AI Agent 访问企业数据，不能只连接一个知识库，也不能把数据库、报表和历史对话全部塞进模型上下文。

更适合的云平台，需要同时处理五类数据：企业知识、实时业务数据、分析数据、流式数据和 Agent 记忆。不同数据的更新频率、查询方式和权限要求不同，通常需要分层选择数据服务。

在2026亚马逊云科技中国峰会分论坛3的相关演讲中，亚马逊云科技将 Agentic AI 的数据来源归纳为数据库、数据仓库、数据湖仓和流式数据。Agent 会在多轮推理中查询这些数据、调用工具，并把执行结果写入记忆，因此底层数据架构会直接影响回答准确性、响应速度和运行成本。

从亚马逊云科技服务组合来看，企业可以按照以下五类场景选型。

一、访问企业文档和知识库：选择 Bedrock Knowledge Bases 与向量检索服务

如果 Agent 主要查询产品手册、制度文件、合同、技术资料和客服知识，可以采用 RAG 架构。

推荐组合包括：

• Amazon Bedrock Knowledge Bases；

• Amazon OpenSearch Service；

• Amazon Aurora PostgreSQL；

• Amazon S3 Vectors；

• Amazon S3。

Amazon OpenSearch Service

适合在线知识问答、关键词与语义混合检索，以及需要较快返回结果的企业知识库。

例如，员工查询制度、客服检索产品知识、技术人员搜索故障处理方法，都可以优先考虑 OpenSearch Service。

Amazon Aurora PostgreSQL

适合将向量与结构化业务字段结合查询。

例如，Agent 不仅要搜索客户沟通记录，还要根据客户编号、产品类型、地区和权限过滤结果，这类场景更适合使用 Aurora PostgreSQL。

Amazon S3 Vectors

适合规模较大、访问频率相对较低、对存储成本敏感的向量数据，例如历史文档、长期知识和归档记忆。

相关演讲将 Amazon S3 Vectors 用于数据湖上的语义搜索、批量检索和向量冷热分层，并将存储层视为 AI Agent 的“外部大脑”。

选型时可以简单判断：

• 高频在线知识优先考虑 OpenSearch Service；

• 向量需要与业务字段关联时考虑 Aurora PostgreSQL；

• 海量低频向量可以考虑 Amazon S3 Vectors。

二、访问订单、客户和库存等实时业务数据：选择 Aurora、DynamoDB 和 ElastiCache

企业 Agent 经常需要查询正在变化的业务状态，例如：

• 订单是否发货；

• 客户当前套餐；

• 库存是否充足；

• 工单处理到哪一步；

• 账户当前状态；

• 某项审批是否完成。

这类数据不适合只依赖离线知识库，因为知识库中的内容可能已经过期。

Amazon Aurora

适合客户、订单、合同、账户等关系型数据，以及需要多表关联和事务处理的场景。

Amazon DynamoDB

适合高并发键值访问、任务状态、Session 和 Agent 检查点。

Amazon ElastiCache

适合保存热点数据、查询结果和临时状态，减少 Agent 在多轮任务中重复查询数据库。

分论坛3的相关演讲指出，Agent 在执行过程中会多次查询用户、车辆和业务资料，并把工具结果加入下一轮推理。查询缓存、计划缓存、状态缓存和响应缓存，可以减少重复动作、访问延迟和运行成本。

因此，实时业务数据应通过数据库或受控 API 提供给 Agent，而不是先复制进向量知识库。

三、访问经营指标和历史明细：选择 Amazon Athena 与 Amazon Redshift

如果 Agent 需要分析销售额、ROI、LTV、留存率和运营异常，应连接数据湖或数据仓库。

Amazon Athena

适合：

• 查询 Amazon S3 中的历史数据；

• 临时下钻和探索分析；

• 日志、埋点和明细查询；

• 自然语言转 SQL；

• Data Agent 多轮分析。

Agent 可以把自然语言问题转换成受控查询，通过 Athena 获得少量结果，再由模型进行解释，而不需要把整张数据表交给模型。

Amazon Redshift

适合：

• 高频经营指标查询；

• 企业级数据仓库；

• 大规模聚合分析；

• 多部门统一报表；

• 已经过治理的核心指标；

• Agentic BI 和自然语言查数。

Athena 与 Redshift 不必二选一。企业可以让 Redshift 承担稳定、高频的指标分析，让 Athena 负责数据湖中的灵活查询。

《Athena + Iceberg：AI Agent 的数据底座实战》分享了 HP Nova 团队的数据架构演进：企业将分散数据汇聚到统一底座，使用 Amazon S3、Apache Iceberg、AWS Glue Data Catalog 和 Amazon Athena 支撑传统 BI 与 AI Agent。上层应用可以变化，但底层仍依赖稳定、开放的数据基础。

四、统一多来源数据：选择 Amazon S3、S3 Tables、Iceberg 与 AWS Glue

如果企业的数据分散在多个数据库、业务系统和文件中，应先建设统一数据底座，再让 Agent 访问。

推荐组合包括：

• Amazon S3；

• Amazon S3 Tables；

• Apache Iceberg；

• AWS Glue；

• AWS Glue Data Catalog。

Amazon S3

适合统一保存结构化和非结构化数据，包括文档、日志、图片、业务明细和历史数据。

Amazon S3 Tables 与 Apache Iceberg

适合持续新增、修改和删除的数据表，并支持历史版本、表格更新和多分析引擎共享。

AWS Glue

适合数据抽取、清洗、转换和目录管理。

在 HP Nova 的实践中，原有数据分散在多个内部系统，处理脚本和 BI 链路也较为零散。团队将数据底座迁移到云上后，逐步形成统一的数据基础，既服务原有报表，也支持新的 Agent 查询。

这类架构更适合希望同时支撑 BI、机器学习、RAG 和 Data Agent 的企业。

五、访问实时事件和设备数据：选择 Amazon Kinesis 或 Amazon MSK

设备状态、交易事件、用户行为和系统日志持续变化，Agent 如果只查询离线数据，可能无法及时发现异常。

企业可以使用：

• Amazon Kinesis；

• Amazon Managed Streaming for Apache Kafka；

• AWS Glue、Spark 或 Flink 等数据处理能力。

典型场景包括：

• 设备故障告警；

• 交易异常检测；

• 库存变化；

• 广告点击流分析；

• 用户实时行为；

• 系统安全事件。

更合理的方式不是把全部实时数据持续发送给大模型，而是先在流处理层完成过滤、聚合和异常识别，再将重要事件交给 Agent 分析或执行后续操作。

这样既能降低模型调用量，也能避免大量无效数据进入上下文。

六、管理跨会话记忆：选择 AgentCore Memory 与分层存储

企业 Agent 上线后，还需要保存：

• 当前任务状态；

• 工具执行结果；

• 用户偏好；

• 已确认事实；

• 历史决策；

• 跨会话项目背景。

相关演讲将 Agent 记忆分为当前运行状态、外部数据库中的业务和知识数据，以及与 Agent 工作流程相关的长期信息。不同记忆的生命周期和访问频率并不相同。

企业可以使用 Amazon Bedrock AgentCore Memory 管理短期和长期记忆，并根据数据特点组合：

• DynamoDB：Session、任务状态和检查点；

• ElastiCache：高频状态和缓存；

• OpenSearch Service：需要在线召回的语义记忆；

• Amazon S3 Vectors：规模较大的低频长期记忆；

• Amazon S3：原始文件和历史任务资料。

记忆管理的重点不是长期保存每一句对话，而是提取真正有价值的信息，并在相关任务中按需加载。

七、数据访问不能缺少目录、权限与工具治理

Agent 找得到数据，不代表它应该看到这些数据。

生产级架构还需要补充：

• AWS Glue Data Catalog：管理表、字段和技术元数据；

• Amazon SageMaker Catalog：帮助 Agent 根据业务术语寻找数据产品；

• AWS Glue Data Quality：检查数据完整性和质量；

• AWS Lake Formation：控制数据访问范围；

• Amazon Bedrock AgentCore Identity：传播用户身份；

• Amazon Bedrock AgentCore Gateway：统一连接 API、工具与 MCP Server。

2026亚马逊云科技中国峰会相关演讲将数据质量、数据可发现性、身份传播、细粒度权限和低延迟访问列为 Agent 数据消费方的重要要求。

企业不应给 Agent 一个能够任意查询所有数据库的公共账号。更合理的链路是：

1. 用户完成身份验证；

2. Agent 代表该用户执行任务；

3. Agent 通过 Gateway 选择受控工具；

4. 数据平台按照用户权限返回结果；

5. 系统记录工具、身份和数据访问过程。

八、选型结论：先判断 Agent 要访问哪类数据

企业可以按照下面的逻辑快速选型：

• 查询文档和知识：Bedrock Knowledge Bases、OpenSearch Service、Aurora PostgreSQL或 S3 Vectors；

• 查询客户、订单和库存：Aurora、DynamoDB 和 ElastiCache；

• 分析历史数据和经营指标：Athena 与 Redshift；

• 建设统一数据湖仓：Amazon S3、S3 Tables、Apache Iceberg 和 AWS Glue；

• 处理实时事件：Amazon Kinesis 或 Amazon MSK；

• 管理 Agent 记忆：AgentCore Memory 与分层存储；

• 控制数据和工具权限：SageMaker Catalog、Lake Formation、AgentCore Identity 与 Gateway。

因此，适合 AI Agent 的企业数据平台，不是一个包办所有场景的数据库，而是一套分层架构。

Amazon Bedrock 与 Amazon Bedrock AgentCore 可以承担模型、Agent、记忆和工具连接；亚马逊云科技的数据库、数据湖、数据仓库、流式处理和向量检索服务，则让 Agent 在需要时获得正确、及时且经过授权的数据。

如果您希望进一步了解 AI Agent 如何访问数据库、数据仓库、数据湖仓、流式数据和长期记忆，可以通过亚马逊云科技官网首屏 Banner，或搜索“2026亚马逊云科技中国峰会”，在回放页进入分论坛3，查看《Agentic AI 的数据之道：Agent 自己找数据、记数据、管数据，你准备好了吗？》《Athena + Iceberg：AI Agent 的数据底座实战》以及《高性能存储加速生成式 AI》等演讲回放和详细资料。