要说过去一年AI圈什么概念最火，非Agent莫属。从自动写代码到整理信息，再到端到端完成任务，整个行业都在见证一场转变：AI从“回答问题”进化到“完成工作”。

不过，当Agent真正被部署到企业生产环境里，一个更棘手的问题就浮出水面了——Agent的最终表现，说到底还是取决于喂养它的数据质量以及数据流转的效率。模型再强，如果拿到的数据是过时的、零散的、彼此对不上的，那也白搭。

现实世界可不会等AI慢慢准备好。金融市场每秒都在波动，直播间里弹幕和商品信息不断翻新，企业的系统每天都会生成海量的日志、交易记录和用户行为数据。对于一个真正要干活的Agent来说，最大的挑战不是生成一个漂亮的答案，而是如何在这样一个不断变化的环境里，持续获取信息、理解变化，然后做出下一步决策。

这也意味着，未来能用的企业级Agent，形态得变一变了：从过去那种“用户提问，AI回答”的对话式交互，转向由真实世界事件持续驱动的Event-driven Agent。

在刚过去的Flink Forward Asia（FFA）2026大会上，阿里云宣布Apache Flink全面进入Agentic Streaming时代，直接回应了这个双重命题：AI正从对话走向事件驱动，而Agent的竞争力，本质上就是背后数据供给质量和流转效率的比拼。底层数据基础设施的升级，已经不是一道选择题，而是前提条件。过去那些支撑业务决策的实时数据流系统，正在变成AI Agent连接现实世界的核心入口。

一、大模型之后，数据基础设施需要变一变

在过去的BI和实时计算时代，数据基础设施的核心任务，是帮企业更快地搞清楚“已经发生了什么”。以Flink为代表的实时计算系统，解决的核心问题就是怎么处理源源不断产生的数据流：订单变化、用户行为、交易记录、系统日志……这些结构化数据被实时处理后，变成业务决策需要的信息。

这个阶段，数据的主要使用者是人——数据开发工程师写任务，分析师看报表，业务人员根据结果拍板。

但AI进入生产环境后，情况不一样了。在阿里云开源大数据平台负责人王峰看来，Flink向Agentic Streaming演进，本质上是流计算技术自身的优势，和AI时代的需求刚好碰上了。过去流计算解决的是数据“实时流动”的问题，而Agent时代需要解决的是：怎么让智能系统“持续感知”现实世界。

变化首先来自数据本身。以前企业的数据主要是结构性数据，围着数据库和业务系统转；但AI时代，大模型和Agent要处理的数据范围迅速扩大——文本、图片、音频、视频、传感器信号，还有来自各种业务系统的实时事件，都成了AI理解世界的一部分。数据规模不是简单地在变大，而是从单一形态走向全模态，从静态信息变成了动态事件。

更重要的变化，是数据的使用者变了。

过去数据最终服务的是人：工程师写SQL，分析师做分析，运营人员制定规则。但进入Agent时代，数据开始直接喂给AI系统。一个真正干活的Agent，不会傻等用户输入后生成答案，它需要持续拿到新鲜、准确、完整的数据，并根据环境变化不断调整自己的判断。

这也是为什么Agent的能力上限，越来越依赖背后的数据质量和处理效率。大模型提供的是理解和推理能力，但如果Agent拿不到及时、正确的上下文，就很难真正参与复杂的业务。无论是智能运维、金融风控，还是内容分析，本质上都要求AI能接住现实世界不断产生的事件，并基于这些变化做出行动。所以，AI时代数据基础设施的核心命题正在变化：过去是“怎么把数据及时送到人手里”，现在则变成了“怎么让数据持续驱动智能”。

这，正是Flink进入Agentic Streaming时代背后的核心逻辑。

二、从实时计算到Agent，Flink正在重做AI的“基础设施层”

当下行业里讨论的Agent，大多集中在编程助手、个人效率工具这类场景。本质上还是“人提出需求，AI完成任务”的对话式交互，触发源永远是人的指令。但在更广阔的企业生产场景里，绝大多数触发源，其实是系统自发产生、永不停歇的事件。

在王峰看来，未来To B领域会走出一条独立的赛道——事件驱动型Agent。它不需要人发起对话，而是由海量持续产生的业务事件触发，7×24小时自主运行、异步响应、自主决策，这是真正能嵌入生产流程的AI形态。

这类Agent已经在多个场景里展现出价值。比如智能运维，企业IT系统每秒产生海量日志、指标和异常事件，过去靠人工运维和固定规则排查故障效率很低。现在，事件驱动Agent可以实时收集全量运行数据，结合大模型诊断性能瓶颈，自动调整资源并发、完成故障自愈。阿里云内部已经实现了“用Flink Agent运维Flink”，数千个计算任务的扩缩容、异常修复，全过程无需人工介入。

再比如金融风控，固定规则依然承担着前置过滤的职能，保证低延迟；而大模型则负责对可疑事件做深度研判，识别更隐蔽的作弊与风险。这种规则与模型混合的模式，同时兼顾了效率与精度。

还有直播场景，视频流、弹幕流、用户行为流多路数据同时产生。Flink可以在同一条流水线里完成抽帧理解、解说词生成、弹幕意图识别，实时调整解说风格与输出形式。

Flink能支撑这类场景，核心在于把流计算沉淀了十几年的原生能力，直接变成了Agent运行的基础底座。

在王峰看来，这正是Flink和主流多模态计算引擎的差异所在：很多引擎擅长处理离线批量的多模态数据，但Flink作为纯流式引擎，既能承接存量批量数据，也能对接无限流淌的实时数据流，覆盖的场景边界更广。它的流水线架构实现了CPU与GPU全链路流水运转，数据不落盘、网络直传，让GPU资源持续满负荷运行。

另一方面，是原生状态管理与多流对齐能力。这部分能力其实是流计算的原生积累——BI时代沉淀的分布式状态管理系统，可以直接复用为Agent的短期记忆载体；再对接外部向量数据库来承载长期知识，完全不用从零搭建一套上下文体系。而水平线、窗口机制，天然就能解决多模态数据速率不一致、到达时间有先后的问题，把多路数据按时间轴精准对齐，避免AI拿到一堆碎片化的“拼图”。

计算能力之外，Agent要持续运行，还需要一个稳固的存储底座。这也是Flink生态正在补齐的关键一环——由Flink社区孵化的Apache Paimon与Apache Fluss共同构成的Agentic Lake，实现了湖流一体的完整架构。Paimon作为下一代流式数据湖，负责全模态数据的沉淀与统一管理；Fluss作为专门的流存储系统，负责实时数据流转与Agent上下文供给。两者双向自动互通，一个管“数据沉淀”，一个管“实时输送”，让Agent永远有新鲜、完整的上下文可以用，形成了从存储到计算的完整闭环。

事实上，To B生产级Agent对可靠性的要求远高于消费级产品：个人Agent出问题重启就行，但承载业务的Agent必须支持7×24小时稳定运行、具备故障自愈能力。这正是Flink多年企业级场景沉淀下来的核心长板。

说到底，Agent从Demo走向生产，瓶颈就在于能不能长时间、稳定、可靠地跑在业务里。Flink想做的，就是通过孵化Flink Agents项目，把自己沉淀多年的可靠性、一致性与容错能力，变成事件驱动Agent的通用运行底座——也就是Streaming Agent-OS。

三、Agent时代，基础设施竞争才刚刚开始

回看技术产业的竞争脉络，云计算时代，企业比拼的是计算与存储的资源效率；大模型爆发初期，行业关注的是参数规模与榜单成绩；而当AI开始真正走进业务、走向落地，竞争的重心正在从“大脑有多聪明”，转向“能不能持续感知真实世界”。

Flink提出Agentic Streaming，本质上是给实时计算重新下了个定义。

它不再只是大数据团队的专用工具，而是AI时代的通用基础软件：向上，通过全模态数据流处理为大模型输送高质量的实时燃料；向内，通过Streaming Agent-OS支撑事件驱动Agent的稳定运行；向下，通过Agentic Lake的湖流一体架构，筑牢一个永远在线的数据底座。

王峰谈到，目前Flink开源社区的项目管理委员会已经在推进3.0版本的规划讨论，面向AI与全模态的升级是全球社区的共识，国内外多家头部科技公司都已参与共建。从计算引擎到存储生态，整个技术栈都在围绕Agent场景持续演进。

如果说大模型是AI的“大脑”，负责思考与决策，那么一套完整的实时数据体系就是AI的“神经系统”——它持续感知外界变化，把分散的信号整理成有序的信息，精准传递给大脑，再把决策同步到执行端。Flink正在做的，就是把这套神经系统的基础设施做扎实。

大模型的能力迭代还在继续，但AI应用的竞争，早已从单点的模型能力，扩展到了全链路的系统能力。未来能真正规模化落地在千行百业的Agent，靠的不只是更聪明的模型，更是足够稳定、高效、实时的数据底座。

从这个角度看，AI与Agent的基础设施竞争，其实才刚刚拉开序幕。