周末参加了 TiDB 杭州 AI Agent 圆桌

今天在 TiDB 杭州站参加了一场 AI Agent 圆桌。从我自己使用 AI 的角度分享了几个观点. 

大家关心的核心其实就一件事：
“Agent 在 Demo 阶段看着惊艳全场，为什么一进生产环境就漏洞百出？如何解决？”

更让人沮丧的是另一个现象：
 人类员工在一个岗位上干一年，往往能成为独当一面的业务骨干；
 而绝大多数企业的 Agent，用了大半年不仅没有变聪明，反而越来越像个“弱智”——同样的坑踩一万次，每次都得人工现写提示词去哄着它干活。

做了二十年数据库内核与架构，现在我是 AI Agent 重度使用者。今天我就把圆桌上毫无保留的真干货梳理出来，聊聊我对企业级 Agent 严肃落地的看法。

市面上 90% 的团队把 Agent 当成了单纯的自动化脚本或 API 工具。

但我自己手里的“AI 屠龙刀”，从第一天起就是按 “活物” 来养的。

什么叫活物？活物有两部分组成：

• 出厂配置：大语言模型 + Agent 框架 + 运行环境 + 全网检索能力。这是躯壳，但在真实交付体系里，它只占两成。
• 实战沉淀：剩下的八成，完全是留给使用者的进化空间——用进废退，越用越好。

所谓用进废退，本质上跟顶级人才的成长路径一模一样：
 在日复一日的业务实战中，不断沉淀记忆、沉淀好的经验与踩坑记录、固化出标准作业程序（SOP）、封装出高频工具包、编排成定时任务，并主动遗忘过时的无用信息。

以我们内部一个 5 人的业余投研团队为例：

• 日层：每天 15:00 自动触发动态监控与研报初稿；
• 周层：周末跑 7 个领域的子智能体跨界思维碰撞；
• 月层：月末自动进行全盘投资复盘，把新认知直接升格为主库技能。

跑了不到三个月，这个 AI 助理产出的研报质量，已经大幅反超了我们过去雇佣的初级分析师，而综合成本只有原来的十分之一。

不是模型变神了，而是我们把每次踩过的坑、看财报的分析路径，全变成了可复用的技能。新人或者新会话接手的第一秒，就能无缝继承这套“肌肉记忆”。

不养，Agent 永远只能是个玩具。

第一记重锤：把“记忆”当向量检索，从根上就走歪了

很多团队做记忆，脑子里只有一条流水线：
切分 Chunks → 向量化 Embed → 塞进向量库做 RAG 召回。

这套方案在 PPT 上很唬人，一进企业真实场景就翻车。

我在实际基准测试中对比过，单纯依赖向量匹配，测量仪器、提示词甚至上下文长度稍有变动，评测得分就能从 0.74 剧烈断崖至 0.095。

为什么？因为真实企业的业务记忆根本不是单薄的关键词卡片：

• 上周三与法务开会交代的 3 条严苛合规底线；
• 上个月某次罕见客诉事件的核心排查路径；
• 管理层在季度战略会上随口定调的业务转向。

这些信息弱结构化、强上下文敏感、跨越多个业务事件，并且随着时间推移具备衰减特性。拿生硬的余弦相似度去搜，根本召不回来。

要支撑严肃生产，必须把记忆拆解为四层立体底盘：

更关键的是闭环：记忆绝不是全自动凭空长出来的。
 每一个生产任务跑完，必须执行“30 秒反思”：

• 踩了坑，立刻写成避坑 SKILL；
• 有了新经验，立刻升级现有 SKILL；
• 发现了陈旧逻辑，立刻修剪冗余 SKILL。

一个动作如果重复了三次，就必须抽象成通用版本。这才是智能体真正的“智商积累”。

第二记重锤：企业稳定不靠模型聪明，靠“工程纪律”

在企业级语境下，“稳定”从来不是虚无缥缈的 99.99% SLA。
稳定是指：它什么时候崩了，你得能秒级告诉我为什么崩；并且崩了之后，你得能毫秒级退回去。

这里有三个必须坚守的工程支点：

1. 确定性地板 > 灵活性天花板

很多技术团队痴迷于展示“大模型自己摸索未知解法”。
 但在企业里，80% 的工作都是已知高频流程（财务对账、采购审批、合规报表、固定工单）。这些场景如果每次输出都随机飘忽，下游系统根本无法承接。

我们的原则极其明确： 把已知场景 100% 锁死（写死 SOP 流程、写死工具入参映射、配置化约束），只把灵活性留给真正的未知推理。底层稳如磐石，顶层才敢创新。

2. 全链路可观测 > 盲盒

没有观测，谈何运维？必须对齐三大审计流：

• Prompt 审计：记录完整上下文与交互日志；
• Tool 审计：每次工具调用的出入参、延迟与 Token 消耗；
• 业务语义审计：类似数据库审计日志，明确记录这个 Agent 改了哪行数据、动了什么权限。

3. 可回滚是刚性底线

上个月我的一个定时任务在做数据库变更，因为 SKILL 里的分支条件写反，误将重命名列判断成了删除列。
 但整个线上业务完全零感知，为什么？
 因为我的体系里有一条铁律： “任何产生副作用的写操作，必须同步生成反向回滚 SKILL。” 触发告警后，系统直接调用反向指令，十秒钟之内完全自愈。

第三记重锤：Data + AI 的终局，是数据库被全面重构

未经结构化整理的数据只是原始素材，未能被智能体认知的数据更谈不上洞察。

在 AI 推理全面工业化的今天，数据栈最大的范式转移正在发生：
数据库的核心使命，正在从“存储业务数据”，演进为“存储 Agent 协作的全生命周期”。

未来数据栈最大的下游调用者不再是 BI 报表和分析师，而是蜂拥而至的智能体群。多智能体协作需要混合检索、行级数据安全、层级依赖树、调度队列表与行为溯源，这每一项，本质上都是成熟关系型数据库的基本功。

这就是为什么我坚决不使用外挂拼凑方案，而是直接将环境跑在 PostgreSQL 18 核心上：

• 向量检索：同库调用 pgvector；
• 知识图谱：同库集成 Apache AGE（支持 TinkerPop 图查询）；
• 全文与模糊匹配：原生 pg_trgm 与 tsvector；
• 安全与权限防线：直接用 PG 的 Row-Level Security（RLS） 划定每个 Agent 的可见行与修改范围，杜绝越权裸奔；
• 决策秒级反演：建立 Append-only 事件溯源日志，充当 AGI 时代的“WAL 日志”；
• 原生任务编排：直接用 SELECT ... FOR UPDATE SKIP LOCKED 调度任务队列表，零额外依赖实现高一致性协作。

未来三年，行业一定会分化出一个全新的独立赛道 —— “Agent 协作数据库” 。所有大厂的数据基础设施底座，在接下来的 18 个月内都将面临一场以智能体为中心的重做浪潮。

落地四句铁律

把今天的分享收敛为四句可执行的铁律，供正在做 Agent 落地的朋友参考：

1. 任务跑完必须沉淀：踩坑写技能，经验升技能，用进废退。
2. 技能必须走工程纪律：确定性地板第一，写操作必留反向回滚路径。
3. 每一个动作必须留痕：把事件溯源当成 AI 时代的 WAL 来看待。用大型数据库保存 Agent 状态。
4. 权限边界坚决收紧：用数据库行级安全控范围，生产高危写操作必须“人在回路”。

把 Agent 当工具用，它就永远困在演示 Demo 里；把它当活体来养，它才能真正扛起企业级生产的重担