作为 AI 原生的 Lakehouse 引擎，StarRocks 正在 Agent 场景中展现出高效的适配价值，同一份数据，同时支撑 AI Agent、BI 报表、即席查询（Ad-hoc）、面向用户的业务分析等多种访问模式，极大规避了为不同场景重复建设数据副本的工程与运维成本。基于镜舟数据库及相关解决方案，企业可以在兼容现有湖仓生态的基础上，逐步获得统一存储、实时查询、向量检索和开放互联等能力，从

用户问一个关于市场份额的问题，Agent 可能要先查账号权限，再查整体指标，再按竞品维度拆分，再按时间段对比，每一步都是一次独立的数据调用。只不过，未来的报表将不再完全由人工定制，而是会借助AI技术自动生成分析结果，然后固化成报表，人工参与的程度会逐渐降低。大模型在这里只能猜。AI 对话分析解决的是，当你突然冒出一个新的问题时，它能及时给出答案，不需要提前进行繁琐的设置。目前最常见的接入方式是这样

时至今日，许多企业已经完成了 Lakehouse 的架构升级，却在 AI 规模化落地阶段遭遇了新的瓶颈：数据维度和数据量足够多，但无法支撑 Agent 的高并发探索式查询、无法保障决策数据的准确性、也无法在多 Agent 协作时维持系统的稳定与可治理性。这四点加在一起，本质上描述的是一个问题：企业需要一层专门的数据基础设施，来为 AI Agent 提供持续的、高质量的上下文支撑。在这个链路里，向量

如果发现这一次 CBO 选错了执行计划导致跑得很慢，内置的 SQL 调优顾问（Tuning Advisor）会记录下这个教训，在下一次同样的查询结构跑进来时，自动纠正执行计划。在存算分离架构下，底层的业务数据是一份共享的，但上层的计算资源可以彻底分开。这种自我修复能力，确保了即便面对 AI 实时生成的毫无章法的 SQL，底层引擎也能吃一堑长一智，让后续的探索查询保持稳定和高性能。同样一个业务问题，

规模化的 Lakehouse 平台，考验的从来不只是架构师对分层模式的理解，而是在 AI 浪潮下对“数据基础设施该服务于谁”这一根本问题的判断。当 AI Agents 逐渐成为企业业务决策的重要参与者，数据平台的价值不再只是“存得住、查得快”，而是能否成为 Agent 可信赖、可追溯的决策底座。这是一道正在加速到来的命题，也是当下数据架构演进最值得认真思考的方向。

2026 年 5 月 26 日，HPE 在北京举行新品发布会，多家专业媒体、业内专家及行业客户共同见证了 HPE 新一代企业级文件和对象存储 HPE Alletra Storage MP X10000 系列的正式发布。作为 HPE 的生态合作伙伴，镜舟科技受邀出席此次活动，并公布了双方联合解决方案及核心验证成果。双方通过协议兼容与性能调优，在存算分离架构下实现了端到端的闭环，共同为企业构建面向 A

作为 AI 原生的 Lakehouse 引擎，StarRocks 正在 Agent 场景中展现出高效的适配价值，同一份数据，同时支撑 AI Agent、BI 报表、即席查询（Ad-hoc）、面向用户的业务分析等多种访问模式，极大规避了为不同场景重复建设数据副本的工程与运维成本。基于镜舟数据库及相关解决方案，企业可以在兼容现有湖仓生态的基础上，逐步获得统一存储、实时查询、向量检索和开放互联等能力，从

时至今日，许多企业已经完成了 Lakehouse 的架构升级，却在 AI 规模化落地阶段遭遇了新的瓶颈：数据维度和数据量足够多，但无法支撑 Agent 的高并发探索式查询、无法保障决策数据的准确性、也无法在多 Agent 协作时维持系统的稳定与可治理性。这四点加在一起，本质上描述的是一个问题：企业需要一层专门的数据基础设施，来为 AI Agent 提供持续的、高质量的上下文支撑。在这个链路里，向量

如果发现这一次 CBO 选错了执行计划导致跑得很慢，内置的 SQL 调优顾问（Tuning Advisor）会记录下这个教训，在下一次同样的查询结构跑进来时，自动纠正执行计划。在存算分离架构下，底层的业务数据是一份共享的，但上层的计算资源可以彻底分开。这种自我修复能力，确保了即便面对 AI 实时生成的毫无章法的 SQL，底层引擎也能吃一堑长一智，让后续的探索查询保持稳定和高性能。同样一个业务问题，

规模化的 Lakehouse 平台，考验的从来不只是架构师对分层模式的理解，而是在 AI 浪潮下对“数据基础设施该服务于谁”这一根本问题的判断。当 AI Agents 逐渐成为企业业务决策的重要参与者，数据平台的价值不再只是“存得住、查得快”，而是能否成为 Agent 可信赖、可追溯的决策底座。这是一道正在加速到来的命题，也是当下数据架构演进最值得认真思考的方向。