2026年4月Google Cloud Next大会上谷歌正式发布了Agentic Data Cloud智能体数据云。这不是一次简单的产品迭代而是一次彻底的架构重构——谷歌将数据、AI模型和运营数据库统一为一个单一的“行动系统”System of Action-。谷歌数据云总经理Andi Gutmans直言不讳“我们正在从人类规模向智能体规模跃迁”。这句话背后是一个深刻的产业判断过去三十年构建的数据平台是为“人”设计的而未来十年的数据平台必须为“AI智能体”重新设计。一、旧世界的裂痕为什么现代数据栈在智能体时代失效了过去十年企业数据领域最流行的叙事是“现代数据栈”Modern Data Stack——以“摄取→存储→转换→分析→治理”为范式用一系列模块化工具拼凑出数据 pipeline。这套体系帮助无数企业从数据中获得了洞察。但它有一个根本性的局限它是为“人”设计的。人类分析师运行一个查询等待几秒或几分钟看到一个仪表盘然后自己决定下一步做什么。仪表盘假设“人”来发起行动。在这个模型里数据平台是“被动的智能系统”System of Intelligence——它回答问题但不采取行动。然而当AI智能体成为数据平台的主要“用户”时情况彻底变了。一个智能体不会坐在仪表盘前等报表——它会在毫秒级时间内自主浏览、查询并跨多个系统执行操作。它不是一天跑几次查询而是全天候、不间断地监控和运行业务。它不是“回顾昨天发生了什么”而是“实时决定现在该做什么”。谷歌的研究揭示了一个触目惊心的数字83%的组织认为他们需要升级基础设施才能支持生产级智能体AI系统。43%的IT领导者将“与遗留API和数据源集成困难”列为最大的智能体AI基础设施缺口。81%的领导者指出运营复杂性和工程开销是扩展AI时最大的意外支出。现代数据栈没有“失败”——它只是“过时”了。它成功解决了“人问问题”的需求但解决不了“智能体自主行动”的需求。二、谷歌的答案三大支柱重构数据平台Agentic Data Cloud的核心是用三大支柱回答同一个问题如何让AI智能体不仅能“读懂”数据更能“用”数据行动支柱一Knowledge Catalog——给智能体装上“企业大脑”智能体最大的痛点是什么不是找不到数据而是读不懂数据。Gutmans举了一个生动的例子“客户通常拥有500张客户数据表但智能体该查哪张”如果智能体不知道“收入”和“预计收入”的区别不知道“Base 204”和“含有大豆”之间的关联它的每一次推理都只是在“盲猜”。Knowledge Catalog正是为解决这个问题而生。它不是一个传统的数据目录——那种只能告诉你“数据在哪里”的清单。它是一个通用上下文引擎Universal Context Engine通过聚合Aggregation、持续丰富Continuous Enrichment和语义检索Search三个环节自动将分散在BigQuery、Spanner、SAP、Salesforce、ServiceNow等各处数据的业务含义“翻译”给智能体。更关键的是这一切是自动化的。传统数据目录需要数据管理员手动标注表和定义业务术语而Knowledge Catalog通过分析查询日志、自动推断业务逻辑、生成语义标签让智能体不仅知道数据在哪还知道数据代表什么-。谷歌称之为“整个数据战略里技术含量最高的一块”-。支柱二Cross-Cloud Lakehouse——让数据“原地不动”也能被智能体使用企业的数据从来不会只放在一个地方。有些在AWS S3有些在Azure有些在本地的Oracle数据库里。传统做法是把数据“搬”到统一平台再做分析——成本高昂、延迟巨大、治理复杂。Agentic Data Cloud的Cross-Cloud Lakehouse给出了截然不同的答案数据不用搬智能体直接查-。基于Apache Iceberg开放标准BigQuery可以直接查询存储在AWS S3或Azure上的Iceberg表通过谷歌的跨云互联专用网络实现零拷贝Zero-Copy查询无需支付出口费用。谷歌特意区分了“跨云”与“多云”的本质不同“多云不过是多个各自独立的单云环境的叠加”。而跨云意味着一个统一的逻辑数据层覆盖所有物理存储——智能体不再关心数据“在哪”只关心数据“是什么”。支柱三Data Agent Kit——让开发者从“写管道”到“定目标”如果数据准备好了谁来构建智能体传统方式是数据工程师写Python脚本、建ETL管道、调API——繁琐、耗时、易错。Data Agent Kit改变了这个模式。它将模型上下文协议MCP工具直接嵌入VS Code、Claude Code和Gemini CL。开发者不再需要“写管道”而是用自然语言描述想要的结果让智能体自己去完成数据获取、转换和分析的全流程-。Gutmans称之为“意图驱动开发”——从业者从编写手动流水线转向聚焦定义目标和期望结果技术实现交由智能体完成。这是数据工程领域的一次“编译器时刻”就像高级语言取代了汇编语言意图驱动开发正在取代管道工程。三、开放与集成的辩证法谷歌的“垂直整合”战略Agentic Data Cloud最引人深思的地方在于它同时做了两件看似矛盾的事一方面它极度开放。Cross-Cloud Lakehouse基于Apache Iceberg开放标准-Knowledge Catalog与Collibra、Atlan等第三方目录联邦集成Conversational Analytics可查询AWS和Azure上的分布式数据湖而“不移动一个字节的数据”。谷歌甚至在官方博客中强调“我们的Agentic Data Cloud是开放且灵活的无论数据托管在Google Cloud与否你都可以用AI激活它。”-另一方面它极度集成。谷歌强调Agentic Data Cloud必须“从芯片到模型都是AI原生的”-——从自研TPU到Gemini模型从BigQuery到Spanner全部垂直整合在一个体系内。这种“开放接口垂直核心”的组合恰恰揭示了企业AI基础设施的未来形态底层可以异构但治理层必须统一。企业不需要把所有数据都搬到一个“花园”里但需要一个统一的语义层和安全边界让智能体能够安全、准确地跨所有数据源行动。四、对中间件层的启示当“数据孤岛”被打破谁来定义“统一”Agentic Data Cloud的出现对整个企业IT架构提出了一个深刻的追问如果数据可以“原地不动”地被智能体使用那么“连接”这件事本身正在从物理层面数据搬迁上升到逻辑层面语义理解与安全治理。这正是中间件在AI时代的全新使命。传统中间件解决的是“系统之间的连接”——让A系统的数据能被B系统调用。而在智能体时代中间件需要解决的是“智能体与数据之间的理解”——让AI智能体不仅能“调用”数据还能“读懂”数据的业务含义、遵守数据的访问权限、在正确的上下文中做出正确的决策。谷歌的Knowledge Catalog本质上在做一件事将分散的元数据聚合为统一的语义层。这个语义层正是中间件在数据治理维度上的延伸——它不是数据库不是数据仓库而是位于数据和AI模型之间的“翻译层”和“治理层”。在国内市场类似的趋势正在发生。金蝶天燕作为国内最早从事基础软件中间件自主研发的代表性企业之一-其在数据治理与AI中间件领域的探索具有前瞻意义。金蝶天燕Apusic应用服务器AAS历经20余年发展已具备微内核架构、国密算法支持、国产软硬件生态适配、企业级集群高可用等核心能力-。在此基础上金蝶天燕通过整合AI大模型与中间件管理能力推出Apusic Copilot智能专家服务与MCPModel Context Protocol服务框架实现了开发、运维、运营的全链路智能化-。其AI应用套件ASK将知识导入、大模型接入、向量检索等AI应用关键模块进行工具化封装开发者无需深入理解底层技术即可完成AI应用搭建-。这与Agentic Data Cloud所代表的趋势形成了有趣的呼应当AI智能体成为企业IT的新“用户”中间件需要从“连接系统”升级为“连接智能体与数据”的智能治理层——既要不打破现有的数据分布又要为智能体提供统一的语义理解、安全访问和行动执行能力。五、结语数据平台的“哥白尼式转向”Agentic Data Cloud的发布标志着企业数据平台的一次“哥白尼式转向”。过去三十年数据平台的中心是“人”——人提问题、人看报表、人做决策。所有架构都围绕“人类用户”的节奏和认知能力来设计。而现在中心正在移向“智能体”——智能体自主行动、智能体实时决策、智能体以机器速度运转。谷歌的Agentic Data Cloud给出了一个清晰的路线图用Knowledge Catalog解决“理解”问题用Cross-Cloud Lakehouse解决“访问”问题用Data Agent Kit解决“构建”问题。三者合一将企业数据从被动的“记录系统”转变为主动的“行动系统”-。这场变革的影响将远超谷歌一家公司。它正在重新定义“数据平台”是什么、“中间件”做什么、“开发者”怎么工作。当智能体成为企业的新“员工”整个企业IT的架构逻辑都需要被重写——从芯片到模型从数据库到中间件从应用到安全。而那些能够在这场重构中找到自己位置的技术——无论是谷歌的垂直整合、还是国产中间件的自主创新——都将成为下一个十年企业智能化不可或缺的基石。正如Gutmans所说“数据架构现在必须改变。”而改变的方向已经清晰可见。