、多模存储、以及 MCP 协议驱动的 Agent 数据交互。

智驾与低空飞行汽车的数据在快速膨胀：多模态元数据激增、数据读写带宽受限，而更棘手的是 Agent 很难真正理解驾驶场景里的对象、关系与规则——存储、算力、推理、检索、知识分散在多套系统，端到端既慢又割裂。 本场分享你会先听到一套全栈融合的数据底座方案：LakeBase 做单一事实存储与近计算透明缓存，PolarRay 弹性调度抽帧、结合Embedding、Rerank 算子，PolarDB PG 在一个引擎内统一承载多模态数据、向量、本体（Ontology）与记忆（Memory），再以 RAG/GraphRAG 把数据变成 Agent 可理解的知识；随后分享自驾产线上的真实落地与成效。

AI Agent 走向规模化后，Workspace 成了继 LLM、Tool、Context Window 之后被忽略的第四块基础设施——Agent 运行中产生的代码与产物、多模态文件、知识库与 Skill、运行状态，乃至就地读写的 SQLite、DuckDB、LanceDB，都需要一块载体来承载。 Workspace形态正在发生一次明确迁移：从"私有化存储介质"走向"共享存储底座"。原有方案在这种特征下，成本随 Agent 数量线性膨胀，挂载密度受限，空闲资源无法释放。 本次分享拆解共享存储底座的设计思路：如何以 Per-Agent 独立视图加共享底座的解耦架构，让成本随数据量而非 Agent 数量增长；如何用对象存储做持久层、数据库做元数据服务、可独立伸缩的缓存做加速；以及写时复制快照与 POSIX / S3 双协议接入带来的实际价值，并结合四类典型场景给出可直接自查的选型判断标准。

让 AI Agent 安全地读写数据库，第一个难题是隔离——一个 Agent的误操作不应影响另一个。传统方案要么建一套独立实例（成本线性膨胀），要么共享一库做逻辑隔离（一条DROP TABLE 就全军覆没）。 本场是全员动手实验。参会者将扫码进入一个真实的会议日程应用，浏览议题、收藏日程、上传照片、用自然语言查询数据——照片等文件直连 Lakebase 对象存储，结构化数据实时读写 PolarDB。随后，一键获得一个专属的分支，随意执行SQL、改表结构、删数据，互不影响。全程体验 Lakebase的三项核心能力：秒级分支隔离、多模存储、以及 MCP 协议驱动的 Agent 数据交互。