云栖2026 — 阿里云 OpenLake 迈向 Agentic Lake，一份全模态数据驱动智能体就绪

当 AI 从问题应答走向生产运行，云基础设施也在加速向 Agentic Cloud 演进。从基础设施、数据平台到应用服务，从 IaaS 到 PaaS，各层能力不仅需要支持面向人的交互，也需要支持面向 Agent 的交互，使 Agent 能够理解、调用并协同使用这些能力，推动云基础设施各层实现智能体就绪。

Agent 与数据交互的首要前提，是企业打破数据割裂。如果数据分散在不同系统中，同一业务对象存在不同定义，同一指标采用不同口径，就会大幅增加 Agent 跨数据体系协同的系统复杂度，并对其稳定性构成严峻挑战。由于这并非仅依靠选择一个能力最强的模型就能解决，跨引擎数据统一称为刚需。与此同时，Agent 在执行任务时会频繁、连续地调用数据与工具。如果每一步都需要等待数据同步、搬运或计算，整个任务链路的耗时就会增加；如果获取的数据滞后于业务变化，后续判断与行动也可能偏离实际。随着实时数据AI处理需求的增长，统一的数据层同时支持离线和实时数据处理，也成为刚需。

2026 云栖大会上，阿里云智能集团计算平台事业部产品负责人 徐晟 发表《OpenLake：基于 Agentic Lake 的全模态 Data+AI 解决方案》演讲。阿里云 OpenLake 进一步迈向 Agentic Lake：以统一、实时的开放湖存储承载全模态数据，推动大数据、搜索与 AI 引擎达到跨引擎协同并达到智能体就绪，通过 DataWorks 构建的跨引擎语义层将数据赋能智能体服务，并以 AI 原生大数据服务 ADA 支撑多智能体协同，企业在基于OpenLake开放湖仓的构建的全模态数据能够服务于 BI、AI 与 Agent，赋能企业步入全模态开放数据湖智能体时代。

Agentic Lake：DLF 统一全模态数据，Fluss 湖流一体为 Agent 提供实时更新的上下文

Agentic Lake 首先需要构建面向 Agent 的统一数据基础。这里的“统一”，不仅仅是将所有数据迁移至同一物理位置，而是在统一托管数据存储的基础上将不同类型的数据纳入一致的发现、访问与治理体系，避免 Agent 在相互割裂的数据副本之间反复查找、核对与转换。

OpenLake 以 DLF 的 Omni Catalog 统一管理表与文件，提供统一的目录、元数据、访问控制及存储管理能力。无论是结构化业务表，还是文档、图片、音视频等非结构化数据，均可在同一管理体系下被发现和使用。在此基础上，Paimon 2.0 将全模态数据纳入开放湖表，并针对不同模态采用适宜的物理存储布局，为多引擎共享数据提供支撑。

统一的数据湖如果无法支持实时湖仓场景，就需要额外引入外部数据同步机制，由此增加系统复杂度，并在系统性能与成本方面面临严峻挑战。面向 Agent 对最新业务状态的持续调用需求，OpenLake 通过 Fluss 与 Paimon 的湖流一体协同，业界首次实现实时数据与历史数据相连接：Fluss 承接最新实时状态，Paimon 沉淀长期历史数据，二者通过 Union Read 提供统一读取视图，使最新变化能够及时参与计算，同时保持长期积累的业务信息持续可用。

在零售行业的客户案例中，Agent 在判断一款商品是否适合推荐时，既需要获取当前的库存、订单和会员互动信息，也需要结合长期消费偏好与经营规律。湖流一体使这两类信息共同构成业务上下文，实现具备秒级乃至毫秒级实时性的数据湖，为 Agent 的连续判断与行动提供基础。

从“一份数据、多引擎协同”，到全模态统一管理和治理，再到湖流一体以及Agentic Lake，OpenLake 正在将统一、实时的数据能力落实为智能体湖仓的存储基础。

Agentic Engine：使大数据、搜索与 AI 引擎成为 Agent 可调用的工具

在统一的 Agentic Lake 之上，OpenLake 要求所有数据引擎实现智能体就绪，即成为 Agentic Engine。这些引擎不仅需要围绕同一份数据运行，也需要向 Agent 开放自身能力，使 Agent 能够根据任务需求直接调用。MaxCompute、Hologres、Flink、PAI、EMR StarRocks、EMR Spark、AI Search 等产品基于统一读写标准，围绕同一份数据提供批量加工、交互式分析、实时计算、搜索检索、模型训练与推理等能力，降低因不同工作负载而重复搬运数据、建设独立副本所产生的成本。

在这一架构下，Agent 可以调用实时计算能力处理业务变化，调用批处理与分析能力完成历史数据加工和经营分析，调用搜索能力检索文档与知识，并调用 AI 能力完成模型相关任务。不同引擎在共享统一数据基础的同时，分别发挥各自的专业能力。

通过开放 Skill、MCP 等接口与生态能力，这些引擎进一步成为 Agent 可发现、可调用、可组合的计算工具。OpenLake 由此将“一份数据、多引擎协同”延伸为“一份数据、多种计算能力供 Agent 调用”，为上层智能体执行复杂任务提供支撑，并消除 Agent 在数据口径不一致、数据反复迁移等场景中面临的历史技术债务。

Data Agent：DataWorks构建跨引擎语义层，将数据赋能智能体服务

在引擎具备可调用能力之后，下面两个问题将成为挑战：一是 Agent 如何跨引擎理解和管理数据，二是如何组织不同引擎协同完成任务。

DataWorks Data Agent 构建于 Agentic Engine 之上，提供统一的数据开发、治理与任务编排能力。用户可以围绕业务目标提出需求，由 DataWorks 组织数据处理流程，并调用相应引擎完成计算，无需逐一关注底层引擎的操作方式，也无需为不同引擎分别准备数据副本。

这一过程的可靠运行，首先依赖于一致业务语义的建立。DataWorks 通过语义图谱 Context Graph，读取元数据、血缘、SQL、调度任务、指标和文档，识别业务实体及其关系、推断指标口径，产品层面上构建了六层语义层。它将分散在技术资产与业务文档中的知识组织为 Agent 可使用的上下文，帮助 Agent 理解数据的含义、指标的计算方式以及数据之间的关系。同时DataWorks的语义层还支持OSI接口的三方Agent调用，将Lake的语义层开放到了生态意义上的智能体就绪。

在此基础上，DataWorks Data Agent 内置数据集成、开发、运维、治理和分析等专家套件。用户通过自然语言提出需求，即可生成同步任务、加工逻辑与代码，完成调试，并将结果推送至 IM。DataWorks 进一步将这些任务连接至底层不同的 Agentic Engine，使业务需求能够转化为围绕同一份数据执行的计算流程。

同时，DataWorks 通过 MCP 连接企业文档和应用，支持自定义 Skill、专家套件和 SubAgent，并通过 OpenAPI 嵌入企业自有系统。Data Agent 既可以调用外部能力，也可以作为数据能力被其他应用和 Agent 调用，为 AI 原生大数据服务 ADA 等业务智能体提供统一的数据使用入口。

AI 原生大数据服务：面向业务，ADA 推动大数据与 AI 平台升级为可协同的 Agent 服务

当数据、引擎与开发平台逐步具备 Agentic 能力，下一步是将这些能力组织为面向业务的服务，使多个 Agent 能够协同完成工作。

阿里云推出 AI 原生大数据服务 ADA，作为解决方案Agent能够集成各类data agent完成场景化需求，面向业务人员、数据分析师和数据工程师，支持通过自然语言完成日常数据工作，推动大数据与 AI 平台升级为可协同的垂类智能体服务，具体能力包括：

●多智能体协同。 对覆盖数据分析、数据工程、引擎运维、模型训练等领域的 AI Agent 进行智能编排，使不同专业能力围绕同一任务协同发挥作用。

●企业级知识引擎。 基于企业数仓与湖仓，智能构建企业级智能引擎，将企业知识自动注入 Agent 上下文，为任务理解与执行提供业务依据。

●跨引擎闭环交付。 支持离线计算、实时计算、流式计算、AI 计算等跨引擎任务的自主交付，将多智能体协同落实为可完成、可交付的工作流程。

从业务人员提出需求，到多个专业 Agent 分工协作，再到底层引擎执行计算，ADA 将数据与 AI 能力组织为面向业务的完整服务，推动 Agent 从辅助单个操作，进一步发展为协同完成任务。

圆桌探讨：AI时代的Agentic Lake新范式

在全模态 Agentic Lake 论坛上，阿里云智能集团高级产品解决方案架构师 杨祎主持，沃尔玛大数据高级专家 程辉、海信聚好看研发中心总经理 张纪宽、广州骏伯网络科技有限公司联合创始人兼 CTO 潘力、博西家电中国数据与人工智能部总监 王志义参与交流，围绕企业如何为 AI 与 Agent 深入业务做好准备展开讨论。

圆桌立足大规模实时零售运营、家庭大屏交互与内容、算法驱动的数字营销，以及制造与 IoT 融合的智能家电等不同场景，探讨 Agent 对客户体验、技术架构、组织协作和业务流程的影响，并关注从概念验证走向生产运行所面临的数据、系统连接、成本与安全治理挑战。

在 Data Ready 层面，讨论涵盖全模态数据统一管理、上下文与业务语义、数据新鲜度、多引擎协同及开放兼容，重点关注如何在统一目录与治理体系下连接实时与历史、结构化与非结构化数据，使批处理、实时计算、分析、搜索和 AI 围绕同一份数据协同，形成可信、实时、可理解的业务上下文。

在 Agent Ready 层面，议题进一步延伸至数据资产发现、语义理解、API、MCP 与 Skills 调用、多步任务状态管理，以及权限控制、人工审批和审计追溯，并结合企业 AI 转型场景，探讨如何贯通数据、判断、执行与结果反馈，让 Agent 在授权范围内协同完成任务。

面向未来，圆桌展望 Agentic Lake 在全新智能体湖仓架构下，关注实时性、全模态、业务语义与安全调用能力的融合，以及自动化效率与人工责任之间的边界，为企业数据平台建设与 Agent 应用落地提供参考。

客户实践：孩子王推动 Agent 从辅助分析深入门店经营

在孩子王，Agent 正在融入门店经营、一线服务和会员运营。围绕 AI 店总、员工助手和精准营销三类核心应用，孩子王将数据能力与业务流程相连接，使智能体参与日常经营。

孩子王数智科技有限公司 CTO 王海龙 表示，支撑这些业务 Agent 的 Data Agent，负责理解数据需求、确认业务对象与指标口径，并将销售、库存、订单、会员、商品、服务记录、需求图谱、业务规则和效果反馈组织为可用上下文。统一的数据基础，使不同 Agent 能够围绕一致的业务事实开展分析与协作。

基于 Agentic Lake 的数据基础，“孩子王智枢”已覆盖 400 多个业务场景、300 多个智能体和十几个专家智能体，店总 24 小时处理率达到 99+%，单客户 ARPU 值提升 6.6%。从理解经营状况到支持一线服务，Agent 正在融入实际业务流程。

阿里云 OpenLake 迈向 Agentic Lake，构建 Agentic Cloud 数据平面的基石

从 DLF 统一全模态数据、Fluss 湖流一体提升实时性，到各类 Agentic Engine 开放 Agent 调用能力，再到 DataWorks 连接业务语义与任务执行、ADA 支撑多智能体协同，OpenLake 正在贯通从存储、计算到业务服务的完整智能体就绪链路。

这也是 OpenLake 迈向 Agentic Lake 的核心：使同一份受治理的数据具备统一的理解基础，能够及时反映业务变化，并通过不同引擎与 Agent 转化为可执行的业务能力。

在全新智能体湖仓架构下的， Agent 能够持续获得一致、实时、可理解的数据，并协同调用计算能力完成任务，帮助企业快速的低成本的过度到企业级数据应用智能体阶段。作为 Agentic Cloud 数据平面的基石，Agentic Lake 将持续演进更多的数据智能体，将不同体系的数据智能体融入业务，在智能体时代持续帮助企业快速拓展数据业务，创造数据之上的业务价值。

免责声明：本文内容来源于第三方或整理自互联网，本站仅提供展示，不拥有所有权，不代表本站观点立场，也不构成任何其他建议，对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性不作任何保证或承诺，请读者仅作参考，并请自行核实相关内容,不承担相关法律责任。如发现本站文章、图片等内容有涉及版权/违法违规或其他不适合的内容， 请及时联系我们进行处理。