构建一套能够同时处理文本、向量、标签和元数据，并在海量规模下支持高效检索与分析的统一系统。从分散的架构转向融合的架构，不仅提升了查询性能和开发效率，更为更智能、更数据驱动的研发工作流奠定了坚实基础。这些经验的适用范围远不止自动驾驶。任何面临多模态数据规模化管理挑战的行业：智慧城市、工业质检、内容推荐，以及日益兴起的 AI Agent 基础设施都面临同样的架构抉择。以 Apache Doris 为代

是一个开源的 AI 可观测平台，专为 AI Agent 场景设计。组件职责遥测数据网关，接收 OpenTelemetry 协议数据存储层，VARIANT 类型 + 倒排索引，天然适配半结构化数据Grafana+ Doris App 插件可视化层，支持 SQL 查询和预置 Dashboard如果你正在运行 AI Agent，你需要回答一个问题：**你知道它在做什么吗？**它执行了哪些命令？访问了哪些

导读：数据的爆发式增长与业务对实时性的极致追求，驱动易车技术团队在实时湖仓建设上持续探索。目前易车已基于 Apache Doris + Paimon + Hive 构建了湖仓一体化数据平台，实现架构收敛统一：**逐步替换 Druid、Kudu、HBase、MongoDB、ClickHouse 等近 10 种引擎。**广泛应用于实时多维分析、用户画像及标签体系、BI 报表（实时报表、仪表盘）等核心场

JSON 对于 Agent 日志观测的重要性，由其底层业务逻辑决定：Agent 的执行流天然是半结构化的，包含大量层级、数组和不断变化的 Schema。相较于全存纯文本 String（牺牲性能）或强行拍平列式化（牺牲扩展性），保留 JSON 的原始结构并交由底层引擎做自动列式推导，能完美兼顾 Schema 的灵活度与 OLAP 的极速性能。这也就是为什么在构建 Agent 观测底座时，诸如 Apa

过去数十年，整个软件世界与数据架构，本质上都是围绕人的查询与决策习惯而构建的。然而，当 AI Agent 开始深度接入企业核心生产线，这一底层逻辑正在被打破。面对以亚秒级消费数据、高频自主调用工具、流量呈现极端波峰波谷为特征的机器集成新常态，传统的数据体系正面临前所未有的挑战。大模型应用的工程化落地，其关键瓶颈早已超越算法本身，而在于底层数据底座的架构重塑。在这场发布会上，我们将摒弃流于表面的概念

随着数据不断演进，尤其在 AI Agent、LLMOps 与可观测性系统快速发展的背景下，宽 JSON 的字段膨胀带来巨大的性能挑战。Apache Doris 4.1 通过 Doc Mode 与 Segment V3 实现了高效的存储与查询优化，使系统在写入吞吐、查询性能与资源开销之间保持良好平衡，其综合性价比优于 Clickhouse、PostgreSQL 等业界典型方案。随着业务持续演进（车型

构建一套能够同时处理文本、向量、标签和元数据，并在海量规模下支持高效检索与分析的统一系统。从分散的架构转向融合的架构，不仅提升了查询性能和开发效率，更为更智能、更数据驱动的研发工作流奠定了坚实基础。这些经验的适用范围远不止自动驾驶。任何面临多模态数据规模化管理挑战的行业：智慧城市、工业质检、内容推荐，以及日益兴起的 AI Agent 基础设施都面临同样的架构抉择。以 Apache Doris 为代

是一个开源的 AI 可观测平台，专为 AI Agent 场景设计。组件职责遥测数据网关，接收 OpenTelemetry 协议数据存储层，VARIANT 类型 + 倒排索引，天然适配半结构化数据Grafana+ Doris App 插件可视化层，支持 SQL 查询和预置 Dashboard如果你正在运行 AI Agent，你需要回答一个问题：**你知道它在做什么吗？**它执行了哪些命令？访问了哪些

随着数据不断演进，尤其在 AI Agent、LLMOps 与可观测性系统快速发展的背景下，宽 JSON 的字段膨胀带来巨大的性能挑战。Apache Doris 4.1 通过 Doc Mode 与 Segment V3 实现了高效的存储与查询优化，使系统在写入吞吐、查询性能与资源开销之间保持良好平衡，其综合性价比优于 Clickhouse、PostgreSQL 等业界典型方案。随着业务持续演进（车型

JSON 对于 Agent 日志观测的重要性，由其底层业务逻辑决定：Agent 的执行流天然是半结构化的，包含大量层级、数组和不断变化的 Schema。相较于全存纯文本 String（牺牲性能）或强行拍平列式化（牺牲扩展性），保留 JSON 的原始结构并交由底层引擎做自动列式推导，能完美兼顾 Schema 的灵活度与 OLAP 的极速性能。这也就是为什么在构建 Agent 观测底座时，诸如 Apa