面向 AI Agents 的高性能数据基座

2025年4月10-12日，QCon全球软件开发大会在北京召开，大会以 “智能融合，引领未来” 为主题，汇聚各领域的技术先行者以及创新实践者，为行业发展拨云见日。

晨章数据创始人、首席架构师陈亮博士出席并发表题为《面向 AI Agents 的高性能数据基座：架构和工程实践》的主题分享，介绍晨章数据团队关于 AI 时代数据基座架构的思考，探讨如何通过该架构解决 AI 原生应用的数据挑战，以及如何在云计算、新硬件环境下实现高性能数据基座的工程实践。

（上图为：晨章数据创始人、首席架构师陈亮博士）

陈亮博士在数据库领域深耕多年，曾任微软亚洲研究院首席研究员、微软 SQL Server XML 索引发明人和架构师、微软 Cosmos DB 图数据库架构师。曾在 SIGMOD、VLDB、ICDE 等国际顶级会议上发表多篇学术论文。

陈亮博士指出，AI Agent的崛起正在重塑软件工程的底层逻辑。传统软件作为"工具箱"，通过固定流程辅助人类完成任务；而智能体（Agent）则进化为具备认知能力的"数字伙伴"，能够理解上下文、执行复杂任务，并通过强化学习实现自我迭代。这种范式转移对数据基础设施提出全新要求：

数据飞轮加速：

AI Agent需要实时处理用户交互、知识图谱更新与多模态数据融合，传统批处理架构难以为继。

多模态数据洪流：

文本、语音、图像、视频等非结构化数据与结构化数据的混合处理需求激增。

一致性保障困境：

短期对话状态与长期知识库之间的跨时间维度一致性维护成为难题。

AI Agent 驱动的应用在早期即面临传统大厂才有的数据挑战，数据飞轮在 AI Agent 时代迭代更为迅速，加剧了数据库系统的压力。

1 数据源与模态的多元化
从结构化数据到非结构化文本、图像、时序数据，多模态融合成为刚需。例如，智能客服需同时处理实时对话记录（短期数据）与知识库更新（长期数据），并保证跨模态数据的一致性。

2 性能需求的极端分化

强事务场景（如金融交易）要求毫秒级响应，而分析型场景（如用户行为建模）可接受更高延迟；小规模实时查询与PB级离线计算需在同一架构下共存。

3 跨系统协同与一致性难题

数据同步需兼顾效率与准确性，例如对话历史向知识库的实时抽取中，如何避免“脏读”与“幻读”？

4 运维复杂度飙升

多系统并存的监控、弹性扩缩容、灾备策略等，对运维体系提出更高要求。

随着NVMe SSD、GPU计算单元和RDMA网络的普及，硬件I/O性能每18个月提升2倍，而传统数据库的IOPS（每秒输入/输出操作数）却仅能实现30%的年增长。这种性能鸿沟导致：

存储墙：

SSD顺序读取速度突破10GB/s，但传统数据库日志系统成为瓶颈。

内存墙：

DDR5内存带宽提升至50GB/s，却因数据库锁机制导致资源争用。

网络墙：

200Gbps InfiniBand网络面临数据库协议解析开销。

晨章数据凭借先进的架构与面向未来硬件的数据系统工程实现方式，能够完美突破传统数据库IOPS瓶颈，展现卓越性能。

1 全模态数据引擎

支持文本、图结构、时序等多模态数据原生存储，通过统一接口实现跨模态联合查询，性能较传统方案提升3倍以上。

2 软硬协同优化

针对新硬件（如NVMe SSD、RDMA网络）特性重构存储引擎，突破传统数据库IOPS瓶颈，使吞吐量匹配硬件极限性能。

3 弹性资源调度

基于微服务架构实现计算与存储资源的动态隔离，支持按需垂直扩展（单节点性能优化）与水平扩展（分布式集群），满足差异化场景需求。

当AI Agent成为数字经济的基础设施，数据基座的性能边界将直接决定智能体的进化速度。晨章数据通过软硬协同的系统性创新，正在为这个智能时代构筑坚实的数字底座。正如陈亮博士所言："我们正在见证数据处理从'批处理时代'向'意图驱动时代'的范式转移，而这场革命才刚刚开始。"