企业人工智能的落地，正面临一个根本性的转变：核心挑战已从模型的获取，转向了数据的治理与统一。对于旨在自主行动的 Agentic AI 而言，其决策所依赖的“记忆”（Memory）——涵盖合同、日志、事件和指标——构成了这项技术从实验走向运营的关键基础设施。将记忆视为与网络、存储同等重要的基础架构来建设，是释放AI系统连贯性与规模化潜力的前提。
内存记忆作为基础设施
记忆为智能体提供了寻找事实、传递上下文、记录决策依据的稳定方式。从这个视角看，记忆成为了数据架构中不可或缺的一流属性。一个合格的记忆基础设施必须像构建共享、可靠的网络或存储系统一样严谨，具备治理能力。唯有建立在这样的基础之上，庞大的人工智能技术栈才能停止内部消耗，作为一个有机的整体协同运作。
那么，如何构建这样的基础设施？我们必须首先直面当前碎片化数据生态系统带来的问题，并理解为何 分布式SQL 为实现记忆驱动AI所需的一致性和规模提供了可行的路径。
碎片化数据生态系统
企业数据形态多样，从严格结构化的交易记录，到松散组织的文档，再到实时产生的事件流。每种数据类型都有其独特的价值和局限，但它们必须被整合成一个连贯的基底，智能体才能在其中持续、可靠地运作。
结构化数据
结构化数据（包括事实、交易和元数据）将Agentic AI锚定在可靠、可审计且精确的真相之上。尽管目前只占企业数据总量的约20%¹，它在训练机器学习模型、保障分类、回归和预测准确性方面却发挥着决定性作用。它明确的格式为智能体的推理提供了清晰的基石，其功能如同不可变的数字律法，对触发行动、确保合规和维持AI决策一致性至关重要²。
非结构化数据
非结构化数据（涵盖文档、对话、日志、图像等）承载了组织内绝大部分的隐性知识。如果说结构化数据提供的是“是什么”，那么非结构化数据则蕴含了“为什么”的细微差别——例如语气、意图和上下文。通过语义嵌入和检索系统有效地处理这些数据，对于智能体解决歧义、弥合信息缺口、根据微妙的现实情况调整决策至关重要。
时间连续性
时间连续性使Agentic AI能够随着时间推移进行回忆、适应和行动。这主要通过三种机制实现：
- 情景记忆：使智能体能够存储和检索特定的过去事件，增强决策、规划和个性化能力，类似于人类记忆。
- 状态跟踪：在对话轮次或操作步骤间保持连续性，确保即使会话中断或切换，智能体也能保留其目标和上下文。
- 时间敏感性检索：能够过滤知识，优先呈现最新且相关的信息，最小化对过时信息的依赖。
然而，情景记忆也带来了新的风险，例如不可预测性、敏感知识留存和潜在操纵向量，这些都是研究人员正积极研究以指导安全部署的课题³。
结构化、非结构化和时间序列数据共同构成了Agentic AI的原材料。但它们之间的差异，也反映在存储它们的系统中：关系数据库存放结构化事实，内容仓库管理文档，向量存储处理嵌入，专用管道应对时间敏感事件。这些系统独立演化，各自为政，优化的是特定负载而非跨领域的“记忆”。当智能体需要在三者之间流畅推理时，结果往往不是无缝的智能，而是暴露出各种故障点的摩擦。
碎片化内存堆栈的常见故障模式
正是那些赋予Agentic AI系统强大能力（多模态知识流、迭代推理、自适应编排）的特性，也同时创造了新的脆弱性。记忆碎片化、推理因负载而变慢、运维受限于不成熟的工具链——这些不是单个组件的漏洞，而是当智能依赖于多个实时协同部件时产生的系统性张力。
Agentic AI中的延迟陷阱
多跳推理（计划、检索、行动、反思的循环）是Agentic AI的核心，但也带来了显著的延迟代价。每个循环增加的延迟可能超过传统流水线的速度。当记忆横跨向量存储、SQL数据库和缓存等多个系统时，问题会加剧，昂贵的系统间切换和不一致的结果随之而来。开发者常尝试用自适应循环、级联模型或激进缓存⁴等技术来缓解，但这只是在已经复杂的架构上叠加更多的“胶水”代码，使得系统长期来看愈发脆弱。
遗留系统的扩展限制
单体数据库、本地服务器等遗留系统，难以应对推理驱动工作负载的独特波动性。传统基础设施为可预测的查询和批处理设计，而Agentic AI可能因一个触发事件突然需要查询数千条记录并进行实时语义连接，随后又迅速归于平静。这种弹性需求是传统非弹性架构的噩梦，迫使企业在吞吐量（速度）和新鲜度（准确性）之间做出痛苦的妥协。
运营复杂性：编排脆弱性，监控盲区
运行Agentic AI之所以困难，是因为管理其的生态系统仍不成熟。与拥有K8s等成熟编排框架的微服务不同，智能体系统缺乏类似的“Kubernetes for agents”⁵，且现有部署、监控工具分散且实验性强。追踪一个智能体的决策路径变得异常困难，因为其推理路径是动态且非确定性的。运维脆弱性也令人担忧，单个服务超时可能引发连锁故障。此外，监控盲区使得“推理漂移”、幻觉率上升等微妙问题难以被及早发现。
至此，问题已清晰：Agentic AI的成功，将更多取决于能否构建出支持持续记忆、统一多样检索形式并适应推理负载波动的数据架构，而不仅仅是模型本身的能力。
分布式SQL的理由
传统基础设施的局限呼唤一个新的基础，它不应受限于僵化的事务模型、碎片化的检索流水线或脆弱的扩展假设。分布式SQL 成为解决这些问题的有力候选。它将关系数据库久经考验的优势（如SQL接口、ACID事务）扩展到分布式、多模态环境中。
分布式SQL数据库在跨多个节点（通常地理分布）分布数据和计算的同时，仍通过单一SQL接口提供服务，并利用共识协议（如Raft）保障数据的强一致性和高可用性。这使其兼具传统关系数据库的可靠性与云原生系统的弹性。
面对CAP定理的权衡，分布式SQL通常优先保证一致性（C），这对于依赖同步记忆和连贯状态进行协调推理的Agentic AI至关重要。同时，它也提供了根据应用需求调整策略的灵活性。
统一检索基金会
事务性数据系统与语义检索系统的长期分离正成为Agentic AI的瓶颈。虽然分布式SQL本身不提供向量搜索，但越来越多的平台正通过原生集成或扩展来支持这一能力。这使得事务准确性与语义相似性搜索能在同一个基础层上并肩工作，从根本上消除了跨系统协调的延迟和不一致。
SQL的声明式能力用于代理检索
SQL的声明式特性是其强大之处。分布式SQL将这一范式带入Agentic时代，使智能体能够使用统一的语法进行复杂的事务查询和（在集成向量搜索后）语义检索。这种结合让企业能复用现有的治理、工具和专业知识，同时解锁新的AI原生能力。智能体既能进行精准的过滤、连接和聚合，又能对意义和上下文进行推理。
弹性
Agentic AI工作负载天生具有波动性。分布式SQL 系统通过跨节点集群的水平伸缩来应对需求的突然激增或回落。这种弹性确保了即使在推理驱动的突发负载下，检索性能也能保持稳定，让组织能够支持大量智能体并发工作，而无需牺牲速度或可靠性。
有了Agentic应用，分布式SQL获胜
现代AI应用能够自主规划、编码、生成内容、测试并与其他代理协调。它们的行为更像不断进化、适应和迭代的“活系统”。这对底层数据层提出了前所未有的要求，而这正是分布式SQL的优势所在。
Agentic系统很少单打独斗。一个请求可能触发数十上百个智能体并行工作，各自维护中间状态或创建任务“实验分支”。分布式SQL系统可以按需创建轻量级、隔离的数据环境，其云原生、解耦的架构使得数据库或逻辑集群能几乎瞬时出现或消失，完美匹配了智能体动态、机会主义的行为模式。
此外，Agentic应用会持续重塑数据模式（Schema）。现代分布式SQL平台支持在线模式演进、元数据目录和数据状态快照分支，为智能体提供了一个安全的“实验室”，允许它们分叉数据环境、运行实验、评估结果并合并变更。
面对Agentic系统混沌、突发的负载模式，分布式SQL的计算层可以平滑地伸缩，吸收需求洪峰并在节点间重新分配工作，将不可预测性转化为可管理的常态。其内置的精细计量和成本遥测能力，甚至能让智能体根据经济反馈进行自我调节和优化。
基础设施作为实现更多工作的平台
基础设施提供了基石，但仅有基石无法建成大厦。记忆系统、分布式SQL 和统一检索层为连贯性、规模和韧性创造了条件，但它们需要被有效的应用模式所驱动，才能将潜力转化为真正的智能生产力。正如道路需要路线规划和导航才能实现通行，记忆基础设施也需要精心设计的模式来引导智能体感知、推理、行动和学习。这正是我们下一章将要探讨的核心：如何构建这些模式，让Agentic AI在为其专门设计的基础设施上充分发挥潜能。
参考文献
- Edge Delta Team, “What Percentage of Data Is Unstructured? 3 Must-Know Statistics”, Edge Delta (blog), March 6, 2024.
- David Kucher, “AI for Structured Data: Building Production-Ready Agents”, Alation (blog), June 4, 2025.
- Chad DeChant, “Episodic Memory in AI Agents Poses Risks that Should Be Studied and Mitigated”, arXiv (preprint), January 20, 2025, arXiv:2501.11739.
- Deekshith Marla, “Navigating the Trade-Offs: Latency, Cost, and Performance in Agentic Systems”, Arya.ai (blog), July 4, 2025.
- Clément Stenac, “The LLM Mesh: A Common Backbone for Generative AI Applications”, Dataiku (blog), September 23, 2023.
发表于 昨天 07:44
|
查看: 7|
回复: 0
