腾讯云大数据：从 AI-Ready 到 Agent-Ready，AI 原生数据底座全栈升级

点击蓝字 关注我们

本文共计4660字 预计阅读时长14分钟

在 2026 腾讯云 AI 产业应用峰会 Data+AI 产品专场，腾讯云大数据宣布面向 Agent 升级全栈数据平台能力。在通过 智能入口DataBuddy和 统一控制面WeData重塑用户与 Agent 协同方式之外，腾讯云对底层数据平台进行了系统性重构——从存储、计算、数据到系统四个层面全面智能化升级，构建支撑 Agent 运行的 AI 原生数据底座，让平台既能服务 Agent，也能逐步演进为 Agent。

数据平台正在经历一次罕见的系统性重构。过去十年，大数据平台围绕"能存、能算、能查"持续迭代，服务对象始终是有限数量的工程师和分析师。但在 AI 落地的关键年，这一假设正在失效：使用者从人扩展为"人 + Agent"，数据形态从结构化表扩展到文本、图片、音频、视频、向量并存，计算负载也从离线 ETL 扩展到训练、推理、RAG、Agent 编排等 AI Workload。Agent 7×24 小时高频并发地做分析、调度和实验，对底层平台的弹性、调度、检索和治理提出了前所未有的要求。

行业研究普遍指向同一判断。Gartner 在最新研究中指出，Lakehouse 架构虽已进入主流，但 Agent 驱动的数据使用模式正在倒逼平台具备更原生的智能化能力；中国信通院在 2026 年发布的《智能原生研究报告》中也明确，智能原生不是简单的"AI+"，而是从产品与系统设计之初就将 AI 作为核心驱动力。

面对这一趋势，腾讯云大数据的 AI 原生数据底座遵循两条主线展开。

第一条是 As Agent——让平台自身具备 Agent 能力，能自主感知、自主诊断、自主处置、自我演进，完成数据平台自动运维、智能调优等工作，实现整体平台智能化；

第二条是 Agent Efficiency——面对海量数据场景，提供新的计算和存储范式，让 Agent 更高效地原生运行。围绕这两条主线，平台在系统、计算、数据、存储四个智能维度同步升级。

计算智能：从结构化SQL到多模态AI Workload的融合范式

在过去，传统数据平台的计算范式主要面向SQL语义的传统数据工程。但随着AI应用在不断扩展企业内可被计算的数据边界，数据平台的计算范式将延伸到支撑训练、推理、RAG 以及 Agent 等多样化 AI 工作负载，同时数据平台可智能化地将CPU+GPU资源在各自计算范式下灵活调度与切换，满足人类用户和AI Agent的多元化计算需求，适配这种范式的新一代计算体系我们成为计算智能。

腾讯云数据智能，具体由以下几部分关键引擎能力组成：

自研高性能计算引擎 Meson 基于向量化执行和 Pipeline 模型对 Spark SQL 深度优化，今年重点发布三项能力：Spark Rapids（将 Shuffle、Join 等重计算算子下推到 GPU 加速）、增量计算（只计算每天变化的部分，大幅节省资源和时间）和全面支持 Spark 4.0。TPC-DS（1TB 数据集）测试中整体性能提升 3.6 倍，计算密集型场景最高提升 5 倍，CPU 资源消耗降低 50%。目前，Meson 已吸引超过 100 家企业客户使用，是腾讯云自研计算引擎中增速最快的产品。

针对多模态数据处理，自研跨模态计算引擎 Xpark 将原本需要 Spark、OpenCV、Librosa 等多种工具串联的处理流程统一到一套 API 中，从读取、预处理、Embedding 生成到写入向量库全程链式调用、零中间落盘，推理吞吐相比开源方案提升 3倍，GPU 利用率接近 100%。Xpark 同步推出 SQL-First AI Function 能力——用户直接在 SQL 里调用各类LLM和ML函数，快速完成多模态数据做处理、传统机器学习训练、情感分析等 AI 应用。

底层 TCRay 作为 CPU+GPU 统一调度底座，对 Ray Core、Ray Data、Ray Train、Ray Serve 四大模块做了深度优化，并在开源Ray基础上增强作业调度/任务恢复/资源弹性/大规模作业稳定性，把数据处理（Data）、模型训练（Train）、在线服务（Serve）三类 AI Workload 统一到同一套基础设施上，多租户 LoRA 架构带来 30% 至 70% 的成本下降。ES 提供一站式 RAG 和混合检索服务，今年新增 RAG 效果评估功能和 Ray Serve 推理，存储底层直接打通 TCLake，构建 Agent 知识库的最短路径。

智能计算引擎通过 SQL、Python、MCP、Skill、CLI 多种接口对外开放，可被 DataBuddy、WorkBuddy、CodeBuddy 以及第三方 Agent 平台直接调用，呈现"用户与 Agent 平权"的新一代计算范式。

存储智能：让"Agent用得起"

围绕多模态 LakeHouse，腾讯云大数据持续升级统一数据底座，把向量、图、全文检索与智能管理一并收敛进 LakeHouse，支持结构化、非结构化与 AI 资产同一套底座管理。

TCIceberg 基于 Apache Iceberg，在对原 Iceberg 无任何入侵前提下实现了批流一体与部分列更新等开源增强能力，同时 TCLance 支持音视频、图片、文档、Embedding 等非结构化数据，实现了结构化和非结构化数据的融合——同一张表可以同时存储数字字段、字符串字段、图片字节、音频引用和向量 Embedding，用同一套权限和查询接口。

TCQA 原生加速引擎通过计算感知与传输路径优化，让存储层主动感知上层计算任务的逻辑和资源状态，实现存储与计算高效协同。在 TPC-DS 基准测试中，开启 TCQA 后计算耗时降低 22%，数据传输量大幅减少。

TCCatalog 多模态统一目录覆盖结构化、半结构化、非结构化和 AI 模型，实现跨源、跨平台、跨引擎的统一数据资产管理——并支持 Spark、Doris、TCHouse、PyTorch、Xpark 等多种计算引擎的统一访问与权限管理，大幅降低 Data+AI 多模态企业私域数据资产的管理难度。

向量存储、TCBase 全文检索、图存储构成"检索三剑客"——向量找相似（亿级向量毫秒查询）、全文找精确（Agent 记忆存储）、图找关系（百亿边深度遍历）——三者在 TCLake 上原生集成，Agent 可以并行调用三条路径、融合排序，得到更完整、更准确的答案。在企业知识库场景中，新一代存储架构可将存储成本降低至传统方案的十分之一，检索性能提升 4.5 倍。

数据智能：让"Agent替你查"

当前企业 80% 的数据分析需求是一次性灵活分析，但有限的数据分析师远不能匹配上百倍规模的业务侧需求，分析响应周期长达周级甚至月级。腾讯云大数据推出的多Agent协作体系 由 SQL Agent、Code Agent、RAG Agent、报告 Agent 等多类专家 Agent 协同构成，覆盖数据工程、数据分析与数据科学三大方向，把数据团队的工作流搬进了一支可调度、会进化的 Agent 团队。

多Agent协作体系具备三大核心能力：

多 Agent 协作——用户用日常对话下一道指令，系统自动组织 Agent 团队，有人清洗数据、有人分析趋势、有人生成报告，企业还可以自定义专属工作流；

自我进化——Agent 能够根据历史执行经验、用户反馈和技能调用结果，持续复盘和成长，像一位不断沉淀经验的专家；

统一集成框架——不管是用开源框架自研的 Agent，还是采购的第三方 Agent，都可以接入框架实现统一控制。

在 NL2SQL 准确率这一业界最头疼的指标上，腾讯云通过对元数据的自动语义增强、智能选表、语法自动匹配和多轮修正的闭环，将准确率从行业平均水平约 70% 提升到 90% 以上。

某报业客户的舆情分析场景中，TCDataAgent 用 Document AI 解析文本、Planner 拆解任务并多路并行、RAG Agent 向量召回、SQL Agent 统计归因、报告 Agent 生成稿件素材，原本 1 天的工作量被压缩到分钟级，每条结论自动附带数据来源；

某游戏客户的付费用户流失分析场景中，业务人员一句自然语言提问即可触发 TCDataAgent 自动完成用户画像、归因建模与报告生成，识别出"版本更新后核心玩法平衡问题"这一主因，置信度达 87%；

某金融客户从自建 CDH 迁移到腾讯云 EMR 和 DLC 的过程中，Data Agent 自动扫描 Schema 和依赖、智能翻译 SQL（准确率 90%+）、自动并行对账并输出切流建议，迁移周期缩短 50%，实现零业务中断的平稳迁移。

系统智能：让平台实现"自动驾驶"

腾讯云大数据将自研大数据智能管家 TCInsight 嵌入用户与平台交互的全生命周期。选型阶段，智能管控 Agent 按业务场景智能推荐规格与资源规划——用户只需提供数据规模、任务规模和时效要求，系统即可自动推算出所需资源和成本；上云阶段，智能迁移 Agent 自动完成评估、SQL 翻译、数据搬迁与回归验证，迁移周期缩短 50%；日常使用阶段，自然语言取代菜单和表单，用户用一句话完成查询、配置和管理。

在最消耗人力的运维调优环节，平台进入"自动驾驶"——自主调优 Agent 持续优化任务执行，让原本需要五年十年经验专家才能完成的 Spark 参数调优变成了对话式交互，资源浪费降低 15%；自主运维 Agent 7×24 小时值守，每天自动巡检集群健康度，故障根因定位时间从 4.5 小时压缩至 30 分钟；预测治理 Agent 实时监测资源增长趋势，提前预警容量风险，避免因资源规划疏忽导致的生产事故。截至 2025 年，TCInsight 已累计处置超过 10 万次系统事件，覆盖 EMR、DLC、ES、TCHouse 等核心产品，相关技术成果入选数据库领域顶级会议 VLDB 2025。

全栈落地与未来方向

四大智能体系并非孤立的能力堆叠，这是腾讯云大数据 AI 原生数据底座在"平台自治、计算融合、分析自动化、存储统一"四个维度的同步落地。截至目前，腾讯云大数据平台已在金融、政务、零售、互联网等行业实现规模化落地，服务数千家头部客户，具备千万核算力规模、日处理数据数百 PB 的产业能力。

AI Native 数据底座不是终点，而是平台自身持续演进的起点。下一步，存储、计算、数据、系统四个层面将进一步从"被动响应"走向"主动 Agent"——计算引擎具备自我调整、自我修复、自我进化的能力，让 Agent 内生于数据底座的每一层，与开发者、客户、合作伙伴共建 Agent 时代的数据基础设施。

END

关注腾讯云大数据╳探索数据的无限可能

往期精彩

求点赞

求分享

求喜欢