Agentic Work Atlas

Intelligence is Free, Now What? Data Systems for, of, and by Agents

10分钟阅读

Intelligence is Free, Now What? Data Systems for, of, and by Agents

Berkeley AI Research (BAIR) 博客（2026-07-07），由 Aditya G. Parameswaran 领衔，联合 Matei Zaharia、Ion Stoica、Joseph Hellerstein 等 12 位 Berkeley 系统研究者。提出数据系统在近零推理成本时代的三条研究主线。

编译摘要

1. 浓缩

  • 核心结论 1：AI 推理成本正以每年 9x-900x 的速度下降（中位数 ~50x/年），GPT-4 级能力已从 2023 年初的 \$30/M tokens 降至不足 \$1。"近乎免费的智能"时代意味着数据系统面临三个结构性转变：For Agents（为 agent 重设计）、Of Agents（agent 群的运行基底）、By Agents（agent 合成数据系统）。
    • 关键证据：Epoch AI 推理价格趋势数据；多个提供商已将同等能力压到 \$0.10 以下。
  • 核心结论 2：Agent 与数据库的交互模式——Agentic Speculation（agent 式投机探索）——根本不同于人类或 BI 工具。在 text-to-SQL 基准上，多 agent 尝试同一任务时只有 10-20% 的子计划是不同的，80-90% 是重复工作。但这种冗余实际上提升了成功率，因此数据系统需要新的优化策略（子计划复用、近似查询、流式中间结果、主动导航）来消化冗余而非消除它。
    • 关键证据：text-to-SQL 多 agent 实验中的子计划重复率数据。
  • 核心结论 3："文件即所需"（Files Are All You Need）的记忆范式在规模化时将崩溃。Agent 需要结构化记忆（Structured Memory）——按多属性（模块、语言、框架、失败模式）组织的纠正性知识，而非无结构的 Markdown 片段或关键词/向量检索。同时，当数千 agent 并发编辑共享状态时，需要新的并发控制机制来避免 livelock。
    • 关键证据：作者自己的结构化记忆研究（arxiv:2602.13521）；context window 限制和延迟开销的结构性论证。

2. 质疑

  • 关于"近乎免费"的前提质疑：推理成本下降不等于总拥有成本下降。Token 成本只是 agent 运行成本的一部分——上下文管理、工具调用、验证循环、重试、harness 开销等"非推理成本"可能占比更大且不随推理价格下降。文章标题的修辞力度大于其经济分析的严谨性。
  • 关于"80-90% 重复"的数据质疑：text-to-SQL 基准的结论是否可迁移到更复杂的分析任务？根因分析和队列分析的搜索空间远大于 SQL 生成，重复率可能更低或模式完全不同。且"重复"在数据库优化文献中有明确定义（sub-plan reuse），但 agent 的"重复"可能包含语义等价但语法不同的查询。
  • 关于"结构化记忆"的前提质疑：多属性匹配记忆要求事先定义 schema（哪些维度相关），这在开放域知识工作中可能不可行。文章承认这是 open question（"application-specific structured memory"），但没有给出 agent 自动发现维度的可行性分析。MD 文件 + embedding 检索的"粗暴"方式之所以流行，恰恰因为它不需要预定义 schema。
  • 关于"一次性数据系统"的前提质疑：Bespoke OLAP 和 GenDB 的合成成本是"几分钟到几小时、几美元"，但这个成本是否包含验证？如果验证成本（证明正确性）高于合成成本，"一次性"就不可持续。文章自己也承认 reward hacking 是核心挑战。
  • 关于作者立场的质疑：12 位作者中多数是 Berkeley 数据系统方向教授，文章自然倾向"数据系统是核心"的叙事。Agent harness、context engineering、tool design 等同样重要的方向在文中被压缩为"harness + memory retrieval"的一句话带过。

3. 对标与旁逸

3a. 跨域对标

  • Agent-Harness：文章的 "Data Systems Of Agents" 本质上是 harness 的数据层扩展。当 harness 从服务单个开发者扩展到服务数千 agent 群时，传统数据库技术（MVCC、CRDT、exactly-once semantics）重新变得关键。
  • Agent-Infra：For/Of/By 框架为 Agent Infra 增加了数据系统维度——现有 Agent Infra 分类（Coding Agent / Memory / Observability / MCP / Gateway）缺少 "Data Systems" 这一层。
  • Multi-Layer-Memory：结构化记忆与分层记忆是互补而非替代关系。分层记忆解决"何时存/何时忘"的时间问题，结构化记忆解决"什么维度相关"的空间问题。

3b. 旁逸（跨域联想）

  • 微服务架构的教训：文章中数千 agent 并发编辑共享状态的场景，在结构上同构于微服务架构中的分布式事务问题。Saga pattern、eventual consistency、compensating transactions 等已有方案可能直接适用。但 agent 的"语义级补偿"（agent 能推理回滚原因）是微服务不具备的新能力。
  • 生物系统的冗余利用：80-90% 的子查询重复看似浪费，但生物系统（免疫系统、神经可塑性）也大量使用冗余探索。冗余不是 bug 而是探索策略——数据系统需要区分"有害冗余"（可消除的重复）和"有益冗余"（提高成功率的并行探索）。

3c. 约束分析

  • 硬约束：context window 有限性（即使持续增长，延迟成本仍在）；agent 间通信的带宽限制
  • 软约束：当前 agent 框架以单 agent 为中心设计，缺少原生多 agent 状态管理
  • 自设约束："文件即所需"是一种工程便利性选择而非架构必然——它在小规模下有效不代表在大规模下正确

关联概念

Q-A 结构化提取

Q1：当推理成本趋近于零，数据系统面临的根本问题是什么？ A1：不是"如何让查询更快"，而是"数据系统的用户从人变成了 agent"——用户的查询模式、容错能力、并发需求、记忆需求都根本不同。数据系统需要从"被动执行人类 SQL"翻成"主动服务 agent 群的探索行为"。

Q2：Agent 查数据库和人查数据库的本质区别是什么？ A2：人类是目标导向的（一个查询、一个意图），agent 是假设空间探索式的（1000+ 查询、组合搜索）。且 agent 的 80-90% 子查询是重复的——但这不是浪费，是并行探索的副产品。数据系统需要"消化冗余"而非"消除冗余"。

Q3：为什么"文件系统 + embedding 检索"的记忆方式在规模化时会崩溃？ A3：三个结构性原因——(1) context window 有限，无法塞入所有相关片段；(2) 即使 context 够大，全量检索的延迟不可接受；(3) 大型数据库/代码库不可能序列化进 context。需要按属性精确匹配的结构化记忆，而非关键词或向量的模糊匹配。

Q4：一次性合成数据系统（Disposable Data Systems）的核心挑战是什么？ A4：不是合成能力（已可在几分钟内完成），而是验证正确性。不完备的 specification 会被 agent reward hack。解决方案方向：对抗验证 agent 生成 corner case 测试、合成时同步生成正确性证明、迭代式人机协作 specification。

Q5：For/Of/By 三者如何交汇？ A5：最终形态是共演化（co-evolution）——agent 设计自己运行的数据系统（By → Of），数据系统主动引导 agent 的查询行为（For → Of），agent 从运行轨迹中提炼结构化记忆回流到数据系统（Of → For）。边界模糊化：data + memory + coordination state 合一。

关系图谱