Agent正在重做数据库：当AI看不懂“活动预算”，2916万元的乌龙就来了

“公司的活动总预算是多少？”对一名熟悉业务的财务人员来说，这是个再简单不过的问题。但在某数据库厂商测试的企业级 Agent 场景里，AI 给出的答案与真实情况相差了近 15 倍：它自主检索企业数据库，在众多包含“金额”字段的列中机械求和，得出 2916 万元；而企业实际口径下，真实的活动预算只有 198 万元。

问题不在于模型不会写 SQL，而在于它根本不知道企业所谓的“活动预算”，究竟对应哪一个字段、哪一张表、哪一套统计口径。这个看起来有些荒诞的乌龙，揭开了企业 Agent 落地普遍存在的矛盾：模型越来越聪明，企业的数据系统却未必做好让 AI 自主工作的准备。

一分钟速览

• 某企业 Agent 测试中，AI 把活动预算算成 2916 万元，真实值仅 198 万元，误差近 15 倍。
• Gartner 今年 2 月指出，数据准备不足已成为 AI 应用的主要障碍，超过 75% 的组织优先投资 AI 就绪数据能力。
• 中国数据库市场 2025 年规模约 677.96 亿元，预计 2028 年达 979.74 亿元，年复合增长率 13.06%。
• Redis 调查显示，97% 的受访者认为上下文对 AI 至关重要，但 55% 的组织缺乏可靠的业务语义模型。
• 火山引擎、华为、腾讯云、OceanBase、镜舟科技等厂商，今年密集推出面向 Agent 的数据能力。

第一堵墙：AI 看得见数据，看不懂业务

对于数据库而言，销售额、毛利率、活动预算都可以表示为字段与计算公式。但企业的业务规则远比字段复杂。比如计算销售额，是否需要扣除退款？统计上个月的订单，按下单时间还是付款时间？过去，人可以凭借业务经验补齐这些信息；如今，Agent 如果不知道规则，就可能生成一条语法完全正确、业务结果却完全错误的 SQL。

Redis 在 2026 年发布的《The State of Context Engineering》报告中，调查了 1000 多名 IT 及 AI 基础设施负责人。结果显示，97% 的受访者认为上下文对 AI 至关重要，但 55% 的组织缺乏可靠的业务语义模型，47% 缺乏关联业务实体的上下文关系图谱，仅 4% 的组织达到报告定义的最高上下文成熟度阶段。

这意味着，企业 AI 面临的难题，已经不只是理解自然语言，更是如何准确理解企业的业务规则，获得经过确认的业务上下文。语义层、指标口径、实体关系，这些过去被视为“数据治理”的脏活累活，正在变成 Agent 的基础设施。

第二堵墙：数据分散，AI 查不全

即使 AI 理解了数据，也未必能实时获得完整的数据。Agent 还要面对第二堵墙：数据被分散在不同的系统中。

以智能汽车座舱为例。当车主说出“我有点累了”，AI 要给出合理建议，可能需要同时获取语音指令、车内视觉信息、车速及驾驶状态。但这些数据往往来自不同系统，更新时间不一，AI 获取的可能是不同时刻的信息；反复跨系统检索，还会增加延迟。对于需要实时交互甚至执行操作的 Agent 来说，几秒钟的滞后，就可能影响判断。

Redis 的同一份报告发现，54% 的受访组织认为孤立的向量存储正在影响 Agent 的实际效果，69% 认为 Agent 难以可靠地理解跨系统数据关系，另有 21% 的组织承认，其系统经常或通常使用过时、批量同步的数据进行关键决策。

更麻烦的是，跨系统查询还会增加计算、网络和 Token 开销。麦肯锡 2026 年的调查显示，约 20% 的受访者表示，AI 运营成本已限制其使用。如何减少无效检索、避免向模型反复输入冗余数据，也成了一道成本题。

第三堵墙：Agent 不只查账，还开始建账、改账

相比看不懂、查不全，真正让传统数据库架构面临更大冲击的，是 Agent 不仅要查账，还开始自己建账、改账。过去，企业运行的是少量、庞大且相对稳定的核心业务系统，数据库由专业团队维护。如今，Agent 可以自动创建记账、库存等小应用，还会频繁修改数据结构、写入业务数据。

这带来一系列新问题：Agent 创建的“影子表”谁来治理？它写入的数据如何保证一致性？多个 Agent 并发操作同一份数据，冲突怎么解决？传统数据库的权限模型、事务模型和审计能力，都是为人类操作设计的，面对高频、细粒度、自动化的 Agent 行为，需要重新设计。

厂商们已经在动手

嗅觉敏锐的基础软件厂商，动作明显加快。今年 1 月，火山引擎开源面向 Agent 的上下文数据库 OpenViking，试图统一管理智能体的记忆、资源与技能调用；3 月，华为发布 AI 数据平台，主打知识检索与 KV Cache 加速；5 月，腾讯云为 TDSQL-C 引入分支能力，并升级团队级 Agent Memory；6 月与 8 月，OceanBase 相继上线湖库一体架构与毫秒级快照克隆；10 月，镜舟科技发布 MIP 企业级 AI 数据平台。

短短几个月，从交易数据库、实时分析到湖仓平台，不同技术路线的厂商密集推出新能力，产品边界也开始变得模糊。一个事实是，当数据库的主要使用者从人逐渐扩展到 Agent，沿用了数十年的数据库架构，正在发生重构。

重构的方向，大致有三条。第一是语义层：把业务规则、指标口径和实体关系显式建模，让 Agent 不必猜。第二是上下文层：把结构化数据、非结构化文档、向量和会话记忆统一管理，减少跨系统检索。第三是执行层：提供分支、快照、回滚和细粒度权限，让 Agent 的“改账”行为可控、可审计。

趋势洞察

Agent 不会取代数据库，但会逼着数据库进化。过去，数据库的竞争点是性能、成本和兼容性；未来，还要加上“对 AI 友好”这一项。谁能把业务语义、上下文和执行控制做进底座，谁就更有机会成为 Agent 时代的数据基础设施。

对企业来说，这也意味着 AI 项目的重心要前移。不要等到 Agent 上线后，才发现数据口径不一致、权限管不住。先做数据治理，再谈 Agent 自动化，顺序不能反。

结语

2916 万元与 198 万元的差距，不是模型能力的差距，而是数据基础设施的差距。Agent 时代，数据库要回答的不再只是“数据存在哪”，而是“AI 能不能正确理解并使用它”。这道题，才刚刚开始作答。