2026 年 AI Agent 迈入规模化落地周期，大量企业完成大模型概念验证后，却卡在数据基础设施环节难以推进。

在 2026 亚马逊云科技中国峰会现场，亚马逊云科技数据库服务副总裁 Ganapathy “G2” Krishnamoorthy 在接受媒体采访时表示，企业在 AI 赛道拉开差距的核心，从来不是模型算力，而是自有存量数据能否顺畅释放业务价值。

围绕这个观点，G2 完整拆解 AI Agent 时代数据库的变革方向、产品能力标准以及适配不同企业的落地路径，为行业梳理出一套兼顾存量业务与全新创新项目的建设思路。

亚马逊云科技数据库服务副总裁 Ganapathy “G2” Krishnamoorthy

AI 重构数据库使用场景

AI Agent 大规模落地时，数据库的职能边界正在持续拓宽。原有存储架构面对智能体带来的全新诉求，已经显现出明显的适配短板。

G2 表示，数据才是客户利用先进技术、为业务创造价值的最终差异化来源。

但如何盘活存量数据供给各类智能体使用，成为数据库产品需要解决的核心命题。

传统数据库，核心职责集中在基础数据的读写和存储，大规模部署 AI Agent 之后，整套数据系统需要承接大量全新任务。

首先，智能体运行时会持续生成对话上下文与长期记忆，单纯的关键词检索无法完成语义匹配查询，向量存储搭配混合检索已经成为必备能力。当下各类大模型开发框架统一采用 MCP 协议调取企业内部数据，数据库必须兼容这套标准化接口，打通模型和业务数据之间的通路。

其次，智能体产生的流量波动幅度远高于传统业务，爆款应用会瞬间迎来千万级并发访问，小型团队测试场景又长期维持低负载，依靠人工手动调整实例规格、扩容缩容的运维模式很难跟上业务变化。

第三，安全合规层面同样存在新难题。模型、智能代理、数据库多层联动，原有数据访问权限、操作审计规则需要完整延续，引入 AI 之后不能出现管控盲区。

G2 所在带领的团队在每一类数据库上都做了针对性改造。开源关系型数据库 PostgreSQL 搭载 pgvector 向量插件，缓存产品 Valkey 与 Amazon ElastiCache 补充向量检索功能，图数据库 Amazon Neptune 新增向量查询能力。企业正在使用的 SQL Server、Oracle 等商用数据库，同样开放了 MCP 协议适配通道，存量业务无需更换存储引擎就能对接各类智能体。

无服务器架构成为适配推理负载的核心抓手，Amazon DSQL、Amazon DynamoDB、Amazon Aurora 多款产品依托弹性伸缩能力，流量高峰阶段快速扩容，业务闲置时自动释放资源，企业只需为实际产生调用的资源付费。

G2 特别强调，AI 尤其是 Agentic AI，本身属于云原生工作负载。多数企业数字化转型的第一步，都会完成数据库与应用上云。亚马逊云科技托管数据库体系覆盖开源引擎、键值存储、商用授权数据库全部品类，能够帮助企业完整迁移存量数据资产，借助配套技术从数据中挖掘 AI 业务价值。

厘清 AI 原生数据库五大核心能力

当下，国内多家云厂商纷纷布局 AI 原生数据库赛道，但市场对于这类产品的评判标准尚未形成统一共识。结合大量客户落地实践，G2 梳理出五大核心能力，构成 AI 原生数据库的完整能力框架。

最基础的门槛是数据访问能力。目前各大模型都在将 MCP 作为访问数据的标准化协议，AI 原生数据库必须确保内部所有数据都能通过这套协议被顺畅调用。

其次是向量嵌入和混合搜索能力，它赋予应用程序存储和检索 Agentic 记忆的功能，让 Agent 能把对话历史、用户偏好这些非结构化信息真正用起来。

再者，数据库还需要具备模型调用能力，不用额外搭建中转服务，就能在数据库内直接发起 AI 推理任务。

第四是自动化能力。如今低代码、AI 开发工具普及，不少无专业 DBA 背景的业务人员都能独立搭建应用，但是这些用户没有专业 DBA 的运维技能。他们需要的数据库开箱就能用，自动伸缩、自我优化，不需要人工干预。

第五，的弹性伸缩。系统既要扛住千万级并发访问高峰，也能在业务闲置时把资源收缩至零，按实际使用量计费，降低中小团队的试错门槛。

亚马逊云科技的数据库底层改造完全围绕这套标准推进，全系产品新增向量检索模块，打通 MCP 协议访问通道，同步迭代无服务器版本，搭配智能运维工具，降低普通开发者搭建 AI 应用的使用门槛。

数据库改造路径选择应以业务价值为导向

企业面对 AI 转型时，数据库改造的路径选择成了第一个难题。行业现阶段分化出两种主流数据底座建设方案，一部分企业选择保留现有 IT 基础设施，通过叠加向量检索和 Agent 记忆管理插件完成 AI 能力升级，另一部分企业从零搭建全新的 AI 原生数据底座。

不少企业会纠结是否需要彻底重构底层存储架构，G2 给出了自己的建议，要选择在当下最能为企业业务和客户创造价值的路径。他按三种场景分别给出了具体建议。

如果企业核心业务跑在 SQL Server、Oracle 这类传统数据库上，G2 建议推进现代化改造，逐步迁移到 MySQL 或 PostgreSQL。这能省掉可观的软件授权费用，长期看架构也更合理。

如果企业运行的是 ERP、供应链管理这类成熟封装系统，企业无需暂停现有业务去改造底层，而是优先打通存量数据支撑智能体运行，快速落地能产生业务收益的 AI 场景即可。

若是企业筹备全新创新项目，G2 更推荐直接搭建现代化开源数据底座。处理关系型业务可选用 MySQL、PostgreSQL，搭建数据湖则采用 Apache Iceberg 格式。开源架构既能长期维持技术自主选择权，也能持续压低基础设施使用成本。

G2 强调，企业可以分阶段推进数据基础设施升级，亚马逊云科技配套完整技术服务，在企业具备改造条件时提供迁移支撑。

多模型混合环境统一管控，一套治理体系覆盖全链路风险

如今，企业同时在跑多种大模型和多个 Agent 框架的情况也越来越普遍。这种混合部署的环境给底层数据库带来了新的挑战。

不同模型访问数据的权限怎么隔离，多框架并发调用会不会造成性能波动，跨组件的审计和成本怎么统一管控。这些是企业规模化落地阶段高频遇到的现实困境。

G2 表示，为解决多组件协同难题，亚马逊云科技打通全系产品底层协同能力。入驻 Amazon Bedrock 的每个模型都经过专项性能调优，AgentCore 内部兼容 Strands Agents 等多种 Agent 框架。同时，这些框架、Amazon Bedrock 和接入知识库的云数据库组合在一起时，能做到开箱即用的协作。

平台所有功能模块都支持单独部署使用，但数据库、Amazon Bedrock 和 AgentCore 三者组合使用，核心优势集中在统一运营治理体系。管理人员仅需在单一控制台完成配置，一套 Amazon IAM 权限规则同步覆盖模型、智能代理、数据库全链路。

用户跨多组件开展复杂业务操作时，系统会生成标准化审计日志，完整记录每一次数据调取行为，满足强监管行业的合规追溯需求。配套统一资源监控体系，同步统计多模型、多数据库资源消耗，帮助企业精准把控 AI 项目算力与存储整体开销。

结语

数据库是积淀深厚的传统赛道，Oracle 发展至今已有 49 年，MySQL 刚走完 30 周年发展历程。过去数十年间，数据库的核心职能一直没改变过，存储数据、调取数据、计算数据。

而 Agentic AI 的到来，正在打破这套运行多年的固有逻辑。数据库不再只承担被动存储仓库的职能，需要主动适配智能体的记忆存储、上下文调用、弹性负载与合规管控需求，充当起连通大模型与企业核心数据资产的关键枢纽。

未来数年，数据底座具备的灵活兼容能力、开放架构特性、自动化治理水平，会成为企业拉开 AI 竞争差距的核心支撑。对各行各业而言，适配智能体的数据升级不存在选择与否的问题，而是存在落地推进节奏快慢的区别。