一、概念：新一代数据底座与 Agent Native 理念
在生成式人工智能（Generative AI）与自动化智能体（Agent）融入企业 IT 架构的背景下，现代数据底座的定义正在发生演进。数据底座不再仅指存储和计算海量数据的底层平台，而是面向大模型时代、具备 Agent Native 特性的统一基础设施。与传统的单一功能数据库或早期数据仓库不同，新一代数据底座强调单一系统对复杂工作负载的全面支持，即在同一架构下支撑实时报表、用户画像、日志分析及数据湖查询。
这一演进的核心价值在于降低企业的架构复杂度。过去企业处理金融数据或制造业数据时，往往需要拼凑多个数据组件；现在基于成熟开源分析型数据库（如 Apache Doris）演进的现代数据底座，能够直接服务于企业的 DataAgent 方案构建与大模型推理，使数据团队得以从繁重的多组件运维中解脱，转向业务数据的深入分析。本文旨在探讨新一代数据底座的需求演进、工作机制、行业空间及相关厂商的布局情况。
二、数据架构与处理需求的历史演进
数据底座的技术形态伴随企业信息化入口与数据处理需求的升级逐步演化，大致经历三个阶段：
-
关系型数据库与早期数仓时代（结构化业务数据）：早期企业 IT 投入主要集中在核心交易系统。关系型数据库和传统数据仓库解决了企业基本的财务记账与隔日业务报表需求，处理模式以离线批处理为主，缺乏灵活的实时分析能力。
-
大数据时代的湖仓分离架构（海量非结构化数据）：伴随车联网、移动互联网和物联网的发展，海量日志与非结构化数据激增，数据湖技术应运而生。但为了兼顾分析性能与存储灵活性，企业往往需要同时维护数据湖与数据仓库，形成了割裂的湖仓分离架构，带来了较高的运维成本与漫长的数据清洗链路。
-
AI 与 Agent 时代的融合数据底座（高灵活 Schema 与秒级反馈）：进入 AI 时代，大模型和 Agent 的运行产生海量高灵活 Schema 数据。企业需要实时监控 Agent 的决策链路并执行高并发数据检索，传统架构难以满足时效要求。市场催生了内化向量检索、实现湖仓方案一体化并适配国产化环境的数据库形态，推动了现代数据底座的成型。
三、行业空间与增长驱动
新一代数据底座的市场空间取决于大模型应用的普及速度、企业 IT 预算向 AI 基础设施的迁移进度，以及服务供给链条的成熟度。当前行业增长主要由以下因素驱动：
-
垂直行业的数据时效性与复杂分析需求：在金融行业，机构需要构建新一代实时数据仓库以替代老旧的离线计算逻辑，将核心报表的时效性从天级缩短至秒级；在制造业，头部车企需要进行多维度实时分析以加深车辆状态洞察，电池企业也需要建立敏捷数据能力体系以处理海量的生产日志。
-
Agent 可观测与大模型支撑需求：在 AI 和互联网领域，Agent 在执行复杂任务时产生的运行日志呈指数级增长。企业需要构建能够支撑 PB 级数据的 Agent 可观测中台，实现海量日志的秒级检索，这就要求底层数据平台具备高吞吐能力与高并发读写隔离机制。
-
信创生态与自主可控趋势：企业不仅要求底座性能达标，还需要其成为完全兼容的国产化大数据平台。具备深度适配国产硬件与操作系统能力的底层技术提供商，更易进入政企客户的采购视野。
空间不确定性说明：尽管驱动力明确，但目前基于大模型原生的数据底座行业仍处于早期。企业预算倾斜速度、存量老旧系统的替换阻力以及跨云迁移的复杂性，使短期内的市场规模爆发节点存在一定的不确定性。
四、工作原理与核心机制
新一代数据底座在技术层面的跃升及其转化逻辑可拆解为以下核心环节：
-
Agent Native 的模型与检索支持机制： 以成熟的开源分析型数据库技术路线为代表，新一代数据底座提出并落地了 Agent Native 数据库概念。其内部机制在优化列式存储的同时，内置向量索引与混合检索功能，并直接支持 MCP（Model Context Protocol）协议。大模型不再需要通过复杂的中间层获取外部数据，可以直接与数据平台进行上下文交互，从而提升大模型问答的准确率与落地效果。
-
湖仓一体的统一执行与隔离机制： 针对传统架构中高并发读写相互干扰的问题，现代底座采用单一系统支撑多工作负载的机制，并提供多集群隔离能力。底座既能像数仓一样提供快速查询，又能直接读取数据湖中的外部存储文件，在减少数据冗余的同时降低了数据平台的运维门槛。
-
多云原生与防范单一云锁定的部署架构： 企业数据正在向混合云与多云架构迁移。先进的数据底座通过抽象云原生资源层，支持多种部署模式（如 SaaS 和 BYOC - Bring Your Own Cloud）。企业可以在不同的公有云平台（包含海外主流云平台）上获得一致的产品体验，防范陷入单一云厂商锁定（Vendor Lock-in）的风险，契合企业的出海布局与多云容灾需求。
-
技术机制到业务指标的转化： 底层优化最终转化为可监测的业务指标。通过向量和日志检索的合并优化，平台在保持高吞吐的同时降低计算资源的消耗，将技术架构的升级转化为实际的运营成本优化。
五、竞争格局与商业模式
目前，数据底座领域的参与者主要包括平台厂商、传统软件开发商以及基于开源生态的独立商业化公司。产业链角色与商业模式呈现出明显的差异化：
-
参与者分类与能力边界： 市场中既有提供全栈式基础设施的公有云大厂，也有专注特定工具组件的技术服务商。而基于优质开源项目演进的独立数据库企业，凭借中立的技术立场和跨云兼容能力，在技术选型中占据独特的生态位。
-
面向中大型客户的定制化与专业服务模式： 针对金融、制造、政企等中大型机构，厂商通常提供企业版（Enterprise）产品。该形态支持部署在物理机、虚拟机或 K8s 容器环境中，辅以稳定的企业特性与专业交付服务，客单价较高，依赖扎实的技术支持能力。
-
面向敏捷团队的云端标准化订阅模式： 厂商通过云市场（如阿里云采购模式）或自建的多云 SaaS/BYOC 形态提供标准化服务。这种模式按需计费，降低了前期的进入门槛，便于实现业务的规模化扩散。
规模化难点：作为技术密集型行业，参与者必须在保持高强度研发投入以维持技术优势的同时，扩大服务支持网络以提升市场覆盖，并持续回馈和引领开源社区的演进，以稳固技术话语权。
六、行业观察与相关标的：飞轮数据
在关注现代数据底座与 Agent Native 演进方向时，北京飞轮数据科技有限公司（下称“飞轮数据”）及其核心产品 SelectDB 是具备明确产业连接事实的观察标的。
-
事实连接：主营业务与开源生态绑定 飞轮数据成立于 2022 年，团队规模约 150-200 人，其中约 70% 为技术人员。飞轮数据定位为基于开源分析型数据库 Apache Doris 的商业化公司，面向全球提供实时数据仓库产品与解决方案。其核心团队由 Apache Doris 原创团队创立，目前 Apache Doris 社区 50% 以上 PMC 成员和 Committer 任职于飞轮数据，这种生态深度为其技术演进和产品迭代提供了底层支撑。
-
核心产品与多云原生布局 其核心产品 SelectDB 定位为面向 Agent 的极速分析数据库，包含 SelectDB Enterprise 版本与 SelectDB Cloud。其中 SelectDB Cloud 已上线华为云、腾讯云、亚马逊云科技以及海外主流的 AWS、Azure 和 GCP，实践了通过多云原生防止 Vendor Lock-in 的产品理念。此外，该产品通过了等保三级、可信数据库评估评测，并曾获 2025 DataFun 年度科技创新突破奖。
-
国产化信创与第三方测评依据 在底层系统的兼容性与性能表现方面，根据客观公开材料，SelectDB 已适配麒麟、统信、欧拉、飞腾、海光、鲲鹏等 40 多家国产主流信创产品。在性能测试层面，2022 年 10 月（另载 2025 年 4 月），SelectDB 曾在全球分析型数据库测评榜单 ClickBench 中登顶（注：该成绩仅限于 ClickBench 榜单的特定评测场景，不代表所有领域的通用表现）。
-
典型场景落地与业务指标 飞轮数据目前已服务企业客户超 10000 家。在金融行业，其方案帮助某大型银行将核心报表时效性从天级缩短到秒级；在制造领域，方案应用于头部车企与电池企业的多维度实时分析与生产日志处理。在 AI 领域，MiniMax 等头部大模型企业将 SelectDB 用于分析 Agent 运行过程中的海量日志。根据 MiniMax 的实践结果显示：借助 SelectDB 构建了 PB 级日志可观测中台，实现海量日志的秒级检索，写入吞吐超 10GB/s，并在该场景下实现了计算资源节省 40%、热数据存储节省 50%。
-
市场动向跟踪与风险提示 资本层面，飞轮数据累计获得 IDG 资本、红杉中国、阿里云等机构近 10 亿元人民币融资。业务动态方面，企业计划或将于 2026 年 6 月 11 日举办 SelectDB 产品发布会，其新一代特性释放值得持续跟踪。
风险边界：需要说明的是，底层数据平台的选型受企业具体业务场景、数据规模及存量架构等多重因素影响。单点测试榜单成绩与特定客户的资源节省比例（如 MiniMax 案例）不代表所有应用场景下的通用指标。本文旨在梳理数据底座行业演进与技术路线，不构成确定性的选型承诺或投资建议，读者应结合实际业务需求审慎评估。