9 月 22 日，AgentBridge 在云栖大会 AI 实时数据智能论坛上正式发布。作为一站式 Agent 实时数据上下文服务，AgentBridge 连接企业分散的数据源，围绕业务任务组织实时事件、业务事实、历史信息和规则，为 Agent 提供可信、可追溯、持续更新的上下文，帮助企业将 Agent 应用于实际业务。
从一笔退单说起：Agent 落地的数据难题
一笔退单刚刚发生，客服 Agent 需要回答：客户为什么退单？此前有没有投诉？按照当前的售后政策，还能采取什么挽留措施？
回答这些问题，需要查看消息队列里的退单事件，关联数据库中的订单、物流和历史工单，再从客服对话中还原沟通过程，找到适用的赔付规则和相似案例。任何一部分缺失，都可能影响最终判断。只看到订单状态，就容易忽略客户多次催促的经历；引用了旧版政策，给出的建议也可能不再适用。
AgentBridge：一站式 Agent 实时数据上下文服务
面向这类企业 Agent 场景，AgentBridge 全新发布。作为一站式 Agent 实时数据上下文服务，AgentBridge 连接企业分散的数据源，围绕业务任务组织实时事件、业务事实、历史信息和规则，为 Agent 提供可信、可追溯、持续更新的上下文，帮助企业将 Agent 应用于实际业务。
从原型到生产：落地的现实挑战
这样的需求同样出现在制造、物流和零售行业。产线温度异常，需要结合传感器数据、维保记录和安全规范判断处置方式；包裹异常滞留，需要联查追踪记录与分拣设备状态；商品库存触及安全线，则需要同时考虑销售变化、在途补货和供应商交期。业务持续变化，Agent 的判断依据也需要跟着更新。
企业在原型阶段，可以通过多个 MCP 连接数据源，也可以将数据集中到一处，快速跑通业务流程。进入生产环境后，还需要解决跨系统对象如何关联、业务口径如何统一，以及查询延迟和调用成本如何控制。随着数据量增长，全量复制也会带来持续的同步、存储与运维开销。
AgentBridge 如何构建生产级上下文
元数据统一：数据留在原处，理解保持一致
AgentBridge 采用元数据统一的方式：数据可以保留在适合自身特性的系统中，通过统一的数据目录、结构定义和业务语义，描述数据在哪里、如何组织、代表什么，再由查询入口完成数据源路由与跨源关联。企业能够沿用已有数据架构，为不同 Agent 提供一致的数据理解和使用方式。
实时接入：让刚发生的事件可被查询
在接入层，AgentBridge 支持主动发送、持续监听和原位挂载三种连接方式，覆盖消息、数据库、日志、对象存储和协作文档等来源。结构化数据进入查询与关联路径，消息和日志保留其事件特征，非结构化文档则经过解析、分块和索引，形成可检索的知识。企业已确认的业务术语、指标定义和使用约定，也可以沉淀为可复用的语义资产。
对于 Kafka、RocketMQ 中持续产生的消息，AgentBridge 可将其持续写入并组织为可查询的 Event Table。Agent 可以通过实时 SQL 筛选事件、按时间窗口统计变化，并进一步关联数据库中的客户与订单信息，或对象存储中的历史日志。这样，刚刚发生的退单事件就能进入分析过程，与客户的业务记录共同构成判断依据。
实时数据的接入还可以与 EventStreaming 配合。EventStreaming 在流转过程中完成事件过滤、字段映射和格式转换，也可结合函数计算或 AI Transform 进行自定义清洗、分类与摘要等处理。AgentBridge 接收处理结果，负责后续的数据沉淀、治理和查询分析。两者协同，让原始变化经过必要处理后进入 Agent 的上下文。
精准查询：SQL 与检索各司其职
数据及时到达之后，还需要采用适合问题的查询方式。订单金额、支付状态、工单数量等问题，需要依据结构化数据精确计算，适合通过自然语言生成 SQL 并执行。售后政策、客服对话和历史案例，则适合通过检索增强生成（RAG）找到相关内容。在退单场景中，两条路径共同提供事实与规则，支撑 Agent 形成完整的建议。
为了让 SQL 符合企业业务口径，AgentBridge 将语义层引入查询过程，管理表和字段的业务含义、可用数据范围、表间关联、计算公式，以及业务表达与实际存储值之间的映射。例如，“北京地区本季度已支付订单的净收入”这个问题，需要识别地区编码、支付状态和时间范围，还需要使用企业确认的净收入公式与关联关系。这些定义为 SQL 生成提供明确依据。
知识管理：可检索、可溯源、可核查
对于非结构化内容，AgentBridge 支持从文件上传、OSS、飞书文档和钉钉文档等来源接入，统一解析 PDF、DOCX、HTML、TXT 等格式，并建立向量、全文和元数据索引。查询时，系统结合关键词与语义检索，通过来源、版本及适用条件缩小范围，再对结果进行融合排序，向 Agent 返回相关内容片段和来源引用。
文档的身份与版本管理贯穿这一过程。稳定的唯一标识、幂等处理和版本追踪帮助减少重复内容与新旧版本混淆，分块过程尽量保留语义完整性。知识库文件作为事实来源，更新后索引保持最终一致，检索结果保留来源与版本信息，让使用者能够核查答案依据。
可观测与回归：让每次回答都能追溯
生产环境还需要回答另一个问题：当 Agent 的某次回答出现偏差，应该从哪里排查？AgentBridge 通过事件、查询与 Trace 等关联标识，连接数据流转和 Agent 执行链路，支持追踪事件到达、查询执行、内容召回，以及工具和模型调用过程。开发者可以据此查看使用了哪些数据、执行了什么 SQL、召回了哪些内容，进一步定位延迟、错误或重试发生的环节。
结合链路延迟、成功率、召回质量和 Token 消耗等运行指标，企业能够持续观察 Agent 的运行质量与成本。对于指标口径和表间关系的调整，业务答案是否受到影响，同样需要验证。AgentBridge 后续规划包括基于客户真实问题集的自动回归，用于进一步评估语义变更对已有业务问答的影响。
开放架构：沿用已有数据资产
AgentBridge 在加工、存储、查询和语义层保留开放能力。企业可以组合现有流处理组件，选择内置存储或基于 Iceberg、Parquet 等开放格式的自有存储，并通过跨源查询访问已有数据库。统一的数据目录、结构、语义和血缘也可以通过 API、CLI、MCP 等接口开放，供 Luma 或企业自己的 Agent 复用。
总结
从原型到生产，Agent 落地的差距往往不在模型，而在于能否持续获得可信、实时、可追溯的上下文。AgentBridge 让企业沿用已有的数据架构，把分散在消息、数据库、日志与文档中的信息，围绕业务任务组织为 Agent 可以直接使用的上下文，并让每一次回答都能被观测和核查。
我们期待与正在建设客服、运营、制造、物流及零售 Agent 的企业一起，带着具体的业务问题和数据源，把 Agent 真正用到业务当中。
本场论坛直播回看：
