ITPub博客

2026 年 8 月 27 日，OceanBase seekdb 正式发布 1.4 版本。这是一次以轻量化为主线的版本更新：携带 seekdb 核心的 pylibseekdb 包从 160 MiB 缩减至 50 MiB，二进制体积缩小近 2/3，空载内存和 CPU 开销下降超过 70%。与此同时，seekdb 进一步完善嵌入式多应用同时访问、macOS 稳定性与开发者工具链，并第一次引入 Rust 技术栈和 Bazel 构建支持（Preview）。

当用户可以持续生成 Agent，规模问题就不再只是单个数据库有多大，而是千万级 Agent 能否各自拥有独立、可计算的数据与记忆空间，并在同一套基础设施上低成本、可控地长期运行。这是我们选择 OceanBase 的重要原因。—— 蚂蚁灵光当 AI 可以持续生成 Agent，数据基础设施面对的规模问题，也从“一个系统里有多少数据”，变成“需要同时管理多少个独立的数据与记忆空间”。面向海量 Agent，OceanBase

8 月 24 至 26 日，由安徽工业大学主办、住建部直属与全国住房和城乡建设领域唯一的综合性大报《中国建设报》支持的“十五五”住房公积金高质量发展研讨会在安徽马鞍山举行。活动现场OceanBase 作为唯一受邀的数字科技企业，围绕“从一体化数据库到 AI 数据库，助力住房公积金高质量发展”这一主题，分享了 OceanBase 的技

There’s no stack trace, because there’s no code that failed.栈无迹可循，盖码未尝有失也。楔子最近有不少热点事件都和 AI 安全密切相关，所以 Agent 的可观测性也被频繁提及。在传统软件出错时，我们可以通过各种手段来调试代码中的 bug。但在 Agent 出错时，还需要还原的是它在运行中形成的决策轨迹。其实除了用于排查问题之外，可观测性也和 Ag

楔子写这篇文章的起因，是前段儿时间，身边有一位同事经常跟我炫耀他的 iPhone 可以通过 macOS 的“iPhone 镜像”功能，在上班时间用办公电脑摸鱼玩儿手机。然后我刚好又在 GitHub 上看到了一个有趣的小项目——phone-harness[1]。

DeepSeek Harness 把 Agent 组织成了一棵可装卸的插件树。本文会从 DeepSeek Harness 的 bundle、profile 和 Cordis 讲起，以一个 Agent 中必不可少的上下文插件为例，为大家完整拆解一个插件在 DeepSeek Harness 中的能力暴露方式、安装步骤与如何进行远程配置。就在昨天晚上（2026 年 8 月 13 日）DeepSeek 开源了自己的 Harness 框架： deepseek-ai/deepseek-harness

“数字中国”建设过程中，住房公积金作为连接千家万户的民生纽带，其数字化转型的深度与广度直接关系到政务服务的温度与效率。面对住建部《关于加快住房公积金数字化发展的指导意见》政策文件中提出的新要求，传统以集中式数据库为核心架构的业务系统，正逐渐难以承载亿级资金流转与千万级用户并发的高标准需求。在此背景下， 华信永道与 OceanBase 双方强强联手，摒弃了以往“堆砌组件”的复杂架构，联合

“社会的生产资料被个别资本家所占有，这就是产生现代社会一切矛盾的基本矛盾。”—— 恩格斯《反杜林论》“生产资料的集中和劳动的社会化，达到了同它们的资本主义外壳不能相容的地步。这个外壳就要炸毁了，资本主义私有制的丧钟就要响了，剥夺者就要被剥夺了。”—— 马克思《资本论》楔子最近几天，看到了一则新闻 —— Palantir C

2025 年新年第一天，全国第一张失业保险基金“一本账”记账凭证在吉林省产生，作为全国社保历史档案留存。这张凭证的背后，是一场历时一年、覆盖全险种的核心业务系统数智化重构——吉林省社会保险事业管理局借助企业职工基本养老保险全国统筹契机，以 OceanBase 为底座，完成机关事业单位养老保险、企...

AI产品的幻觉与“失忆”瓶颈不在模型层，而在数据上下文处理。盲目拉长窗口反致延迟增加、成本攀升与准确率下降。基于LOCOMO数据集压测，引入OceanBase Powercontext组件精准筛选上下文，可使模型准确率提升48.77%，Token成本降低96.53%。构建可靠AI需从数据层重构记忆管理。

多 Agent 协作最难的地方，是让它们只知道自己该知道的。Agent 的记忆体系，一直是个很有意思的话题。前两天 WAIC 期间，OceanBase 开源社区主办了一场 Workshop 午餐会，和大家聊了不少 Agent 记忆的话题。我也从多 Agent 的角度分享了一个基于 PowerMem ...

OceanBase 一直沿着“一体化数据库”的方向演进：从核心交易场景的分布式在线交易，到 Oracle 兼容、HTAP、多模型能力和混合搜索。在刚刚过去的 OceanBase Hours 上，OceanBase 正式发布了湖库一体的 AI 数据库。

中小企业部署 OceanBase 应坚持“资源匹配业务、设计定性能”。生产建议标配 16C64G 虚拟机与 SSD；表设计强制主键与 NOT NULL，索引按场景遵循最左匹配；SQL 规避 SELECT * 与列函数计算。规范设计可降低运维门槛，保障业务稳定。

OceanBase通过逻辑表与原生记忆能力，为蚂蚁灵光3000万级AI Agent提供统一数据基础设施。该方案以逻辑表实现Agent级Schema隔离，避免海量物理表导致的元数据膨胀；结合结构化过滤与向量检索持久化上下文，替代大模型临时生成SQL的偏差，确保计算具备数据库级确定性。整体架构实现海量Agent数据与记忆的低成本、长期可控运行。

OceanBase 混合搜索通过单条 SQL 融合向量（语义）、全文（关键词）与标量过滤，解决单一搜索模式盲区，实现 RAG 场景下检索的“全”与“准”。该方案以数据库内核级统一索引替代“向量库+搜索引擎”的分布式拼装，利用 RRF 算法自动完成多路结果合并排序，解决异构系统融合难题并显著降低运维成本。

Agent量产瓶颈非推理能力，而是缺乏长效记忆。OceanBase联合Dify与Red Hat发布一体化架构，以PowerMem智能记忆引擎与seekdb存储底座，重构上下文管理。实测表明，该方案使问答准确率提升65.9%，P95检索时延下降91.6%，Token消耗缩减81.5%，已支撑梦宝AI、货拉拉等场景落地。

逛完WAIC，企业AI落地已告别“全能Agent”迷信。实战证明，AI价值在于边界清晰的场景内把一件事做稳。项目能否走向生产，取决于四要素：理清业务本体构建关系地图、打通实时数据流、设定可控执行路径，并落实DRI直接责任人兜底。齐备四者，模型才能真正融入工作流，交付可衡量的业务结果。

Graph Engineering 并非取代 Loop，而是破解单环同时执行、检查与决策的权责冲突。其核心是将 Agent 拆解为多环协同架构，通过明确分工、标准化交接与动态停手机制重构工作流。结合 Prompt、Context 与 Harness 工程实践，该范式将技术重心从“单环内耗”转向“多环治理”，为复杂 AI Agent 的稳定性与可维护性提供工程级解法。

信也科技将核心业务迁移至OceanBase，破解MySQL分库分表在跨库查询、扩容抖动、存储成本及DDL变更四大痛点。依托LSM-Tree压缩算法降低存储开销，支持节点平滑扩容，满足金融级强一致要求；结合OMA仿真压测与OMS实时同步工具，替代复杂分片治理，保障业务敏捷迭代。

OceanBase PowerMem 采用“六维评估模型”及“LLM 深度评估 + 规则引擎兜底”双路径机制，精确计算信息重要性分数。系统优先调用 LLM 进行多维度加权，内置三级回退解析保障稳定；若 LLM 不可用，则自动降级至规则引擎，基于关键词、长度等信号累加评分。该设计实现信息分级，确保系统在外部故障下的优雅降级与持续运行。