表格存储：为 AI 注入“记忆”，构建大规模、高性能、低成本的 Agent Memory 数据底座
本文探讨了AI Agent市场爆发增长背景下的存储需求，重点介绍了Tablestore在Agent Memory存储中的优势。2025年被视为AI Agent市场元年，关键事件推动技术发展。AI Agent的存储分为Memory（短期记忆）和Knowledge（长期知识）。Tablestore通过高性能、低成本持久化存储、灵活的Schemaless设计等特性满足Memory场景需求；在Knowledge场景中，其多元索引支持全文、向量检索等功能，优化成本与稳定性。实际案例包括通义App、某浏览器及阿里云多项服务，展示Tablestore的卓越表现。最后邀请加入钉钉群共同探讨AI技术。
OTS（Table Store）
OTS（Table Store）是阿里云提供的分布式NoSQL数据库服务，支持海量结构化数据的存储、查询和分析。OTS具有高可用、高性能、高扩展性和低成本等特点，适用于各种场景下的数据存储和处理，例如电商、物流、游戏等。
AI时代：云存储加速多模态数据存储与管理创新
阿里云存储产品高级解决方案架构师欧阳雁（乐忱）分享了中国企业在全闪存高端存储市场的快速增长，指出AI大模型的发展推动了企业级存储市场。去年，高端企业级存储闪存占比约为25%，相较于欧美50%的比例，显示出中国在AI领域的巨大增长潜力。演讲涵盖AI业务流程，包括数据预处理、训练和推理的痛点，以及针对这些环节的存储解决方案，强调了稳定、高性能和生命周期管理的重要性。此外，还介绍了数据预处理的全球加速和弹性临时盘技术，训练阶段的高性能存储架构，推理场景的加速器和AI Agent的应用，以及应对大数据业务的存储考量，如对象存储、闪电立方和冷归档存储产品。
Tablestore OpenMemory MCP : 跨会话、跨模型的智能记忆解决方案
本文介绍了Mem0的原理与应用场景，并基于Mem0构建了Tablestore OpenMemory MCP服务，实现个性化旅行规划助理。Mem0是一种为大型语言模型设计的智能记忆层，通过向量数据库持续学习用户交互信息，实现跨会话的个性化记忆管理。该服务提供多种MCP工具，便于集成到各类AI应用中。最后演示了个性化旅行规划应用，并介绍了服务的运行与配置方式。
基于 Tablestore 的 Agent Memory 框架
本文介绍了AI Agent对存储能力的挑战，尤其是Memory和Knowledge两类核心需求。为应对这些挑战，基于阿里云Tablestore提出了一种轻量化的Agent Memory框架设计，支持实时记忆存储与语义检索等场景。该框架已在多个实际业务中落地，如通义App、某头部浏览器的AI搜索及1688商品AI搜索等，验证了其高性能、高扩展性和低成本优势。未来将继续增强多模态与用户行为分析能力，并与主流AI框架共建生态。
大规模订单系统解读-架构篇
从最早的互联网高速发展、到移动互联网的爆发式增长，再到今天的产业互联网、物联网的快速崛起，各种各样新应用、新系统产生了众多订单类型的需求，比如购物订单、交流流水，外卖订单、支付账单、设备信息等。数据范围不仅越来越广，而且数据量越来越大，原有的经典架构方案已经很难满足当前新的业务场景。在新的需求下，对存储规模、开发效率、查询功能、未来扩展性等众多方面提出了更高的要求，要设计一款可靠稳定且扩展性好
Dify x Tablestore 构建低成本、Serverless 知识库
本文介绍如何基于Dify与阿里云Tablestore构建检索增强生成（RAG）系统，解决大模型知识时效性和领域适配性问题，该方案具备低代码、Serverless免运维、高可靠、弹性扩展及低成本等优势。文章通过答疑助手的案例，详细说明了创建Tablestore实例、配置Dify、构建与验证知识库的步骤。