近日，阿里云表格存储Tablestore宣布全面升级AI场景支持能力，正式推出AI Agent记忆存储功能，在保障高性能与高可用的同时，整体存储成本降低30%，标志着Tablestore在构建AI数据处理和存储的技术内核能力上，迈出关键一步。

此次升级聚焦Agentic AI爆发背景下的核心挑战，即如何实现长期、高效、有价值的记忆管理。阿里云Tablestore从AI生态集成、数据模型抽象、内核能力优化三大维度全面进化，打造专为AI Agent设计的记忆和知识库数据存储底座，助力开发者快速构建具备“记忆力”的智能体应用。

（图：阿里云表格存储Tablestore全面升级AI场景功能支持）

在AI生态集成方面，为降低AI应用接入门槛，Tablestore持续扩展与主流AI框架的兼容性。继支持LlamaIndex、LangChain后，Tablestore现已全面接入Dify、Spring AI，并与阿里云百炼平台的OpenMemory MCP深度集成。开发者可实现“即插即用”，比如Dify用户通过一键配置即可将Tablestore设为向量存储引擎；阿里云用户可通过SAE、ACK等产品快速部署；Spring AI的开发者仅需引入依赖，即可将Tablestore无缝嵌入企业级Java应用。这一系列生态整合，显著简化了AI应用开发流程，让开发者更专注于业务逻辑创新。

在数据模型层面，针对AI应用中重复的表结构设计、存储逻辑封装等问题，Tablestore团队推出全新开源 AI Agent Memory 框架，基于通义千问等领先的AI大模型在对话记忆与知识管理中的最佳实践，预置了会话（session）、消息（message）、知识库（knowledge）三大通用数据模型。借助该框架，开发者无需关注底层存储细节，真正实现从“面向数据库编程”到“面向业务意图编程”的跃迁。例如，开发者可快速构建具备长期记忆能力的智能客服系统，或支持知识检索的个性化AI助手。目前，该框架在GitHub开源。

在内核能力提升上，面对AI场景中日益增长的半结构化与多模态数据处理需求，Tablestore对多元索引能力进行深度优化。如新增JSON格式索引，系统自动对嵌套字段进行扁平化并建立索引，在百亿级数据规模下，检索延迟降低超 40%，显著提升简历筛选、商品信息检索等场景响应速度；提供更强的多模态支持，单行记录支持多个向量列，满足视频监控、跨模态搜索等需求。该设计不仅减少向量元数据存储成本达30%以上，还降低多特征融合检索的计算负载，实现更高效的视频内容分析与图文联合检索。

相比传统自建方案，Tablestore凭借Serverless架构与企业级服务能力，为AI应用提供极致性价比，集成并优化DiskANN等先进向量检索算法，向量检索整体成本降低 50%；支持按需计费与自动弹性伸缩，无需预估资源，轻松应对流量高峰；默认支持跨可用区部署，提供 99.99% 高可用SLA，满足金融、医疗等关键业务的稳定性要求。

未来，阿里云将持续深化Tablestore与AI生态的协同，推出更多面向记忆存储与检索的创新功能，助力企业从数字化迈向智能化。

「免责声明」：以上页面展示信息由第三方发布，目的在于传播更多信息，与本网站立场无关。我们不保证该信息(包括但不限于文字、数据及图表)全部或者部分内容的准确性、真实性、完整性、有效性、及时性、原创性等。相关信息并未经过本网站证实，不对您构成任何投资建议，据此操作，风险自担，以上网页呈现的图片均为自发上传，如发生图片侵权行为与我们无关，如有请直接微信联系g1002718958。