从人类友好到Agent友好：数据库的下一场范式转移

根据Gartner 2025年发布的预测，到2028年，超过60%的企业数据查询将由AI Agent直接发起，而非通过传统BI工具或人工SQL编写。杨传辉在WAIC上提出的“数据库从人类友好到Agent友好”恰恰指向这一趋势。但问题在于：当前数据库的查询优化器、索引结构、事务模型，全都围绕“人类认知”设计——人类写SQL会考虑可读性，会刻意避免冗余，会遵循模式约定的命名习惯。Agent没有这些约束。

短期看，最直接的矛盾出现在查询频率和语义层级上。人类一天可能执行几十条SQL，而一个Agent在训练或推理时可能每秒发起数千次查询，且这些查询往往重复、碎片化。传统数据库的查询缓存和连接池并未针对这种“高频短查询”模式做优化。更关键的是，Agent的查询并非基于结构化表名，而是基于自然语言或向量表征。这要求数据库必须提供原生的语义解析层，将模糊意图映射到精确查询。目前主流方案依赖外部LLM做Text-to-SQL，但实验表明，在复杂多表关联场景下，准确率仍低于80%（如Spider榜单上的SOTA模型）。这背后是数据集的偏差——现有训练数据以人工标注的简单查询为主，缺乏对长尾业务逻辑的覆盖。

长期看，数据库需要重构自身的执行模型。我倾向于认为，未来的数据库将融合三种存储形态：关系表用于结构化事务，向量索引用于语义检索，知识图谱用于推理。杨传辉提到的“Agent友好”本质上就是让数据库能理解上下文、能预测查询模式、能主动提供预计算视图。这要求数据库的优化器从“静态规则”转向“动态学习”，即根据历史查询日志预判Agent的下一步操作，并提前物化中间结果。类似的工作在Google的Spanner中已有雏形，但距离产品化还有距离。

另一个被忽视的维度是权限与审计。人类操作数据库时有明确的身份和意图，而Agent调用链可能涉及多个模型、多个中间层。如何设计细粒度的、基于意图的访问控制？这需要数据库在元数据层面引入“使用场景”标签，并支持查询粒度的权限撤销。现有的RBAC模型显然不够。

我的预测是：未来三年内，将出现首个专为Agent设计的数据库基准测试（类似TATP或TPC-C），衡量指标包括“语义理解准确率”、“查询预判命中率”和“权限验证延迟”。届时，谁先跑通这个基准，谁就掌握了下一轮数据库竞争的入场券。

原文链接：https://www.leiphone.com/category/industrynews/nyoauJTE6FqhBvIB.html