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。

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。