AI Agent 一旦接入客服、运营、风控、运维这些生产系统，一个很现实的问题就冒出来了：模型推理能力再强，也未必能实时感知业务现场发生了什么。
订单状态、支付结果、用户行为、应用告警、设备数据……这些每秒都在变化的内容，分散在消息队列、数据库、对象存储等不同系统里。结构各不相同，业务含义也不统一。如果 Agent 只能对着静态知识库干活，那它根本回答不了“刚刚发生了什么”“问题影响了哪些用户”“下一步怎么处理”。
怎么把实时事件持续接入、统一管理，再转成 AI Agent 能理解、能查询、能调用的数据？这已经成为企业搭建智能应用时必须跨过的一道坎。
阿里云 EventHouse 正是为这个场景设计的。它是 EventBridge 面向事件数据推出的云原生事件湖仓，在一套 Serverless 事件数据服务里，完成实时事件的接入、治理、分析，以及 AI Agent 的调用——打通 Data to Agent 的完整链路。
EventHouse 能把 Kafka、RocketMQ、MySQL、OSS 等数据源里的结构化、半结构化和非结构化数据，统一抽象成标准事件模型，然后通过 Catalog、Analysis 和 Luma 三层能力，完成事件数据的治理、分析与智能化使用。
Catalog：统一事件数据治理
Cloud Native
很多企业其实不缺数据，缺的是那张能看清数据位置、结构和关系的地图。Catalog 可以自动发现并注册不同数据源的元数据，统一管理 Schema、访问权限和数据血缘。上游业务加了新字段或者调整了数据结构，Catalog 能记录 Schema 版本；数据出异常了，研发人员也能顺着血缘关系，追踪事件经过的生产、存储和分析环节。
Catalog 兼容 Iceberg、Hudi、Delta Lake 等开放表格式，支持数据库、表、列级别的细粒度访问控制。企业可以继续用原有的数据存储和计算工具，不必为了接入 EventHouse 重新建一套体系。
Analysis：实时与历史数据统一分析
Cloud Native
统一治理之后，EventHouse Analysis 可以直接对实时事件和历史数据执行查询。覆盖 Kafka、RocketMQ 等消息数据源，也支持 MySQL、PostgreSQL、Elasticsearch 等外部数据源的联合查询。同一套 SQL 能同时处理持续流入的事件流和已经归档的历史数据。通过联邦查询，企业可以把 EventHouse 中的事件数据跟 RDS 维表、OSS 日志等关联起来——数据不需要先复制到同一个存储系统，过滤条件还能下推到源端执行，减少无效数据传输。
针对高频查询，EventHouse 支持通过物化视图预计算结果，实现毫秒级响应。对于 JSON、CloudEvents 这类事件数据，列式压缩能把存储成本较传统数据库降低 50% 以上。存储与计算资源彼此分离，计算能力可以根据业务流量弹性伸缩。
这正好解决了事件数据分析中长期存在的一个矛盾：事件产生得飞快，传统分析链路却总要等采集、清洗和同步任务完成。
Luma：面向 AI Agent 的自然语言数据分析
Cloud Native
在数据智能层，EventHouse 提供了 AI 原生分析能力 Luma。用户可以直接用自然语言描述业务问题，Luma 会自动寻找相关 Catalog、数据表和字段，生成并校验 SQL，执行查询后返回结果。
通用模型知道怎么生成 SQL，但不了解企业内部字段的业务含义。比如一个叫 status_code 的字段，数字 4 到底代表支付失败、订单关闭还是人工取消？模型没法自行判断。Luma 的 AI 语义层允许企业为字段补充业务描述、同义词和计算逻辑。Data Agent 会结合这些信息理解问题，完成元数据探测、SQL 生成、校验修复和查询执行。如果用户的问题缺少时间范围或统计口径，它会先追问，再继续分析。
举个例子：运营人员可以直接问“最近半小时有没有异常刷单行为？”Luma 会根据已授权的数据范围，寻找交易表和用户行为日志，生成包含时间窗口、IP 聚合、设备信息的关联查询，并返回疑似异常账号及相关证据。
同时，Luma 支持 MCP 集成能力，可以将企业数据挂载到自建 Agent 或桌面 Agent 平台中，让 AI Agent 在授权范围内直接访问实时业务数据。
场景示例：电商交易监控
Cloud Native
拿电商交易监控来说，订单结果可能持续写入 RocketMQ，用户资料保存在 MySQL，支付网关日志存放在 OSS。传统做法往往需要分别查询、导出数据，再人工关联。链路复杂，临时问题也常常要等数据团队排期。
接入 EventHouse 后，Catalog 可以把这些数据注册到统一目录里；Analysis 能基于时间窗口实时计算交易成功率和延迟分布；当一分钟内失败订单超过设定阈值时，规则引擎可以触发告警。分析人员随后可以关联订单、用户和网关日志，继续判断异常来自某个支付渠道、特定地域，还是一次应用变更。
业务人员也可以直接向 Luma 提问：“过去十分钟，支付失败增长最快的是哪个渠道？”不需要记住表名、字段名和连接关系，也能完成面向业务问题的数据分析。