最新发布！能为Agent服务的数据库来了！

作者：颜资源站长 · 发布：2026-08-28

新品发布：TDSQL Nexa

做一个 Agent，到底要接多少套数据库？

如果只是做 Agent Demo，答案很简单：准备一些文档，放进向量数据库，再接上大模型，一个客服机器人就能跑起来。

在这个阶段，数据库似乎只负责一件事：从知识库中找到相关资料，再交给模型回答。

但 Agent 一旦进入真实业务，问题就完全不同了。

它不仅要读取企业数据、理解业务口径，还要连续执行任务、保存运行状态，并在多 Agent 并发和突发流量下保持稳定。

这时候，向量检索只能解决其中一个问题。

最近，在国内数据库领域的头部大会DTCC上，腾讯云数据库发布面向 AI Agent 时代的数据库应用架构，并推出全新产品 TDSQL Nexa。

它背后的判断是：数据库正在从「以人为主体的数据管理系统」走向「Agent 的数据底座」，而 TDSQL Nexa 要为 Agent 提供统一的数据平面。

一、从人到Agent，数据库的服务对象变了

过去，数据库主要服务人和预设好的应用流程。

工程师写 SQL，业务人员查看报表，应用沿着固定路径完成增删改查。数据库扮演的，更多是「事实记录系统」的角色。

到了 Agent 时代，情况发生了变化。

越来越多的数据请求开始由模型自主生成。调用会在什么时候发生、访问哪些数据、需要多少资源，都变得更难预测。

数据库面对的不再只是确定的应用流程，而是 Agent 这个新的服务对象。

腾讯云副总裁王义成将生产级Agent面临的数据问题归纳为三类：失忆、资源窒息和自我进化困难。

对应这些问题，Agent 时代的数据库至少需要具备四类能力：多模统一承载、Agent 原生架构、语义与记忆、以及治理与自治。

二、TDSQL Nexa：给Agent一张统一数据平面

问题来了：这些能力应该建立在什么样的数据架构上？

现实是，企业的数据往往不在一个地方。

假设 Agent 要回答一个业务问题：

上季度，华东区哪些商品的复购率下降了？原因是什么？

它需要从 MySQL 读取订单，到数仓计算复购率，再从知识库中检索商品资料和用户反馈。

数据散落在不同系统里，接口、权限和更新频率也不相同。开发团队只是想让 Agent 多回答一个问题，背后却要增加数据接口、同步任务和运维工作。

随着 Agent 接入的数据越来越多，它的能力在增长，背后的数据架构也会变得越来越复杂。

作为一款Agent Friendly的数据底座，TDSQL Nexa 选择从架构入手。

它采用开放引擎架构，在核心引擎之下提供四类专用引擎：

事务引擎负责高并发在线业务；
搜索引擎处理 RAG 和语义搜索；
AI 计算引擎支持多模数据转换与 AI Function 调用；
分析引擎负责大规模数据分析和聚合。

对 Agent 来说，入口是一张多模表和一套 SQL。至于查询应该交给哪个引擎、如何完成路由与编排，则由 Nexa 核心引擎在内部处理。

但要让这张多模表真正覆盖企业数据，还要先回答一个很现实的问题：

原有系统里的数据怎么办？

全部搬进 Nexa，显然并不现实。

1. 数据可以接进来，也可以留在原处

很多企业的核心数据，还躺在运行多年的老数据库和搜索系统里。

这些系统不能说搬就搬。它们承载着现有业务，上面还有大量接口和应用。一旦复制出新的数据，后续又要处理同步、权限和一致性问题。

Nexa 给出了两种选择。

对仍在运行的外部数据库，Nexa 可以通过逻辑纳管将其加入联邦计算，数据不必复制。面向离线分析的数据，则可以通过旁路传输同步到对象存储，并转换成开放数据格式。

新数据可以接进来，老系统也不必急着推倒重来。

对于背着大量历史系统前进的企业来说，这比单纯增加一套新数据库是一个更优的选择。

2. 接上数据之后，还要理解业务

但数据接通了，Agent 也不一定知道该怎么查。

它能看到订单表里的 order_id 和 order_status，却不知道「销量」究竟应该统计已支付订单、已完成订单，还是扣除退款后的订单。

用户问「上个月的销量是多少」，Agent 即使生成了一条语法正确的 SQL，也可能选错统计口径。

查询执行成功，答案却不一定正确。

问题在于，字段名只能告诉 Agent 数据是什么，却不会自动告诉它企业如何使用这些数据。

销量怎么计算，退款订单是否扣除，复购率按用户还是按订单统计。这些看似简单的指标，背后往往藏着企业多年积累的业务规则。

Nexa Knowledge 对应的正是这层问题。它会扫描纳管的数据资产，进行数据建模并构建业务语义，同时引入腾讯云数据库服务海量客户所积累的专家经验。

看懂数据之后，还要解决另一个问题：哪些数据可以看，哪些不能看。

Nexa Catalog 负责细粒度权限管理，限制 Agent 可以访问和使用的数据范围。

一个帮助 Agent 理解数据，一个负责划定数据边界。

3. 一张数据平面，能带来什么

架构最终还要放到实际业务中验证。

腾讯云数据库在大会上拿 Langfuse 做了一个对比。

在 Agent 可观测平台 Langfuse 的官方架构中，通常需要 PostgreSQL 存储在线数据、ClickHouse 存储可观测数据、Redis 提供缓存，再用 S3 承载多模态数据。

按照公布的测试结果，采用 Nexa 方案后，Agent Trace 场景的性能提升了 10 倍以上。

在面向中等规模应用的测试中，基于 Nexa Knowledge 生成的 SQL 基本可以做到“人工零介入”。在更广泛的业务场景中，Agent 业务性能平均提升 50% 以上。

这些结果仍需结合具体测试环境理解，但 Nexa 的产品目标已经很清楚：不只让 Agent 接上企业数据，还要让它更准确、更低成本地使用这些数据。

三、Agent进入生产，还需要哪些数据库能力

Nexa 解决的是企业数据如何统一接入、组织和使用的问题。

但 Agent 真正进入生产，还需要存储、试错、记忆和数据库自治等能力。

在腾讯云数据库目前的产品布局中，TDSQL Boundless 和 TDSQL-C 可以作为 Nexa 纳管的数据库引擎；TencentDB Agent Memory 和 DatabaseClaw 则分别提供记忆与数据库自治能力。

TDSQL Boundless：多模态数据的存储

TDSQL Boundless 是在一套分布式存储引擎中统一承载不同数据形态。

行存负责关系、文档和键值模型，列存支撑实时分析，向量索引处理语义召回，全文索引负责关键词检索。

它还支持冷热数据分层。热数据保留在本地存储中保证性能，冷数据则可以自动下沉至对象存储，以降低长期保存成本。

有了 Boundless，关系、向量、全文和 JSON 数据不必再分散存放。

TDSQL-C：让 Agent 可以试错

Agent 从回答问题走向执行任务后，试错成本就变成一个现实问题。

任务做错了可以重来，生产数据一旦被改坏，代价可能是企业级的。

TDSQL-C 用三项能力把试错控制在独立环境中。

Branch 可以为 Agent 创建实验分支。按照腾讯云公布的产品指标，PB 级数据克隆可以在秒级完成，并且不干扰主库。

Serverless 根据实际负载弹性伸缩，闲时可以缩容至零。当任务集中到来时，资源再快速拉起。

多 Agent 沙箱则隔离不同 Agent 和租户，避免一次实验影响其他任务。

这套能力要解决的，是企业敢不敢让 Agent 接触生产数据，以及最坏情况能否被控制在可接受范围内。

Agent Memory：把经验留下来

在 Nexa 之外，腾讯云数据库还布局了两项独立的 Agent 能力。

TencentDB Agent Memory 解决的是记忆问题。

保存全部聊天记录，并不等于拥有记忆。随着对话越来越长，企业不可能每次都把全部历史内容交给模型。这样不仅速度慢、成本高，大量旧信息还会干扰当前任务。

Agent Memory 通过渐进式记忆保存上下文和经验，新发布的团队记忆功能又把记忆从个人扩展到团队。过去，数据库保存企业的业务数据；今天，Agent Memory 开始保存企业的认知与经验，并将其逐步转化为组织智能。

按照腾讯云公布的 SWE-Pro 评测结果，引入团队记忆后，Agent 任务成功率从 60% 提升到 80%，成本下降 66.3%。TencentDB Agent Memory 开源 80 天，GitHub Stars 已突破 2 万，并多次登上 Trending 第一。

DatabaseClaw：数据库诊断与自治

随着 Agent 发起的数据库访问越来越多，运维人员很难再逐条排查异常。

DatabaseClaw 可以持续感知数据库状态、分析异常原因、定位相关 SQL，并支持用户继续追问。它的长期方向，是从发现和定位问题，进一步走向自动巡检、修复、自愈和自治。

但自治不等于无限授权。

DatabaseClaw 通过权限隔离、Agent 行为护栏、架构安全和全链路审计，为 Agent 的操作划定边界；L1 到 L4 的细粒度分权，则把不同风险等级的操作交给不同角色处理。

DROP、TRUNCATE 等不可逆操作不会向 Agent 开放，涉及生产环境的修改必须由人工确认。DatabaseClaw 运行在客户自己的 VPC 中，数据不出域。

写在最后：模型决定了Agent的下限，而数据决定上限

TDSQL Nexa 刚刚发布，就把起点放在了企业生产环境。

这意味着，它从一开始就要面对数据库最传统、也最难绕开的要求：稳定、安全、可控。

腾讯云数据库已经稳定运营 15 年以上，服务超过 50 万家客户，管理超过千万核计算资源和千 PB 数据资产，并长期支撑腾讯内部的海量核心业务。这些积累构成了Nexa面向生产环境的基础。

过去，Agent的能力主要由模型定义；而当Agent真正进入真实业务，数据的质量、规模与流动方式，开始成为拉开能力差距的关键。

模型决定了Agent的下限，而数据决定了它的上限。

更多开源项目内容 →