8 月 21 日，由「AICon全球人工智能开发与应用大会」与阿里云瑶池数据库团队联合出品的“Agent-Native 多模态数据底座与实践”专题论坛在深圳举行。 论坛用5场分享+1场动手实验，讨论了同一个命题：“当 Agent 成为数据库的主要用户，数据底座该长什么样？”

当 AI 应用从演示走向生产，企业遇到的瓶颈不只在模型和算力。Agent 会持续读写文件，它需要独立环境试错、在任务结束后保留上下文，也需要在再次唤醒时快速恢复状态。如果仍按“每个 Agent 一套独立存储”建设，成本、隔离和数据复用等都会很快成为新问题。

阿里云提供的答案是 Polar Lakebase，它是为 AI Agent 规模化运行而设计的 Workspace 基础设施，能够为海量 Agent 提供持久化工作空间。

一、一个底座，同时接住训练和推理数据

在存储层，Polar Lakebase 打破了过去"结构化走数据库、非结构化走对象存储"的格局，以一份数据、多种引擎、统一治理的架构，将训练和推理两端的数据需求收到同一套架构下。它以对象存储为单一事实数据源，数据只存一份。向上叠加多模态处理、统一元信息管理、语义抽象层，让不同阶段的 AI 工作负载在同一份数据上运行。

阿里云数据库产品事业部OLTP数据库产品经理负责人姜皓楠，分享Polar Lakebase设计理念

同时，Polar Lakebase 通过云原生共享底座支撑百万级 Agent 租户隔离挂载，这一设计解决了一个关键矛盾：Agent数量增长将不再线性传导到基础设施成本。 每个Agent 拥有独立视图，满足隔离要求；底层共享存储，避免“每个 Agent 一套实例”的线性膨胀。数据不再在多套系统间反复搬运，一次入湖、处处可用。

二、从动手实验到产业落地

阿里云数据库团队还从架构层面分享了 Polar Lakebase 的亮点能力：

认知底座：让 Agent 理解业务。传统 RAG 只检索零散文本或向量片段，缺乏对对象、关系与规则的完整理解。Polar Lakebase 将 Memory（动态上下文）、Knowledge（静态知识库）和 Ontology（本体，梳理实体与关系的骨架）三层统一，打破记忆组件碎片化。在自动驾驶场景中，Ontology 本体刻画了驾驶场景的对象、关系与规则，结合 Embedding 与 Rerank 双阶段协同检索，让 Agent 不仅"搜得到"，而且"看得懂"。

极致弹性：用完即走，闲时归零。基于沙箱热池技术，百毫秒级沙箱拉起，端到端 MCP 访问延迟低至 1.5 秒，支持 Scale to Zero。Agent 夜间休眠、任务唤醒、秒级就绪——这不是优化，而是为 Agent 工作负载重新设计的资源模型。

秒级分支隔离：基于 Log as a Database 架构和 WAL Timeline，Polar Lakebase 通过 Copy-on-Write 在元数据层面创建分支，无需拷贝数据页。一个分支创建只需 3.6 秒，支持万级并发分支和无限层级嵌套。

论坛现场特别设置了动手实验环节，众多参会者通过一个真实的会议助手 App，亲手体验了Agent 如何用自然语言查询议题、收藏日程、上传照片，轻松实现多模存储、Fork 沙箱、秒级回滚的操作。这背后靠的是 Polar Lakebase 的沙箱隔离能力——每个用户从模板 Fork 出独立分支，自然语言查询转化为 SQL 操作仅影响当前分支；即便执行了 DROP TABLE，也能秒级重置。

现场动手实验：用Polar Lakebase从零构建AI数据沙箱

传统方案要么建独立实例（成本线性膨胀），要么共享一库做逻辑隔离（一条 DROP TABLE 全军覆没），而 Polar Lakebase 的秒级分支给出了第三条路 —— 每个Agent 都可拥有自己独立的数据库副本，互不干扰。实验参与者每次操作都在自己的独立分支中进行，不会影响他人，也不必担心会污染生产数据。

上述这些技术能力并非空谈，已在多个行业客户的真实业务场景中得到验证：

在智能驾驶场景中，企业普遍面临三重困境：多模态元数据激增、数据读写带宽受限、Agent 难以理解驾驶场景中的对象与关系。传统 RAG 只检索零散文本或向量片段，缺少对象—关系—规则的完整上下文，Agent 很难做出正确判断。

基于Polar Lakebase、PolarDB Ray 与 PolarDB Ontology 的全栈方案，某头部自动驾驶企业把存储、计算、知识与记忆一一贯通。在该客户的产线参考环境中，该方案实现了支撑 500TB+元数据管理、峰值 QPS 达 400 万，典型数据处理周期从 3 天缩短至 5 小时。

某头部社群种草平台：其Al系统需要为海量 Agent 提供独立工作空间，满足多租户隔离与资源治理需求，此外还需要平滑支持 SQLite 等嵌入式组件。该种草平台选择从传统架构迁移到 Polar Lakebase 共享存储，成功支撑超4万个Agent 在线，集成十多个内部业务细分场景，并实现嵌入式组件 0 改造，零迁移成本平滑过渡。

某 AI 大模型公司：基于 Polar Lakebase Workspace 支撑了2000万+ Agent 服务，Agent 运行时规模达 20 万以上 ，每秒可并行拉起5000多个 Agent。对比企业原有方案，降低了90%的存储成本。据悉，阿里云旗下的AI智能建站平台“万小智”也已基于 PolarDB SuperBase SaaS 托管超过 2 万个应用，多租户架构将成本降低了 666 倍。

当用户从“人”变成“Agent”，数据库需要一次从“存算数据”到“服务 Agent”的范式跃迁。从智驾数据底座到百万级 Workspace，Polar Lakebase 在推动数据库向「Agent的原生运行底座」方向持续迈进。

论坛结束时，一位开发者在动手实验区说的这句话，或许是最好的总结：“以前担心 Agent 太聪明，后来又担心数据库跟不上 Agent。今天实测下来，Polar Lakebase 效果不错，也让我们对后续落地更有信心了。”