在Agentic AI大爆发的关键节点，数据库领域正经历着从云托管到AI就绪，再到AI原生的加速裂变。当整个行业掀起一场 “基建军备赛”，各类管理平台密集涌现时，一系列来自灵魂深处的问题开始浮出水面：面向Agent场景，企业真正需要的下一代“数据底座”究竟长什么样？需要具备哪些关键能力？在数据库架构和底层技术逻辑上，企业是彻底重构？还是基于原有数据链路做功能叠加？

　　带着这些问题，IT168等媒体在2026亚马逊云科技中国峰会期间，与亚马逊云科技数据库服务副总裁Ganapathy “G2”Krishnamoorthy以及亚马逊云科技产品部技术总监王晓野，展开了一场深度对话。他们给出的答案是，坚持拥抱开放架构，帮助客户构建持久的数据底座。

　　数据即差异化

　　阻碍AI Agent从概念验证（POC）迈向规模化落地的真正“卡点”，不是模型，不是算力，而是数据，这一点已达成业界共识。

　　“数据才是客户利用先进技术进行价值创造的最终差异化元素，我们需要思考的问题是：在Agentic AI创新中如何真正解锁企业现有的全部数据资产。” G2强调，只有在开放架构下，数据才能被Agent使用。

　　如何让数据更好地服务Agent？得基于Agent特性进行思考！Agent要想真正走进生产场景，能更自主、准确地执行任务，首先得保持开放。无论是PostgreSQL、MySQL、Amazon DynamoDB，还是SQL Server、Oracle等传统商业授权数据库，都需要支持MCP协议，使数据能够被Agentic框架顺利访问。

　　除了需要支持MCP协议，Agentic AI时代的数据库与传统数据链路最大的不同在于，上下文（Context）和记忆（Memory）。亚马逊云科技最新发布的Amazon Context，可以确保所有数据都能作为上下文供Agent使用。拥有全量数据的上下文（Context），并基于持续的操作行为来优化数据的关系与使用方式，会对Agent结果的准确性和方案效能产生决定性影响，这一点已在实际的客户场景中得到验证。

　　另外，为了让数据库具有管理Agent记忆的能力，需要引入向量功能和混合检索能力。所以，在亚马逊云科技提供的很多数据库服务中，你都可以获得向量检索能力。比如：PostgreSQL可用pgvector插件；Valkey和Amazon ElastiCache已增加向量支持；图数据库Amazon Neptune也引入了向量检索能力。

　　值得一提的是，在Agentic AI这个新世界中，安全与合规治理极其重要，亚马逊云科技会确保数据库把原有的安全与治理能力透明地延伸到Agentic AI场景。同时，Agent会推动规模需求的巨大跃升，Serverless和弹性扩展能力至关重要，这正是Amazon DynamoDB、Amazon DSQL、Amazon Aurora等Serverless数据库产品的核心优势。未来，推理可能成为最大的工作负载，因此数据库底层运营成本的自动化优化也非常关键。

　　规模化扩展，AI原生数据库的五大关键能力

　　从技术路线演进来看，上述能力也是AI数据库应该具备的几个关键特征：

　　1、极其便捷的数据访问。AgentCore Gateway正是将任意API、Lambda函数和现有服务转换为MCP兼容工具的安全方式。

　　2、支持向量嵌入和混合搜索，赋予应用存储和检索Agentic记忆的能力。

　　3、具备模型调用能力，数据库环境本身能否直接调用AI模型进行推理。

　　4、真正的零运维。如今借助AI工具，任何人都能构建应用，但他们并不懂传统数据库管理。你需要一个开箱即用的数据库，无需人工评估实例规格，无需日常运维，易于创建、按需自动伸缩、随时间自我优化。如果你用的是PostgreSQL这类传统数据库，系统会自带一个AI Agent来接管全部运维工作。AI生成应用背后的开发者往往缺乏传统DBA技能，他们真正需要的是一个自动化的数据库底座。

　　5、极致的弹性伸缩。当你打造出一款爆款应用，底层必须能向上实现千万级并发扩容。当应用仅供个人或小团队低频使用时，基础设施必须能向下缩容到零（Scale to zero），仅在真正产生价值时计费。

　　势能复利效应

　　就大方向而言，面向Agentic AI的数据底座跃迁，不只强调某一产品的单一能力，更是一个体系化的数据链路跃迁，重在强调“势能复利”效应。

　　针对很多人关注的多模问题，亚马逊云科技投入了大量精力，确保多系统协同工作。其中，Amazon Bedrock团队会确保每一个接入的模型都得到极致优化；AgentCore内部也支持Strands Agents等多种Agent框架。亚马逊云科技会确保当不同框架、Amazon Bedrock上的不同模型与接入知识库的云数据库组合在一起时，能够开箱即用地良好协作。

　　虽然，亚马逊云科技的每一项基础功能模块都可以被客户单独采用，但将亚马逊云科技的数据库、Amazon Bedrock与AgentCore组合使用的核心价值在于：它们在运营上遵循相同的一套策略。客户只需在一个地方进行设定，相同的Amazon IAM权限策略就会应用到所有地方；当用户跨多个基础模块执行多步操作时，系统能提供相同维度的审计能力和全局可见性。

　　为了解决Agent规模化落地挑战，亚马逊云科技给出了五层技术栈架构，主要包括：AI基础设施层、模型层、数据和知识层、Agentic平台层、智能体与应用层。在其中最关键的数据和知识层，提供了Zero-ETL、Amazon S3 Vectors、专用向量数据库、Amazon Bedrock Knowledge Bases以及Amazon Context等完整的专门面向AI的数据服务，目的是让企业数据能便捷、有效地为Agentic AI赋能，把过去静态存储的数据变成AI可以理解和使用的数据和知识资产。

　　重构还是演进？两种路径的选择逻辑

　　从客户推动Agentic AI实际落地的角度来看，目前有两种路线：一种是在现有数据库上叠加向量检索和Agent记忆等插件；另一种是面向AI时代建立完全AI原生的数据底座。到底是推倒重来？还是基于原有路线向上扩展？

　　“选择当下最能为你的业务创造价值的路径。” G2的建议是，Agentic AI时代的数据库构建并非“一刀切”。

　　在他看来，如果你目前使用的是SQL Server或Oracle等传统数据库，建议推进现代化改造，迁移到MySQL或PostgreSQL，这能免除高昂的许可费用并优化长期架构。虽然迁移需要时间，但借助Amazon Transform服务，这个过程可以加速。

　　如果你拥有的是现有ERP或供应链管理等封装应用，完全没问题，可以等准备就绪后再做现代化改造，当下首要任务是直接从现有数据中创造价值。

　　但如果你要启动全新项目，强烈建议直接基于现代化的开放式数据底座构建，关系型数据库选MySQL或PostgreSQL，数据湖采用Apache Iceberg格式。因为，开源底座能赋予企业面向未来的极高灵活性，并在成本上具备压倒性优势。

　　用一句话概括：新项目，果断采用现代开源底座；既有应用，把释放数据价值作为首要任务，而非把推翻重构作为第一逻辑。当企业准备就绪，亚马逊云科技随时在此提供帮助，但请始终把重心放在想创造的价值上，而不是切换基础设施上。

　　写在最后

　　AI特别是Agentic AI，是AI原生工作负载，本质上也是一种云原生工作负载。亚马逊云科技的使命是让客户在云上运行全部数据资产，并利用可构建的能力驱动数据上的Agentic创新。从AgentCore的模型无关设计，到Amazon Context的自学习知识图谱，再到全系数据库的向量化与Serverless化。亚马逊云科技在Agentic AI时代的数据战略正变得越来越清晰：不锁定模型、不锁定框架、不锁定数据格式，让客户在开放架构中自由选择最优路径。