当企业级 Agent 步入生产环境懂语义却查不对业务事实成了落地的最大痛点。为了拼凑完整的上下文许多团队被迫进行多库拼接导致推理链路极度割裂。既然纯向量检索撑不起复杂的混合查询Agent 真正缺失的底层数据入口究竟在哪里过去几十年数据分析一直是企业数据基础设施最重要的舞台无论是经营看板、实时报表、用户行为分析、风险监控还是临时钻取和复杂查询本质上都在解决同一个问题如何将业务数据转化为人类可理解的事实。当 Agent 进入生产系统后这一层的价值非但没有被削弱反而成为了战略刚需。Agent 在执行任务时首要诉求不是模糊的语义而是订单、用户、交易、库存、告警等明确的业务事实。换言之Agent 的诸多核心任务底色依然是分析任务。于是实时、低延迟、高并发、统一查询这些实时分析系统的能力开始变成 Agent 时代的准入门槛。我们可以通过一张对照表直观感受这种变化顺着这个脉络就能清晰感知为何多模数据管理会成为核心能力以及 Apache Doris、SelectDB 这类系统为何能在新一轮演进中占据关键身位。纯语义不是企业级 Agent 的第一入口提及 Agent人们往往先想到向量数据库、RAG 或工作流编排。但放到真实企业场景里Agent 接手的任务毫不抽象。比如客服 Agent 要先了解订单、物流与退款状态经营分析 Agent 必须掌握收入、转化率与异常波动运维 Agent 得先摸清告警范围与资源使用率。这些均非纯语义检索而是典型的实时分析问题。如果还不够直观我们将核心场景中 Agent 依赖的能力进行具象化拆解由此可见Agent 时代的数据入口是从实时事实查询开始。多模的本质让分析引擎进化为统一上下文层多模数据常被误解为一个与传统分析系统平行、甚至相互替代的新事物仿佛只要涉及图片、音视频、向量和知识图谱问题就自然而然从 OLAP 跳到了另一个多模体系里。实际上多模的真正价值是让分析系统无限贴近真实业务。对于 Agent 来说结构化事实仍然是骨架多模态信息是把这层骨架补全为可以理解、可以解释、可以行动的上下文系统。例如一个运维 Agent 不只要知道收入受损是否超过阈值事实还需要关联故障日志、历史相似事件和应急手册解释。因此多模融合不仅是支持更多数据类型更是把事实、解释、行为、记忆和语义统一编排为一个 AI 可以稳定消费的 Context Layer上下文层。在这个维度上多模态不仅没有脱离 OLAP反而促使实时分析引擎从单一的分析系统Analysis System进化为全局统一的上下文系统Context System。多数据库拼接在 Agent 场景下失效审视当下的企业技术栈大多是按能力拼接的。在传统系统里人类大脑隐式补全了各组件间的缝隙系统尚能运转。但在 AI Agent 面前情况发生了本质变化。Agent 真正需要的是一条尽可能短的数据链路。一旦单次任务被迫在多套底层系统间反复跳转很多隐患就会集中爆发上下文Context分裂。 数据虽然都在但 Agent 看到的往往只是碎片而不是完整事实一致性问题。多个系统的同步频率、索引刷新和权限模型不同任何一处错位都会直接影响 Agent 的判断质量。成本与延迟失控。 单次查询演变成多次网络调用与多轮结果整合导致推理链路变慢甚至崩溃。正因如此当一套实时分析系统能够向内吸收全文检索、向量检索以及半结构化数据处理能力时原本散落的复杂组件就被成功收拢为一条更短、更稳、更高效的 Agent 核心数据路径。Agent 需要基于实时分析的 Hybrid Search很多 RAG 系统把重点放在向量检索上但真实的业务查询天然是混合的Hybrid Query。比如当用户向 Agent 提出找出最近两周内因 GPU 故障引起且导致收入损失超过 100 万美元的相关 incident并附带相似的历史案例。我们将其进行能力拆解在未来的 Agent 交互中底层生成的典型查询可能长这样SELECT * FROM incidents WHERE l2_distance(description_embedding, query_embedding) 0.1 AND MATCH(log_text, GPU overheating) AND severity 4 AND revenue_impact 1000000 ORDER BY timestamp DESC LIMIT 10;SQL这类查询有一个非常值得强调的特点它首先是一条分析查询然后才是一条语义查询。决定结果可用性的不只是召回内容更在于能否在高并发下完成复杂过滤与聚合、能否使用最新数据。这也是为何贴近主链路的往往不是单一向量系统而是融合了上述能力的实时分析引擎。为什么 Apache Doris / SelectDB 会站到这个位置上回归业务视角Apache Doris、SelectDB 能够脱颖而出并非单纯因为接入了 AI而是它原本就牢牢扎根在企业最关注的事实查询主链路上。实时写入、低延迟查询、高并发分析、半结构化处理、多源统一访问这些本来就是分析场景的刚需在 Agent 时代被继承并无限放大。所以当企业亟需一套既能做实时分析、又能承接多模态上下文的数据底座时以 Apache Doris、SelectDB 为代表的系统恰好具备了成为前台统一入口的绝佳条件。未来的数据平台从分析引擎走向 Context Engine在 Agentic 时代数据平台的服务对象正转向 AI Runtime 本身。它不再是一堆分散技术栈的拼凑而更趋向于一套以实时分析引擎为中心逐步向外融合结构化分析、全文、向量、流式处理和统一语义层的收敛架构。在这种架构下数据库的职责延展到了 Context Retrieval上下文检索、Hybrid Query Planning混合查询规划以及 Agent Memory智能体记忆。从工程实现来看以成熟的实时分析引擎为中心向外扩展多模能力远比强行把割裂的专有系统向内拼接更具备现实落地性。结语重写实时分析的边界从表面上看多模数据管理像是在谈更多数据类型但如果从企业最真实的落地路径看它其实是在重写实时分析的边界。过去分析系统主要负责回答人的问题未来它必须时刻准备好回答 Agent 的问题并在推理链路中承担起实时事实、统一查询和上下文供给的多重角色。循着这个方向像 Apache Doris、SelectDB 这样兼具极速分析能力并持续向多模与统一查询能力演进的系统理应成为最接近现实落地的核心数据基座。SelectDB 产品发布会开幕在即在 6 月 11 日即将举行的 SelectDB 产品发布会上我们将系统分享 Doris / SelectDB 在实时分析、混合检索、Agentic Analytics、AI Agent 可观测、多模数据处理等方向上的最新进展也会系统呈现我们对下一代数据架构的系统思考。欢迎关注 SelectDB 产品发布会------面向 Agent 的实时数据引擎。我们期待和大家一起讨论Agent 时代的数据基础设施究竟会走向哪里。