當(dāng)使用企業(yè)數(shù)據(jù)的從「人」變成「AI」，阿里云重做了一套基礎(chǔ)設(shè)施

大模型越來(lái)越強(qiáng)，但 Agent 還缺一套「實(shí)時(shí)感知系統(tǒng)」。

作者｜連冉

編輯｜鄭玄

過(guò)去一年，Agent 成為了 AI 行業(yè)最熱門的關(guān)鍵詞。

從自動(dòng)寫代碼、整理信息，到端到端完成具體任務(wù)，整個(gè)行業(yè)都在見(jiàn)證 AI 從「回答問(wèn)題」走向「完成工作」。

但當(dāng) Agent 真正進(jìn)入企業(yè)生產(chǎn)環(huán)境，一個(gè)新的問(wèn)題開(kāi)始浮現(xiàn)：Agent 的最終質(zhì)量，本質(zhì)上取決于喂養(yǎng)它的數(shù)據(jù)質(zhì)量與流轉(zhuǎn)效率。模型再?gòu)?qiáng)，如果拿到的數(shù)據(jù)是滯后的、碎片化的、不同步的，也發(fā)揮不出應(yīng)有的價(jià)值。

現(xiàn)實(shí)世界并不會(huì)等 AI 準(zhǔn)備好。

金融市場(chǎng)每秒都在變化，直播間里不斷產(chǎn)生新的內(nèi)容，企業(yè)系統(tǒng)每天都會(huì)生成海量日志、交易記錄和用戶行為。對(duì)于一個(gè)真正工作的 Agent 來(lái)說(shuō)，困難并不只是生成一個(gè)答案，而是在不斷變化的環(huán)境中持續(xù)獲得信息、理解變化，并做出下一步?jīng)Q策。

這也意味著，未來(lái)企業(yè)級(jí) Agent 的形態(tài)需要發(fā)生變化：從過(guò)去「用戶提出問(wèn)題，AI 給出回答」的對(duì)話式交互，走向由真實(shí)世界事件不斷驅(qū)動(dòng)的 Event-driven Agent。

在 Flink Forward Asia（FFA）2026 上，阿里云宣布 Apache Flink 全面進(jìn)入 Agentic Streaming 時(shí)代，回應(yīng)的正是這一雙重命題：AI 正從對(duì)話交互邁向事件驅(qū)動(dòng)。Agent 的競(jìng)爭(zhēng)力，本質(zhì)上是數(shù)據(jù)供給質(zhì)量與流轉(zhuǎn)效率的競(jìng)爭(zhēng)。底層數(shù)據(jù)基礎(chǔ)設(shè)施的升級(jí)，已不是選項(xiàng)，而是前提。

過(guò)去支撐業(yè)務(wù)決策的實(shí)時(shí)數(shù)據(jù)流系統(tǒng)，正在成為 AI Agent 連接現(xiàn)實(shí)世界的核心入口。

01
大模型之后，數(shù)據(jù)基礎(chǔ)設(shè)施需要變化

在過(guò)去的 BI 和實(shí)時(shí)計(jì)算時(shí)代，數(shù)據(jù)基礎(chǔ)設(shè)施的核心任務(wù)，是幫助企業(yè)更快地理解已經(jīng)發(fā)生的事情。

以 Flink 為代表的實(shí)時(shí)計(jì)算系統(tǒng)，解決的是如何處理不斷產(chǎn)生的數(shù)據(jù)流：訂單變化、用戶行為、交易記錄、系統(tǒng)日志等結(jié)構(gòu)化數(shù)據(jù)經(jīng)過(guò)實(shí)時(shí)計(jì)算后，被轉(zhuǎn)化為業(yè)務(wù)決策所需要的信息。

這個(gè)階段，數(shù)據(jù)的主要使用者是人——數(shù)據(jù)開(kāi)發(fā)工程師編寫任務(wù)，分析師查看報(bào)表，業(yè)務(wù)人員基于結(jié)果做判斷。

但隨著 AI 進(jìn)入生產(chǎn)環(huán)境，數(shù)據(jù)基礎(chǔ)設(shè)施正在面臨一次新的變化。

在阿里云開(kāi)源大數(shù)據(jù)平臺(tái)負(fù)責(zé)人王峰看來(lái)，F(xiàn)link 向 Agentic Streaming 演進(jìn)，是流計(jì)算技術(shù)自身優(yōu)勢(shì)與 AI 時(shí)代需求的一次結(jié)合。過(guò)去流計(jì)算解決的是數(shù)據(jù)實(shí)時(shí)流動(dòng)的問(wèn)題，而 Agent 時(shí)代需要解決的是，如何讓智能系統(tǒng)持續(xù)感知現(xiàn)實(shí)世界。

變化首先來(lái)自數(shù)據(jù)本身。

過(guò)去企業(yè)的數(shù)據(jù)主要是結(jié)構(gòu)化信息，圍繞數(shù)據(jù)庫(kù)和業(yè)務(wù)系統(tǒng)產(chǎn)生；但 AI 時(shí)代，大模型和 Agent 需要處理的數(shù)據(jù)范圍正在快速擴(kuò)大。文本、圖片、音頻、視頻、傳感器信號(hào)，以及來(lái)自各種業(yè)務(wù)系統(tǒng)的實(shí)時(shí)事件，都成為 AI 理解世界的一部分。

王峰提到，過(guò)去系統(tǒng)更多處理日志、訂單、交易這樣的數(shù)據(jù)，而未來(lái)需要承接的是攝像頭、車聯(lián)網(wǎng)、直播流、消息隊(duì)列中持續(xù)產(chǎn)生的信息。數(shù)據(jù)規(guī)模沒(méi)有只是簡(jiǎn)單增長(zhǎng)，而是從單一形態(tài)走向全模態(tài)、從靜態(tài)信息走向動(dòng)態(tài)事件。

更重要的變化，是數(shù)據(jù)的使用者變了。

過(guò)去，數(shù)據(jù)最終服務(wù)的是人：工程師寫 SQL，分析師做分析，運(yùn)營(yíng)人員制定規(guī)則。但進(jìn)入 Agent 時(shí)代，數(shù)據(jù)開(kāi)始直接服務(wù) AI 系統(tǒng)。一個(gè)真正工作的 Agent，并不只是等待用戶輸入后生成答案，而需要持續(xù)獲得新鮮、準(zhǔn)確、完整的數(shù)據(jù)，根據(jù)環(huán)境變化不斷調(diào)整判斷。

這也是為什么 Agent 的能力上限，越來(lái)越取決于背后的數(shù)據(jù)質(zhì)量和處理效率。

大模型提供的是理解和推理能力，但如果 Agent 無(wú)法及時(shí)獲得正確的上下文，就很難真正參與復(fù)雜業(yè)務(wù)。無(wú)論是智能運(yùn)維、金融風(fēng)控，還是內(nèi)容分析，本質(zhì)上都要求 AI 能夠接住現(xiàn)實(shí)世界不斷產(chǎn)生的事件，并基于這些變化做出行動(dòng)。

因此，AI 時(shí)代數(shù)據(jù)基礎(chǔ)設(shè)施的核心命題正在發(fā)生變化：過(guò)去解決的是「如何把數(shù)據(jù)及時(shí)送到人的手里」，而現(xiàn)在需要解決的是「如何讓數(shù)據(jù)持續(xù)驅(qū)動(dòng)智能」。

這也是 Flink 進(jìn)入 Agentic Streaming 時(shí)代背后的核心邏輯。

02
從實(shí)時(shí)計(jì)算到 Agent，F(xiàn)link 正在重做 AI 的「基礎(chǔ)設(shè)施層」

當(dāng)下行業(yè)討論的 Agent，大多集中在編程助手、個(gè)人效率工具這類場(chǎng)景，本質(zhì)還是「人提出需求，AI 完成任務(wù)」的對(duì)話式交互，觸發(fā)源始終是人的指令。但在更廣闊的企業(yè)生產(chǎn)場(chǎng)景里，絕大多數(shù)觸發(fā)源，是系統(tǒng)自發(fā)產(chǎn)生、永不停歇的事件。

在王峰看來(lái)，未來(lái) To B 領(lǐng)域會(huì)走出一條獨(dú)立的賽道——事件驅(qū)動(dòng)型 Agent。它不需要人發(fā)起對(duì)話，而是由海量持續(xù)產(chǎn)生的業(yè)務(wù)事件觸發(fā)，7×24 小時(shí)自主運(yùn)行、異步響應(yīng)、自主決策，是真正能嵌入生產(chǎn)流程的 AI 形態(tài)。

這類 Agent 已經(jīng)在多個(gè)場(chǎng)景里顯現(xiàn)出價(jià)值。

比如智能運(yùn)維，企業(yè) IT 系統(tǒng)每秒產(chǎn)生海量日志、指標(biāo)與異常事件，過(guò)去靠人工運(yùn)維和固定規(guī)則排查故障，現(xiàn)在事件驅(qū)動(dòng) Agent 可以實(shí)時(shí)收集全量運(yùn)行數(shù)據(jù)，結(jié)合大模型診斷性能瓶頸，自動(dòng)調(diào)整資源并發(fā)、完成故障自愈。阿里云內(nèi)部已經(jīng)實(shí)現(xiàn)了「用 Flink Agent 運(yùn)維 Flink」，數(shù)千個(gè)計(jì)算任務(wù)的擴(kuò)縮容、異常修復(fù)全程無(wú)需人工介入。

再比如金融風(fēng)控，固定規(guī)則依然承擔(dān)著前置過(guò)濾的職能保證低延遲，而大模型負(fù)責(zé)對(duì)可疑事件做深度研判，識(shí)別更隱蔽的作弊與風(fēng)險(xiǎn)，規(guī)則與模型混合的模式，同時(shí)兼顧了效率與精度。

還有直播場(chǎng)景，視頻流、彈幕流、用戶行為流多路數(shù)據(jù)同時(shí)產(chǎn)生，F(xiàn)link 可以在同一條流水線里完成抽幀理解、解說(shuō)詞生成、彈幕意圖識(shí)別，實(shí)時(shí)調(diào)整解說(shuō)風(fēng)格與輸出形式。

Flink 能支撐這類場(chǎng)景，核心在于把流計(jì)算沉淀十幾年的原生能力，變成了 Agent 運(yùn)行的基礎(chǔ)底座。

在王峰看來(lái)，這正是 Flink 和主流多模態(tài)計(jì)算引擎的核心差異：很多引擎擅長(zhǎng)處理離線批量的多模態(tài)數(shù)據(jù)，但 Flink 作為純流式引擎，既能承接存量批量數(shù)據(jù)，也能對(duì)接無(wú)限流淌的實(shí)時(shí)數(shù)據(jù)流，覆蓋的場(chǎng)景邊界更廣。它的流水線架構(gòu)實(shí)現(xiàn)了 CPU 與 GPU 全鏈路流水運(yùn)轉(zhuǎn)，數(shù)據(jù)不落盤、網(wǎng)絡(luò)直傳，讓 GPU 資源持續(xù)滿負(fù)荷運(yùn)行。

另一方面是原生的狀態(tài)管理與多流對(duì)齊能力。王峰解釋道，這部分能力其實(shí)是流計(jì)算的原生積累——BI 時(shí)代沉淀的分布式狀態(tài)管理系統(tǒng)，可以直接復(fù)用為 Agent 的短期記憶載體，再對(duì)接外部向量數(shù)據(jù)庫(kù)承載長(zhǎng)期知識(shí)，不用從零搭建上下文體系。而水位線、窗口機(jī)制天然能解決多模態(tài)數(shù)據(jù)速率不一致、到達(dá)有時(shí)間差的問(wèn)題，把多路數(shù)據(jù)按時(shí)間軸精準(zhǔn)對(duì)齊，避免 AI 拿到碎片化的「拼圖碎片」。

計(jì)算能力之外，Agent 持續(xù)運(yùn)行還需要穩(wěn)固的存儲(chǔ)底座，這也是 Flink 生態(tài)正在補(bǔ)齊的關(guān)鍵一環(huán)——由 Flink 社區(qū)孵化的 Apache Paimon 與 Apache Fluss 共同構(gòu)成的 Agentic Lake，實(shí)現(xiàn)了湖流一體的完整架構(gòu)。

其中 Paimon 作為下一代流式數(shù)據(jù)湖，負(fù)責(zé)全模態(tài)數(shù)據(jù)的沉淀與統(tǒng)一管理；Fluss 作為專門的流存儲(chǔ)系統(tǒng)，負(fù)責(zé)實(shí)時(shí)數(shù)據(jù)流轉(zhuǎn)與 Agent 上下文供給。兩者雙向自動(dòng)互通，一個(gè)管「數(shù)據(jù)沉淀」，一個(gè)管「實(shí)時(shí)輸送」，讓 Agent 永遠(yuǎn)有新鮮、完整的上下文可以調(diào)用，形成了從存儲(chǔ)到計(jì)算的完整閉環(huán)。

事實(shí)上，To B 生產(chǎn)級(jí) Agent 對(duì)可靠性的要求遠(yuǎn)高于消費(fèi)級(jí)產(chǎn)品：個(gè)人 Agent 出問(wèn)題重啟即可，但承載業(yè)務(wù)的 Agent 必須支持 7×24 小時(shí)穩(wěn)定運(yùn)行、具備故障自愈能力，這正是 Flink 多年企業(yè)級(jí)場(chǎng)景沉淀的核心長(zhǎng)板。

說(shuō)到底，Agent 從 Demo 走向生產(chǎn)，瓶頸在于能不能長(zhǎng)時(shí)間、穩(wěn)定、可靠地跑在業(yè)務(wù)里。Flink 想做的，就是通過(guò)孵化 Flink Agents 項(xiàng)目，把自己沉淀多年的可靠性、一致性與容錯(cuò)能力，變成事件驅(qū)動(dòng) Agent 的通用運(yùn)行底座——也就是 Streaming Agent-OS。

03Agent 時(shí)代，基礎(chǔ)設(shè)施競(jìng)爭(zhēng)才剛剛開(kāi)始

回看技術(shù)產(chǎn)業(yè)的競(jìng)爭(zhēng)脈絡(luò)，云計(jì)算時(shí)代，企業(yè)比拼的是計(jì)算與存儲(chǔ)的資源效率；大模型爆發(fā)初期，行業(yè)關(guān)注的是參數(shù)規(guī)模與榜單成績(jī)；而當(dāng) AI 開(kāi)始真正走進(jìn)業(yè)務(wù)、走向落地，競(jìng)爭(zhēng)的重心正在從「大腦有多聰明」，轉(zhuǎn)向「能不能持續(xù)感知真實(shí)世界」。

Flink 提出 Agentic Streaming，本質(zhì)是給實(shí)時(shí)計(jì)算重新下了定義。

它不再只是大數(shù)據(jù)團(tuán)隊(duì)的專用工具，而是 AI 時(shí)代的通用基礎(chǔ)軟件：向上，通過(guò)全模態(tài)數(shù)據(jù)流處理為大模型輸送高質(zhì)量的實(shí)時(shí)燃料；向內(nèi)，通過(guò) Streaming Agent-OS 支撐事件驅(qū)動(dòng) Agent 的穩(wěn)定運(yùn)行；向下，通過(guò) Agentic Lake 的湖流一體架構(gòu)，筑牢永遠(yuǎn)在線的數(shù)據(jù)底座。

王峰談到，目前 Flink 開(kāi)源社區(qū)的項(xiàng)目管理委員會(huì)已經(jīng)在推進(jìn) 3.0 版本的規(guī)劃討論，面向 AI 與全模態(tài)的升級(jí)是全球社區(qū)的共識(shí)，國(guó)內(nèi)外多家頭部科技公司都已參與共建。從計(jì)算引擎到存儲(chǔ)生態(tài)，整個(gè)技術(shù)棧都在圍繞 Agent 場(chǎng)景持續(xù)演進(jìn)。

如果說(shuō)大模型是 AI 的「大腦」，負(fù)責(zé)思考與決策，那么一套完整的實(shí)時(shí)數(shù)據(jù)體系就是 AI 的「神經(jīng)系統(tǒng)」——它持續(xù)感知外界變化，把分散的信號(hào)整理成有序的信息，精準(zhǔn)傳遞給大腦，再把決策同步到執(zhí)行端。Flink 正在做的，就是把這套神經(jīng)系統(tǒng)的基礎(chǔ)設(shè)施做扎實(shí)。

大模型的能力迭代還在繼續(xù)，但 AI 應(yīng)用的競(jìng)爭(zhēng)，早已從單點(diǎn)的模型能力，擴(kuò)展到了全鏈路的系統(tǒng)能力。未來(lái)能真正規(guī)模化落地在千行百業(yè)的 Agent，靠的不只是更聰明的模型，更是足夠穩(wěn)定、高效、實(shí)時(shí)的數(shù)據(jù)底座。

從這個(gè)角度看，AI 與 Agent 的基礎(chǔ)設(shè)施的競(jìng)爭(zhēng)，其實(shí)才剛剛拉開(kāi)序幕。

*頭圖來(lái)源：阿里云 FFA

本文為極客公園原創(chuàng)文章，轉(zhuǎn)載請(qǐng)聯(lián)系極客君微信 geekparkGO