阿里云云栖大会 2026 上值得我们记一笔的动作:把过去十年建给数据分析师用的数据湖(一种把企业所有数据集中存储并分析的技术),重做成能让 AI Agent(能自主完成多步任务的 AI 程序)直接调用的工具箱。我们注意到,这背后是一个判断 —— 中国企业级 AI 的比拼正在从“模型谁更聪明”沉到“底层设施能不能接住 Agent”。
这是什么
阿里云的解法是三层堆叠。底层是 OpenLake 升级为 Agentic Lake(面向 Agent 的数据湖):用 DLF 的 Omni Catalog(统一目录,相当于把分散的数据表、文件登记在同一张中央清单上)让结构化数据(订单、表格)和非结构化数据(文档、图片、视频)能在同一体系下被发现;实时数据由 Fluss 承接,历史数据留在 Paimon 2.0 中,两者通过 Union Read(一种“实时+历史同时读到”的读取方式)合成一个统一视图。
中间层是 MaxCompute、Hologres、Elasticsearch 等一系列 Agentic Engine(Agent 可调用的计算引擎),向 Agent 开放 Skill(技能接口,即封装好的功能模块)和 MCP(一种让 Agent 调用外部工具的标准协议,相当于“插上就能用”的通用接口)。最上层是 DataWorks 的 Data Agent:借助“语义图谱”(把表、字段、业务含义之间的关系画成图,等于给 Agent 一张企业数据词典)让它理解“销售总额”在财务和业务部门不是同一个东西,并通过 OSI 接口允许第三方 Agent 调用。
行业怎么看
支持方认为方向没毛病 —— 行业经验里,企业建 Agent 失败的多数原因不是模型差,而是数据找不到、对不齐、口径混乱。基础设施不重做,Agent 再聪明也只能在 demo 里表演。DataWorks 语义层配合 MCP 的开放策略,确实比各部门各接一个模型的拼凑方案更接近生产状态。
但我们需要保留两个质疑。第一,复杂度问题:整套架构涉及 DLF、Paimon、Fluss、MaxCompute、Hologres、PAI 等十余个阿里云产品,落地门槛远高于传统数仓(数据库)。第二,生态问题:“Agent 就绪”目前仍是阿里云自定的标准,跨云、跨厂商可移植性没人验证;海外 Databricks、Snowflake 也在做类似架构,胜负不在技术而在生态绑定。
对普通人的影响
对企业 IT:未来 1-2 年选数据平台时,会被迫做一个比过去升级重得多的决策 —— 继续加固传统数仓,还是为 Agent 重做一套底层。预算和能力都得重估。
对个人职场:“会写 SQL(结构化查询语言,数据库操作基础技能)”这道硬技能门槛正在被 DataWorks 这类自然语言生成代码的工具侵蚀;数据分析师需要向“懂业务 + 懂 Agent 调度”组合升级,否则价值空间会被压缩。
对消费市场:短期内看不到变化。Agentic Lake 的红利要传到消费端,至少还需 2-3 年,取决于有多少企业真的把 Agent 跑进生产流程。