2026 年 SelectDB AI 产品发布会，核心议题清晰明了：在 Agent 时代，数据分析基础设施应当如何演进与变革。 整场发布会聚焦于极速分析、多模数据统一管理、Agent Native、Agent Observability 以及 Serverless 弹性架构等关键方向，系统展示了 SelectDB 面向 AI 与 Agent 场景的最新战略布局。最终，吸引了超过 3 万名开发者、架构师与企业用户在线观看。 在开场演讲中，飞轮科技首席执行官马如悦直截了当地指出：要成为 Agent 时代最出色的分析引擎，必须攻克四大挑战——极速、统一、Agent Native 与 Cloud 弹性。这一判断也成为了贯穿整场发布会的核心主线。 如果要将发布会释放的关键信号加以提炼，可以归纳为以下几点： - Agent 正在逐步演变为新的数据消费者。分析引擎的核心任务，已转变为帮助 Agent 更高效地理解与运用企业数据。实时分析、Agentic Analytics、MCP Server、语义层以及 CLI/Skill 等能力的演进，均指向这一目标。 - Agent 本身也正在成为一个全新的数据生产者。Prompt、Tool Call、Trace、Token 等运行数据正呈现爆发式增长，且具备海量、Free Schema、文本和大字段占比高等显著特征。Agent 的审计、观测、评测与优化，已成为企业切实的刚性需求。Litefuse 的发布以及阶跃星辰等大模型客户的实践，本质上正是对这一趋势的有力呼应。 - 随着向量、文本、JSON 等数据形态的快速增长，企业所需的已不再是单一用途的向量数据库，而是一套能够统一管理结构化与非结构化数据的 AI 数据基础设施。也正因如此，SelectDB 强化了多模管理、混合检索等能力，致力于构建真正统一的 AI 数据底座。 接下来，我们从五个维度具体剖析 SelectDB 的布局策略。 ## 一、极速：亚秒级响应不再是优化，而是底线 在 Agent 时代，性能的重要性被进一步放大。 传统 BI 场景下，一次业务分析通常对应一条 SQL；而在 Agent 场景下，一个问题的背后可能触发数十次查询，查询延迟被放大了 10 倍甚至 50 倍。换言之，查询性能不仅关乎用户体验，更直接影响 Agent 能否高效完成推理。 马如悦在演讲中的表述非常明确：“亚秒级响应已不再是一种优化，而是一种基本底线。” SelectDB 与 Apache Doris 在实时极速分析领域拥有扎实的技术积累。在 ClickBench、SSB、TPC-H、TPC-DS 等多项权威测试中，SelectDB 的性能表现均有据可查。这些积淀为应对 Agent 推理链路中高吞吐、低延迟的查询需求，提供了更强的信心与底气。 ## 二、统一：打破内外边界，融合多模数据 过去我们谈论“统一”，更多是指数据源层面的整合。但步入 Agent 时代，这一维度已远远不够。 企业数据形态持续丰富，Agent 所需处理的已不再仅仅是结构化数据，JSON 半结构化数据、Text 全文数据、Vector 向量数据纷纷涌入。而专用向量数据库带来的高内存成本、多系统协同以及数据治理复杂度，反而成为新的瓶颈。 马如悦的观点十分清晰：未来的数据分析引擎，不仅要支持跨源查询，更需实现多模数据的统一分析。 为此，SelectDB 将统一能力拆解为两个层次： - **内外数据源统一**：跨 Lakehouse、关系数据库与对象存储的数据访问。 - **多模数据统一**：结构化数据、全文数据、向量数据与半结构化数据的统一分析。 飞轮科技技术副总裁衣国垒在发布会上正式介绍了 SelectDB 的多模数据管理能力，言辞犀利：“企业并不缺向量数据库，缺的是统一的 AI 数据基础设施。” 通过将结构化、半结构化、全文和向量数据纳入同一分析引擎，SelectDB 实现了原生的向量检索、全文检索和多模分析。在一套平台上，同时支撑 BI 分析、实时分析、RAG 和 Agent 应用，推动企业从多套系统并行的局面，走向“One Engine, All Data”的统一数据架构。 ## 三、Agent Native：让 Agent 理解数据、使用数据 Agent Native 是发布会上最值得关注的亮点之一。它不只是让 Agent 能够连接数据库，而是让整个分析引擎乃至其中存储的数据，都变得对 Agent 友好。 ### 01 语义层定义业务，MCP 连接一切 Agent 马如悦的判断是：Agent 时代最大的挑战并非生成 SQL，而是理解企业业务语义。当前 Text-to-SQL 应用普遍面临的核心难题，正是这一点。 为解决这个问题，发布会上正式推出了 MCP Server 与语义层能力。 通过内置 MCP Server，Claude Code、Codex、Cursor 等主流 Agent 可以直接接入 SelectDB；而语义层能力，则让企业能够统一定义指标、维度和业务逻辑，使 Agent 优先理解业务语义，再完成分析与查询。 现场演示中，Agent 通过自然语言完成了指标发现、维度查询和数据分析任务，完整展示了从业务问题到分析结果的闭环流程。 ### 02 CLI 与 Skill 协作，让 DBA 工作智能化 除了数据分析，发布会还展示了 Agent 在数据库设计与运维领域的探索。 飞轮科技技术副总裁陈明雨的观点十分到位：“将专家的判断转化为可复用、可验证的能力，是智能运维真正落地的关键。” 为此，SelectDB 发布了面向 Agent 的 CLI 与 Skill 体系，将容量规划、表设计校验、慢查询诊断以及云上运维等最佳实践沉淀为可执行工作流。 通过 Skill 与对应 CLI 工具协同，Agent 不仅能够理解数据库架构规则，还能在安全边界内参与诊断、优化与运维工作，真正迈向智能运维（AIOps），提升企业效能。 ## 四、Agent Observability：效果可观测、可评估 随着 Agent 应用逐步进入生产环境，新的可观测性挑战也随之浮现。 哪些环节产生了幻觉？Token 消耗发生在哪里？Agent 为何会选错工具或执行路径？这些问题背后，是对 Agent Observability 的全新需求。 发布会正式推出了面向 Agent 场景的可观测平台 Litefuse，并同步在阿里云 SelectDB 提供服务。Litefuse 将 Agent Trace 的采集、存储、分析、评估与数据集管理能力一体化整合，帮助开发者以更低成本、更低运维复杂度构建 Agent 可观测与评估体系。 飞轮科技副总裁肖康在演讲中介绍，相比 Langfuse，Litefuse 可节省最高 88% 的存储空间；文本检索可实现秒级响应，性能较传统 LIKE 查询提升 5～10 倍。同时，Litefuse 兼容 Langfuse SDK，并保留对 OpenAI SDK、Anthropic SDK、LangChain、Dify 等 100 余个 AI 生态组件的支持。 更值得关注的是，Litefuse 正式宣布开源。随着 Agent 应用加速从实验阶段走向生产环境，可观测与评估能力正成为 AI 基础设施的关键组成部分。Litefuse 的开源，不仅降低了企业构建 Agent Observability 平台的门槛，也推动这项能力从单点实践走向更广泛的生态共建。 作为国内头部大模型厂商，阶跃星辰也分享了其 Agent Trace 实践。技术专家 Rick 指出，Agent 时代的可观测性，已从“监控系统运行状态”演进为“理解 Agent 决策过程”。围绕 Prompt、Tool Call、多轮会话和 Token 成本等核心数据，阶跃星辰基于 SelectDB 构建了 Agent Trace 平台，实现了从运行观测到效果评估的数据闭环，为 Agent 持续优化提供支撑。 ## 五、Cloud 弹性：解决 Agent 时代负载的不可预测性 Agent 时代还带来了新的资源挑战。与传统 BI 场景相对稳定的访问规律不同，Agent 请求天然具备随机性和突发性。一轮复杂推理可能触发数十次查询，资源需求难以提前预估。 因此，Serverless 与自动弹性正在成为 Agent 时代分析平台的关键能力。 SelectDB 通过存算分离架构，让计算和存储能够独立伸缩；借助秒级弹性能力，在低峰自动缩容，在高峰自动扩容；通过按量计费模式，让用户仅为实际查询消耗付费。 发布会上，阿里云产品专家凤豪宣布，阿里云数据库 SelectDB Serverless 版已于 2026 年 3 月正式商业化。该版本支持秒级弹性扩缩容，使 Agent 分析资源成本从固定预留转向按需付费。 这不仅降低了资源成本，也进一步降低了数据平台的运维复杂度，让团队能够更专注于 Agent 应用和智能分析场景的建设。 ## 六、从分析数据库走向 Agent 实时分析引擎 纵观整场发布会，无论是 MCP Server、语义层、多模数据管理、CLI/Skill、Litefuse，还是 Serverless 架构，核心目标全都指向同一个方向：让数据库演进为面向 Agent 的数据基础设施。 围绕极速、统一、Agent Native、Agent Observability 与 Cloud 弹性五大维度，SelectDB 给出了自己的答案。而这，或许正是数据基础设施迈向 Agent 原生时代的重要一步。