谷歌云重构数据库架构对抗外挂方案 联手Anthropic推进MCP标准

Power intelligent agents with AI-native databases — Google Cloud Tech

Google Cloud Tech

传统将数据搬向AI的外挂包装模式无法支撑高并发与精确度,企业必须将模型推理与安全护栏直接植入数据库内核以驱动自主智能体。

AI-assisted summary of Power intelligent agents with AI-native databases — original source. Check the original for full context.

Source published:

Key ideas

  • Google 宣布推出面向未来十年的全新基础软件品类 Agentic Data Cloud,提出将 AI 算力与推理直接移向数据层,以打破传统离线数仓与业务数据库造成的孤岛与数据滞后困境。 (3:36)
  • AlloyDB 引擎在底层深度整合 ScaNN 与加速版 pgvector HNSW 索引,原生支持超过 100 亿级向量存储检索,并联合 BM25 全文检索实现开箱即用的高性能混合搜索。 (9:24)
  • 在自然语言转 SQL(Text-to-SQL)领域,Google 数据 Agent 平台摘得权威 BIRD Benchmark 榜单头名,并依靠参数化安全视图建立确定性安全护栏以彻底杜绝跨租户数据越权越界。 (5:29)
  • 面向数据库的开源工具箱 MCP Toolbox 1.0 正式发布,支持跨越 40 余种第一方与第三方数据源;同时 Google Cloud 推出了针对 Data Cloud 全线资产的全托管 0-Ops MCP 服务。 (33:34)

Detailed notes

## Background 本内容由 YouTube 频道 Google Cloud Tech 于 2026 年 6 月 25 日发布,为 Google Cloud Next 2026 大会的分会场演讲(代码 BRK2-021)。视频由 Amit Ganesh、Yannis Papakonstantinou 以及来自 Anthropic 的 David Soria Parra 共同主讲,旨在介绍 AI 原生数据库如何通过 AI 驱动检索、自然语言接口、多模态查询、GraphRAG 以及模型上下文协议(MCP)等开放标准,为企业级 Agent 提供高保真语境与自主行动能力。

## TL;DR 演讲系统性地阐述了 Google 将“数据搬迁至 AI”转变为“将 AI 移向数据”的全新战略,正式推出新一代 Agentic Data Cloud。整个架构基于三大支柱展开:首先是以 AlloyDB 和 Spanner 为代表的 AI 原生数据库,内置 ScaNN 向量索引、TimesFM 时序模型及免复制的虚拟图模型(GraphRAG);其次是提供 Query Data 和参数化安全视图的数据 Agent 平台,并全面拥抱开放标准 MCP(模型上下文协议);最后是面向构建者、运维运维人员与业务分析师的全生命周期预构建数据 Agent 体系,推动企业数据库从被动的洞察系统演进为主动的行动系统。

## Atmosphere & style 整场演讲充满前瞻性的企业级技术发布氛围,节奏紧凑、架构逻辑严密。主讲人通过“系统级行动平台”的宏大叙事开篇,在技术原理拆解与权威基准跑分之间自如切换,展现出工业级落地的扎实底气;穿插与 Anthropic 嘉宾的炉边对话时,语调又转为对开源标准与跨厂商协作的真诚致敬。现场既有解决真实企业痛点的严谨工程感,又洋溢着亲历半个世纪以来数据库领域最大转折点的行业兴奋感。

## Bulletin - [03:36](https://www.youtube.com/watch?v=7awKinJhGPo&t=216s) Google 宣布推出面向未来十年的全新基础软件品类 Agentic Data Cloud,提出将 AI 算力与推理直接移向数据层,以打破传统离线数仓与业务数据库造成的孤岛与数据滞后困境。 - [09:24](https://www.youtube.com/watch?v=7awKinJhGPo&t=564s) AlloyDB 引擎在底层深度整合 ScaNN 与加速版 pgvector HNSW 索引,原生支持超过 100 亿级向量存储检索,并联合 BM25 全文检索实现开箱即用的高性能混合搜索。 - [05:29](https://www.youtube.com/watch?v=7awKinJhGPo&t=329s) 在自然语言转 SQL(Text-to-SQL)领域,Google 数据 Agent 平台摘得权威 BIRD Benchmark 榜单头名,并依靠参数化安全视图建立确定性安全护栏以彻底杜绝跨租户数据越权越界。 - [33:34](https://www.youtube.com/watch?v=7awKinJhGPo&t=2014s) 面向数据库的开源工具箱 MCP Toolbox 1.0 正式发布,支持跨越 40 余种第一方与第三方数据源;同时 Google Cloud 推出了针对 Data Cloud 全线资产的全托管 0-Ops MCP 服务。

## Key takeaways - [00:12](https://www.youtube.com/watch?v=7awKinJhGPo&t=12s) 传统数据架构“将数据搬迁至 AI”导致高昂集成成本与严重数据滞后,而 Agent 时代的核心在于通过“AI 移向数据”将数据系统从单纯的洞察系统(Insights)升维为行动系统(Action)。 - [05:29](https://www.youtube.com/watch?v=7awKinJhGPo&t=329s) Agentic Data Cloud 依托三大支柱构建:内嵌高级模型的 AI 原生数据库、提供语义工程与 MCP 工具链的数据 Agent 平台,以及覆盖构建、运维与分析全生命周期的预构建 Agent 套件。 - [05:29](https://www.youtube.com/watch?v=7awKinJhGPo&t=329s) Google Research 联合推出的基础时序模型 TimesFM 直接内嵌进 SQL 引擎,可直接调度 Google Cloud TPU 硬件加速,将过去数小时的复杂业务趋势预测压缩至数秒以内。 - [09:24](https://www.youtube.com/watch?v=7awKinJhGPo&t=564s) AlloyDB 作为专为 Agent 时代定制的旗舰 AI 原生数据库,在 100% 兼容 PostgreSQL 生态的同时,集成了分析引擎、向量存储与关系型事务引擎,并可在任意公有云、本地机房及个人电脑上运行。 - [15:16](https://www.youtube.com/watch?v=7awKinJhGPo&t=916s) AlloyDB 的专用 AI 函数将 Gemini 的真实世界常识与语义理解无缝注入原生 SQL,结合两阶段检索重排架构,以极低推理成本实现了人类语境感知级别的实体精准匹配。 - [18:28](https://www.youtube.com/watch?v=7awKinJhGPo&t=1108s) 全美零售巨头 Target.com 将全部线上搜索流量迁移至 AlloyDB,凭借统一多模态内核与动态业务过滤能力,直接将端到端搜索相关度提升了 20%。 - [20:02](https://www.youtube.com/watch?v=7awKinJhGPo&t=1202s) Spanner 打造了免数据复制的虚拟图模型(Virtual Graph Model),在既有关系型 SQL 之上直接实现 GraphRAG,为上层 Agent 高保真抽取实体拓扑关系网络。 - [21:23](https://www.youtube.com/watch?v=7awKinJhGPo&t=1283s) 生产级 Text-to-SQL 面临准确率、安全性及脚手架包袱三重鸿沟;Query Data 工具结合模式本体、查询蓝图与取值检索三大上下文工程要素,驱动准确率向 100% 极限爬坡。 - [24:50](https://www.youtube.com/watch?v=7awKinJhGPo&t=1490s) 参数化安全视图(Parameterized Secure Views)作为数据库内核级确定性安全护栏,杜绝了 Agent 直接跨表扫描主表的风险,从物理与逻辑层面彻底防御 Prompt 注入攻击。 - [28:46](https://www.youtube.com/watch?v=7awKinJhGPo&t=1726s) 复杂业务请求(如“预测所有红鞋销售走势”)在端到端执行流中由底层异构算力自动协同调度:ARM CPU 承载标准 SQL 与数据流,Google TPU 则无缝分发 Agent 与 TimesFM 模型推理。 - [34:29](https://www.youtube.com/watch?v=7awKinJhGPo&t=2069s) Anthropic 联合创始人 David Soria Parra 强调,模型与系统集成面临经典的 N×M 复杂性挑战,正如 50 年前 SQL 规范了数据交互,MCP 正在成为连接 Agent 与企业数据底盘的事实开放标准。 - [37:00](https://www.youtube.com/watch?v=7awKinJhGPo&t=2220s) Agent 真正擅长在海量候选池中高频筛选,而非编写单条完美 SQL;在数据库内核中内置复杂向量与混合检索索引,才是为 Agent 输送高保真上下文的正确路径。 - [39:28](https://www.youtube.com/watch?v=7awKinJhGPo&t=2368s) MCP 未来的技术演进路线聚焦三大维度:通过服务器直接提供封装领域知识的 Agent Skills、原生支持耗时较长的异步长周期任务,以及全面的企业级合规与运维就绪。 - [42:48](https://www.youtube.com/watch?v=7awKinJhGPo&t=2568s) 面向开发者构建全栈应用,Google 推出集成预建 Skills 与 MCP 扩展的 Data Agent Kit,并将 AI Studio Vibe Coding 环境深度集成 Firestore 与 Cloud SQL 原生支持。 - [44:54](https://www.youtube.com/watch?v=7awKinJhGPo&t=2694s) 在数据库日常管理与演进中,Gemini 驱动的可观测性 Agent 实现全局健康诊断,数据库测试 Agent 则在测试环境中模拟评估变更前后性能差异以消除上线隐患。 - [45:49](https://www.youtube.com/watch?v=7awKinJhGPo&t=2749s) 最新发布的对话式分析 Agent 支持业务用户直接通过自然语言与实时生产数据库对话,已在通信巨头 EchoStar 等企业投入生产使用以大幅加速商业决策。

## Detailed walkthrough ### [00:12](https://www.youtube.com/watch?v=7awKinJhGPo&t=12s) Agent 时代下的数据战略与全新挑战

在开场致辞中,Amit Ganesh 指出,当今所有人都在积极寻求利用 AI 的强大力量,构建能够与企业核心数据深度交互的高价值 Agent 工作流和全新体验。然而,要真正赢得用户的信任,企业必须拥有最顶尖的 Agent 数据平台,既要保证智能体回答的极致准确性,又要严格遵守企业在隐私、安全与合规治理方面的严苛要求。Amit Ganesh 介绍了当天共同登台的嘉宾:他在 Google 的同事 Yannis Papakonstantinou,以及来自 Anthropic、Model Context Protocol(MCP)的缔造者 David Soria Parra。整个演讲将系统性地阐述 Google 在 Agent 时代的数据与 AI 战略,随后深入解析 AI 原生数据库如何赋予智能体“超能力”,展示如何基于数据 Agent 平台构建专属智能体,并与 David 展开炉边对话,最后介绍开箱即用的预构建数据 Agent。

在探讨行业现状时,Amit Ganesh 强调,在数据库 50 多年的历史长河中,当前正处于一个前所未有的关键转折点。企业客户正竞相借助 AI 与自身企业数据深度融合,打造自主运行的智能体系统以重塑业务形态。然而,当下的传统数据架构成为了企业采纳智能体的主要障碍。传统体系充斥着被围墙高筑、彼此割裂的数据仓库和孤岛化的业务数据库,Agent 根本无法在这些异构数据源之间顺畅地穿梭取数。更为棘手的是,仅仅获取数据本身是远远不够的,Agent 还需要深度的语境(Context)与语义知识,借此理解数据库中数据的真实含义,从而做出准确而有效的推理与判断。当前利用 AI 的常规路径往往是“将数据搬迁至 AI”,这种做法不仅造成了显著的数据滞后,让智能体脱离了企业的实时运行状态,而且人工集成的高昂成本和漫长周期也延缓了业务落地。针对这一困境,Amit Ganesh 抛出了核心构想:“What if instead you could move AI to data and break down those walls.”

```mermaid flowchart TD accTitle: Legacy Data Architecture vs AI-to-Data Approach accDescr: A comparison between moving data to AI and moving AI to data natively.

subgraph Legacy["传统架构:数据移向 AI"] direction TB L1["孤立业务数据库 / 离线数仓"] -->|"手动集成搬运 (高延迟/高成本)"| L2["AI / Agent 运行时"] L2 --> L3["脱离业务实时状态 / 缺乏语义知识"] end

subgraph Modern["Google 战略:AI 移向数据"] direction TB M1["统一底层数据体系"] -->|"内嵌模型推理与语义网关"| M2["AI 原生数据库 (Agentic Data Cloud)"] M2 --> M3["实时、高准确度、强治理的自主行动"] end ```

---

[03:36](https://www.youtube.com/watch?v=7awKinJhGPo&t=216s) 突破数据孤岛:打造 Agentic Data Cloud

为了打破传统架构的壁垒,Google 采取了将 AI 深度内置到数据层中的全新战略。Google 的独特优势在于拥有世界顶尖的 AI 与数据工程团队,双方在同一家公司内部深度协作,将业内领先的数据技术栈与前沿的 AI 基础架构纵向融合,构建起一个贯穿软硬件每一层级的 Agentic 数据平台。底层的计算资源不再局限于传统的 ARM 或 Intel CPU,在数据库工作负载需要运行推理计算时,系统会直接调度 Google 的 TPU 硬件加速;在应用层,AI 模型被直接注入 SQL 引擎中,让数据 Agent 顺畅接入业务系统。

基于这套纵向整合的架构,Google 正式推出了面向未来十年的全新基础软件品类——Agentic Data Cloud。Amit Ganesh 明确界定了这一系统的本质跃迁:“This is a system of action for agents, not just a system of insights.” 这意味着企业数据系统从过往单纯提供报表和商业洞察的被动工具,进化成了能够驱动智能体执行具体行动的自主系统。Agentic Data Cloud 具备三大鲜明特征: - **AI 原生与深度垂直整合**:打通从底座 TPU、向量计算、基础模型到业务智能体的完整数据-AI 软件栈。 - **开放性与极致灵活性**:全方位拥抱开源生态与行业开放标准,支持 PostgreSQL 生态及相关工具;客户不仅可以将其部署在任何基础设施中,还支持自带企业数据(BYOD),甚至将自定义模型无缝插拔进该平台中运行。 - **深受信赖与严格治理**:以企业语义知识作为 Agent 的运行语境(Grounding Context),从源头规避幻觉并确保高回答质量;同时内置不可逾越的护栏机制(Guardrails),强制智能体在企业既定的隐私隔离、数据安全与治理规范之内运行。

---

[05:29](https://www.youtube.com/watch?v=7awKinJhGPo&t=329s) Agentic Data Cloud 的三大核心支柱

为切实赋能企业智能体,Amit Ganesh 梳理并详细阐述了支撑 Agentic Data Cloud 运作的三大核心支柱:

```mermaid flowchart LR accTitle: Three Pillars of Agentic Data Cloud accDescr: The three core pillars powering intelligent agents in Agentic Data Cloud.

subgraph Pillar1["1. AI 原生数据库"] P1A["多模态存储: 向量/图/时序"] P1B["原生 SQL 算子: TimesFM/向量搜索"] end

subgraph Pillar2["2. 数据 Agent 平台"] P2A["Trusted Knowledge Catalog"] P2B["MCP 工具套件 / 自然语言接口"] end

subgraph Pillar3["3. 预构建 Agent 矩阵"] P3A["开发者 & 运维运维 Agent"] P3B["基于自然语言的对话式分析"] end

Pillar1 --> Pillar2 --> Pillar3 ```

1. **内嵌先进模型的 AI 原生数据库**:数据库超越了传统的结构化记录形态,能够原生接纳文本、嵌入向量化后的图像与视频、时序数值以及复杂的图结构模型(Graph models)。与此配套,数据库内的计算范式同步扩展,支持针对时序数据的预测与异常检测,针对高维向量的相似度搜索,且所有操作完全统一在开发者最熟悉的 SQL 语言环境之下。一个代表性案例是 Google 与 Google Research 密切合作推出的基础时序模型 **TimesFM**。该模型类似于自然语言大模型,经过了海量时序数据的预训练,能够使过去动辄需要耗费数分钟、数小时乃至数月才能完成的复杂趋势预测工作,在 Agent 的调度下缩短至数秒之内。 2. **数据 Agent 赋能平台(Data Agent Platform)**:该平台为开发者提供一整套构建 Agent 的脚手架与基础工具,其核心中枢是“可信知识目录”(Trusted Knowledge Catalog)。它构成了智能体感知与理解企业全局语义与上下文的神经中枢。此外,平台深度集成了针对模型上下文协议(Model Context Protocol, MCP)的完整工具链,并配备业界顶尖的自然语言数据交互界面。Amit Ganesh 透露,Google 正与 Anthropic、AWS 等先锋厂商紧密结盟,共同树立并持续推动 MCP 标准的演进;Google 还开源了 **MCP Toolbox** 产品,广邀开源社区共同加速 MCP 生态的普及与成熟。 3. **开箱即用的预构建数据 Agent 体系**:覆盖全生命周期的数据角色需求,面向数据库构建者(Builders)、数据库运维运营人员(Operators)以及业务分析人员提供专属的对话式分析(Conversational Analytics)能力。在自然语言转 SQL(Text-to-SQL)领域,Google 的对话式分析 Agent 与平台取得了关键的技术突破,成功摘得了业内权威的标准测试集 BIRD Benchmark 榜单头名(Number One Spot),为用户带来了兼具准确性与高保真的对话式数据交互体验。

---

[09:24](https://www.youtube.com/watch?v=7awKinJhGPo&t=564s) 深入 AI 原生数据库引擎:AlloyDB 的架构与向量检索革新

在 Amit Ganesh 的介绍下,Yannis Papakonstantinou 登台深入剖析作为底座的 AI 原生数据库。Yannis 阐述了 AI 原生数据库与传统数据库的本质差异:“An AI native database doesn't just store data, it natively processes and understands the data using built in AI primitives.” 得益于这些内置在数据库存储引擎内部的 AI 原语,智能体能够直接发起一条 SQL 查询,跨越结构化行表、非结构化文本、高维图片嵌入与视频特征展开混合关联分析,把经典关系型查询的严谨性与大语言模型、Gemini 基础模型的推理能力熔炼为一体。

针对 Agent 时代的高并发复杂数据诉求,Google 打造了旗舰级 AI 原生数据库——**AlloyDB**。Yannis 指出,AlloyDB 专为 Agent 时代量身定制,在保持 100% PostgreSQL 生态兼容的前提下,注入了 Google 多项尖端自研创新技术。它将传统关系型事务存储、高性能向量数据库以及一个性能高达标准 Postgres 100 倍的分析引擎融为一体;而通过推出 **AlloyDB Omni**,用户可以在本地数据中心(On-premise)、任何其他公有云平台甚至是开发者的笔记本电脑上,自由运行这套达到云原生企业级水准的强大数据库软件。

随后,Yannis 重点解析了现代搜索体验向 Agent 全面演变的需求。单纯依靠传统的文本关键字匹配早已无法满足端侧用户的真实意图。例如当消费者搜索“夏日衬衫(summer shirts)”时,排名最靠前的高质量结果中甚至根本不包含“summer”这个词,但数据库却精准捕捉到了背后的用户意图,自动召回了亚麻(linen)或纯棉(cotton)等透气面料制成的服饰。为了达成这种整体性、深层次的意图搜索,AlloyDB 采取了分步推进的演进策略:

```mermaid flowchart TD accTitle: AlloyDB Vector and Hybrid Search Architecture accDescr: Architecture of AlloyDB vector search with ScaNN and HNSW alongside BM25 hybrid search.

subgraph UserInput["用户意图输入 (例: 'Summer Shirts')"] UI["自然语言 / SQL 混合查询"] end

subgraph AlloyDBEngine["AlloyDB 统一引擎核心"] direction TB subgraph VectorCore["向量检索层"] ScaNN["Google 专有 ScaNN 索引<br/>(支持 100 亿+ 向量,源于 Google Search / YouTube)"] HNSW["加速版 pgvector HNSW<br/>(列式引擎加速,性能达标准 4x)"] end subgraph TextCore["全文检索层"] BM25["先进 BM25 算法精准文本排序"] end HybridUDF["专用 Hybrid Search UDF<br/>(在 SQL 中深度融合向量与语义文本结果)"] end

UI --> AlloyDBEngine VectorCore --> HybridUDF TextCore --> HybridUDF HybridUDF --> Out["高质量混合意图召回 (亚麻/棉质衣物)"] ```

在向量搜索维度,AlloyDB 摆脱了业界仅提供原生 pgvector 扩展插件的浅层集成模式,自 2024 年起便将 Google 内部支撑 Google 搜索、YouTube 推荐等十亿级规模应用的核心技术——专有 **ScaNN** 向量索引直接引入数据库内核。在本次大会上,Yannis 带来了两大核心性能突破: - **超大规模向量支持**:基于 ScaNN 索引,AlloyDB 原生支持 **100 亿(10 billion+)** 以上级别的高维向量存储与检索。 - **开源生态兼容性加速**:借助 AlloyDB 内部的列式引擎(Columnar Engine)优化技术对主流的 `pgvector HNSW` 索引进行底层硬件级加速;用户完全不需要改动现有的 `pgvector` 或相关索引配置代码,就能直接获得相比标准开源实现最高 **4 倍** 的向量检索性能提升。

面对现场关于“为何要同时打磨 ScaNN 与 HNSW 两种索引”的潜在疑问,Yannis 明确指出,AlloyDB 的根本目标是在面对企业客户丰富多样的应用场景时,始终能无条件提供最契合、最顶级的一流向量搜索体验;不仅如此,Google 正持续推进底层优化演进,未来将让这两种索引算法的选型彻底退化为用户无需感知的数据库内部实现细节(Implementation detail)。在此基础之上,针对企业不仅需要语义泛化搜索、同时也极其依赖精确文本匹对的普遍现状,AlloyDB 更进一步将向量相似检索与包含最前沿 **BM25** 排序算法的高质量全文搜索(Full-text search)整合为一体,开发者只需在 SQL 中调用全新的专用混合搜索自定义函数(Hybrid Search UDF),即可零胶水代码完成跨模态高精度召回。

[15:16](https://www.youtube.com/watch?v=7awKinJhGPo&t=916s) AI 函数与 AlloyDB:将 Gemini 的现实世界知识引入 SQL

在构建现代 AI 搜索的过程中,仅仅依赖传统的全文检索或初级向量匹配远远不够。AlloyDB 通过引入强大的 AI 函数(AI Functions),直接将 Gemini 的细致理解能力与丰富的现实世界常识融入到了数据库的原生 SQL 引擎中。演讲者举了一个非常鲜活的零售案例:假设用户在一个电商网站上搜索“适合圣托里尼夏天的舒适衬衫(comfortable shirts for a summer in Santorini)”。对于传统关系型数据库而言,“圣托里尼”只是一个普通的文本字符串,数据库既不知道圣托里尼位于希腊,也不知道那里的夏天干燥炎热且伴有地中海海风。然而,集成了 Gemini 能力的 AI 函数早已掌握了这层常识,并且 AlloyDB 将这种能力直接封装进 SQL,让数据筛选拥有了人类级别的语境感知。

在实际生产场景中,最经典的处理模式是先通过混合搜索(Hybrid Search)过滤出前 1,000 到 2,000 个候选商品,然后再利用 AI 函数进行重新排序(Rerank)。以圣托里尼夏装为例,AI 函数能够根据候选衬衫的面料、透气度和款式与圣托里尼气候的匹配度进行打分重排。更令开发者兴奋的是,编写这些 AI 函数完全支持使用自然语言描述,免去了繁琐的算法编码。此外,针对延迟要求极高的高并发场景,AlloyDB 还提供了一个非 LLM 驱动的更快版本排序函数,直接由 Google Cloud 业界领先的语义排序器(Semantic Ranker)驱动。

除了搜索和重排,AlloyDB 的 AI 函数家族还在不断扩充通用能力。这包括用于生成个性化标注与解释的生成式 AI 函数,以及用于预测的预测函数。演讲者特别指出,预测函数利用了 Google 的 TimesFM 基础模型,可以直接基于数据库中存储的运营历史数据对未来业务走势进行精准预估。今年大会上,AlloyDB 还全新推出了情感分析函数(Analyze Sentiment)和文本摘要函数(Summarize)。为了让企业能够在规模化场景下低成本运行,团队还开发了高度优化的专用 AI 函数(例如支持 AI.IF 等操作),在特定任务上能够提供卓越的吞吐性能,并相比直接调用通用基线大模型实现约 1,000 倍的成本缩减,真正打破了 AI 规模化落地的算力成本枷锁。

- **多模态世界知识**:通过内置的 Gemini 模型,无需离线微调即可让 SQL 查询直接理解地理、气候、文化等常识背景。 - **两阶段检索重排架构**:第一阶段混合搜索捞取 Top 1,000~2,000 候选,第二阶段使用 LLM 或语义排序器执行精细化重排。 - **TimesFM 时序预测集成**:直接在 SQL 内部对生产运营时序数据调用 TimesFM 模型输出预测曲线。 - **新功能与极低成本推理**:新增情感分析与摘要函数,针对特定高频算子提供相比基线大语言模型降低约 1,000 倍成本的优化实现。

---

[18:28](https://www.youtube.com/watch?v=7awKinJhGPo&t=1108s) Target.com 实践:AlloyDB 统一多模态搜索驱动 20% 相关度跃升

技术创新的最终检验标准在于真实商业场景的收益。演讲者以全美零售巨头 Target.com 的架构演进为例,阐明了在数据库层直接实现多模态与 AI 能力的威力。Target.com 过去一直在寻求如何大幅升级其线上电商的搜索体验。他们引入了 AlloyDB 及其专有的 ScaNN 索引技术来优化整个搜索链路,特别是利用其在复杂数据类型上执行动态 SQL 过滤的能力。

根据实际业务指标反馈,Target.com 将搜索工作负载迁移到 AlloyDB 并全面启用这些 AI 功能后,其客户搜索的相关性直接提升了 20%。更为关键的是,这种在带有动态业务过滤条件的搜索场景下展现出的极致性能,彻底超越了过去那种“将传统关系型数据库与外挂独立向量搜索引擎生硬拼凑”所能达到的极限水平。正因如此,Target.com 做出了极具魄力的决策:将其全部在线搜索流量整体迁移到了 AlloyDB 平台之上。

演讲者评价道,Target.com 在这一轮架构浪潮中走在了行业最前沿。目前许多企业仍然将包含结构化数据、向量以及全文搜索的整体搜索体系(Holistic Search),看作是搜索应用开发团队在应用层去缝合和解决的问题。然而,演讲者断言:“We think, however, that as people see the results and business outcomes that come by combining different modalities right in the database, they will quickly follow target.com example.” 随着更多企业看到把多模态直接收敛到数据库内核所带来的业务提升,这种一体化架构必将成为行业主流标准。

---

[20:02](https://www.youtube.com/watch?v=7awKinJhGPo&t=1202s) Spanner 与 GraphRAG:在 SQL 之上构建免复制的虚拟图模型

在介绍完 AlloyDB 后,演讲者转向了 Google Cloud 的第二款 AI 原生数据库旗舰——Spanner。Spanner 依托其全球分布式高可用架构与多模态能力,为严苛的关键任务级 AI 负载提供坚实底座。而在 AI 搜索的技术拼图中,Spanner 重点攻坚并拔得头筹的是第五大核心要素:图(Graphs)。

图结构能够天然刻画数据库中各种业务实体之间错综复杂的拓扑与逻辑关联。在生成式 AI 与 Agent 编程的语境下,结合了图搜索与混合搜索的模式被称为 GraphRAG。通过 GraphRAG,检索系统不仅能依据语义相似度拉取文档碎片,还能顺着实体之间的关联路径抽取高保真、结构化的上下文关系网络。

面对这一能力,传统架构师往往会产生顾虑:企业现存的海量业务数据全都在关系型 SQL 表中,难道为了做图搜索,必须将数据重新复制抽取一份到专门的图数据库中吗?演讲者的回答斩钉截铁:完全不需要。Spanner 创造性地提供了虚拟图模型机制,这一图模型直接作为抽象逻辑层叠构在既有的 SQL 数据模型之上。

“In conclusion, we saw how Google Cloud AI native databases AlloyDB and Spanner enable a unified approach where SQL queries understand logic, language, and relationships.” 演讲者总结道,通过融合这些 AI 原语,底层的 SQL 查询不仅理解纯数据逻辑,还理解自然语言的语义和复杂的实体图谱关系,从而能为上层 Agent 输送最为精确、最贴合上下文的数据。

```mermaid flowchart TD accTitle: Spanner 与 AlloyDB 的统一 AI 检索架构 accDescr: 展示了多模态数据输入经由混合搜索与虚拟图模型处理,最终为 Agent 输出高保真上下文的完整流程。

subgraph DataLayer["底层数据库引擎 (AlloyDB & Spanner)"] A["结构化关系型数据 (SQL)"] B["向量与非结构化文本"] C["实体与拓扑关系"] end

subgraph UnifiedEngine["内核级 AI 原语处理"] D["ScaNN 混合搜索<br/>(Top 候选过滤)"] E["虚拟图模型 (GraphRAG)<br/>(无需额外复制数据)"] F["AI 函数 / 语义重排器<br/>(Gemini 驱动世界知识)"] end

subgraph OutputLayer["上层业务消费"] G["高保真、关联化的丰富上下文"] H["智能 Agent / 终端应用"] end

A --> D B --> D A --> E C --> E D --> F E --> F F --> G G --> H ```

---

[21:23](https://www.youtube.com/watch?v=7awKinJhGPo&t=1283s) 数据智能体平台(Data Agent Platform):跨越自然语言到生产级 SQL 的断层

完成第一支柱(AI 原生数据库)的剖析后,演讲转入第二大支柱:数据智能体平台(Data Agent Platform)。Amit 此前强调,自然语言正在成为人与 Agent、以及 Agent 与 Agent 之间沟通的事实标准协议。这就引出了一个宏观的“万米高空级矛盾”:上层 Agent 体系都在说自然语言,但底层的企业数据库由于严谨性、事务隔离和逻辑精度的硬性要求,现在以及将来都依然必须使用 SQL。

万米高空的理想方案显而易见:打造一个将“企业数据 + 生成式 AI”融为一体的数据智能体平台,在自然语言与 SQL 之间架起无缝立交桥,解锁精准、实时且可信的数据交互体验。然而,一旦从万米高空降落到地面现实,生成式 AI 天生的概率性、幻觉特征,便会与生产级数据库系统零容错、极其严苛的工程本质发生剧烈冲撞。一个在本地笔记本上能够跑通的 Text-to-SQL Demo,距离真正高可用、可靠的企业级生产应用之间,横亘着一条巨大的鸿沟:

1. **准确率鸿沟(The Accuracy Gap)**:绝大多数核心数据库业务要求近乎 100% 的准确率,生成式模型 80% 或 90% 的命中率在财务和核心业务中意味着灾难。 2. **安全性鸿沟(The Security Gap)**:许多应用缺乏数据库内核级细粒度访问控制。这迫使开发者要么大幅削减 Agent 的权限与功能边界,要么不得不从头徒手开发一整套复杂的外部安全校验层。 3. **脚手架包袱(Scaffolding Burden)**:大量的工程资源被浪费在编写防御性代码、护栏(Guardrails)与中间件脚手架上,阻碍了业务价值的实现。

演讲者凝练地指出该平台的核心使命:“So that if you are to remember one thing about the data agent platform is this: it enables developers to build agents that get secure, near 100% accurate text to SQL from the database and its integration ready via MCP that we will be talking more later.” 该平台由两层构成:一组可配置的工具集,负责将自然语言转化为安全、精确的 SQL;以及一套底层基础设施,协助开发者进行上下文工程迭代,向 100% 准确率发起“爬坡(Hill climb)”,同时在底层彻底杜绝越权访问。

---

[24:50](https://www.youtube.com/watch?v=7awKinJhGPo&t=1490s) 核心工具 Query Data、三元上下文与参数化安全视图

数据智能体平台推出的首款重磅工具名为 Query Data。在现场展示中,终端用户或上层 Agent 仅需提出一个自然的业务问题,例如:“我昨天花了多少钱?(how much money did I spend yesterday)”,Query Data 会在毫秒级内自动生成并执行精准对应的 SQL 查询。它结合了 Gemini 大模型与用户特定的数据库上下文,致力于帮开发者逼近 100% 的生成准确度。

Query Data 能达到如此高精准度的核心秘诀在于其融合的三类上下文工程要素: - **模式本体(Schema Ontologies)**:超越基础 DDL,深入描述字段业务内涵、表间逻辑的本体元数据。 - **查询蓝图(Query Blueprints)**:允许开发者注入针对特定问题模式或长尾短语片段的专家级解释规则。 - **取值检索(Value Searches)**:通过在全库真实数据中进行实时值查找,彻底消除用户提问中模糊词汇、简称或拼写变体带来的歧义。

演讲者自豪地宣布,Google Cloud 目前已在业内最严苛的 Text-to-SQL 权威基准评测中稳居榜首。值得一提的是,这一打榜成绩仅仅开启了“模式本体”单一维度;如果结合查询蓝图与取值检索,准确率能够一路推至接近 100%。

在安全性设计上,演讲者重点解密了其核心杀手锏——**参数化安全视图(Parameterized Secure Views)**。这是一个确定性的安全护栏(Deterministic Security Guardrail)。在用户查询“我昨天花了多少钱”时,生成出来的 SQL 绝对不会直接跨表扫描底层的通用记账主表(如 `user_charges`),因为恶意攻击者完全可以通过 Prompt 注入等手段诱导模型篡改 WHERE 条件,从而窃取全库其他用户的隐私交易。相反,Query Data 会强制路由至参数化安全视图中,该视图在数据库内核中自动绑定当前认证终端用户的上下文,从物理和逻辑隔离上确保 Agent 只能看见该用户所属的数据行。由于这是一种虚拟视图,其运行效率极高。最后演讲者提及,休斯网络系统公司(Hughes Network Systems)通过整合 ADK(Agent Development Kit)、MCP Toolbox 以及 Query Data,彻底重构了其现代化客户支持运营体系。

---

[28:46](https://www.youtube.com/watch?v=7awKinJhGPo&t=1726s) 全栈端到端协同与 MCP(模型上下文协议)赋能

Amit 重新登台接管演讲,并对整套 AI 原生数据库与数据智能体平台的协同威力做了全景透视。他用一个极为震撼的复杂业务场景进行了演示:如果用户向对话数据平台抛出一个宏观请求:“帮我预测一下所有红色鞋子的未来销售走势(show me a forecast of sales for all red shoes)”。在看似简单的自然语言背后,系统触发了一系列高密度的内核级跨模态流转:

```mermaid flowchart LR accTitle: 复杂 Agent 问答的端到端执行流 accDescr: 展现从自然语言输入,经过向量召回、时序抽取,再到 TimesFM 模型推理的完整架构流转。

Q["自然语言提问:<br/>'预测所有红鞋的销售额'"] --> A["Agent 意图解析<br/>(Gemini 驱动)"] A --> B["语义向量检索<br/>(匹配各类红鞋 SKU 键值)"] B --> C["抓取对应产品<br/>历史时序数据"] C --> D["TimesFM 预测模型<br/>(执行推理)"] D --> R["输出最终业务走势预测"]

subgraph HardwareExecution["底层异构算力协同"] direction TB HW1["ARM 架构通用 CPU<br/>(承载关系数据流与 SQL 引擎)"] HW2["Google Cloud TPU 集群<br/>(加速 Agent 模型与时序推理)"] end

B -.-> HW1 C -.-> HW1 A -.-> HW2 D -.-> HW2 ```

在这个过程中,“红色鞋子”在数据库里并不是一个单一的确定性字段,因为红鞋有成百上千种具体 SKU。系统首先执行向量相似度搜索,在全库商品向量中召回所有语义匹配为“红色鞋子”的行记录并锁定主键;随后,系统自动根据这些产品主键拉取各自的历史销售时序数据;接着,将这些多重时序数据无缝喂入底层的 TimesFM 预测模型中,计算并返回未来的预测曲线。

Amit 感叹道,开发者开箱即可在 Google Agentic Data Cloud 中享受到这种深度的全栈集成:应用层拥有智能 Agent 交互,存储过程/PL-SQL 层直接内嵌了 TimesFM 预测与 Gemini 自然语言模型;更底层的硬件调度上,绝大部分数据库查询直接运行在高效的 ARM 架构芯片上,而涉及 AI Agent 与模型推理的密集算力则无缝分发给 Google TPU 集群。所有这些,都由统一的云端 AI 基础设施在水面之下调度完成。

在结束这部分演讲时,Amit 再次点题行业开放标准——模型上下文协议(Model Context Protocol,简称 MCP)。他强调团队投入了极大的精力,确保在 AI 原生数据库和数据智能体平台中所展示的几乎每一项核心能力,全部原生支持通过 MCP 协议对外激活与暴露。哪怕是 Google 预置提供的 Agent 工具,也会遵循 MCP 接口规范封装,从而确保开发者无论使用何种外部 Agent 框架或 IDE,都能以完全标准化、解耦的方式安全连接企业数据底盘。

[31:04](https://www.youtube.com/watch?v=7awKinJhGPo&t=1864s) 谷歌围绕 MCP 的全方位战略与全托管 0-Ops 服务

在赋予 Agent 强大能力的过程中,谷歌围绕模型上下文协议(Model Context Protocol,简称 MCP)制定了多维度的全面战略。首先,谷歌提供了全托管的 MCP 服务器(Managed MCP Servers),直接激活 Google Cloud Data Cloud 上的所有资源;其次,谷歌推出了备受欢迎的开源项目 MCP Toolbox;第三,除了工具本身,谷歌还与 Anthropic 共同深度参与了 MCP 指导委员会(Steering Committee),致力于为整个行业推动并演进 MCP 协议规范。

对企业而言,全托管 MCP 服务器为 Agent 调用 GCP 资源提供了一种完全“0-Ops”(零运维)的方式。它不仅极大简化了工具与资源的发现过程,还通过 Model Armor 提供了增强型数据保护、可观测性,以及企业级部署中最为关键的治理能力。由于 MCP 将整个 Google Cloud 的能力表面开放给 AI Agent,谷歌在云端内置的强控制机制与可见性(例如监控哪些 MCP 服务器已被激活)成为企业将 Agent 推向生产环境不可或缺的基石。

目前,Data Cloud 旗下的几乎所有服务——涵盖数据库、分析系统与存储系统——均已支持通过 MCP 面向 Agent 开放。例如,Cloud SQL 中的 PostgreSQL 数据库以及 AlloyDB 现已全部接入 MCP。这种“可用性”不仅意味着 Agent 可以执行 SQL 查询,还能直接调用向量检索、对数据库执行资源配置(Provisioning),甚至进行系统可观测性诊断(如直接询问数据库“当前最慢的查询是什么,为什么会慢”)。开发者可以使用自己偏好的任何 Agent(无论是 Claude Code、Gemini CLI 还是其他变体),只需将其直接指向谷歌的中央 MCP 服务器,后续的云资源发现与访问便全自动展开。

- **三位一体战略**:全托管 MCP 服务、开源 MCP Toolbox、与 Anthropic 共同参与 MCP 行业指导委员会。 - **0-Ops 企业级优势**:具备免运维接入、基于 Model Armor 的数据安全防护、全链路可观测性以及细粒度的权限治理。 - **覆盖核心云资源**:数据库、分析和存储全面贯通,涵盖 Cloud SQL PostgreSQL、AlloyDB 等产品,支持 DDL/DQL 操作、向量搜索及性能诊断。

```mermaid flowchart LR accTitle: Google Cloud MCP 架构流 accDescr: 展示 AI Agent 如何通过谷歌托管的中央 MCP 服务器零运维访问企业 Data Cloud 资源

subgraph Agents ["开发者与 Agent 客户端"] A1["Gemini CLI / Code"] A2["Claude Code"] end

subgraph MCP_Layer ["全托管 0-Ops MCP 接入层"] M1["中央托管 MCP 服务器"] M2["安全与治理<br/>(Model Armor / 可观测性)"] end

subgraph Data_Cloud ["Google Data Cloud 资源"] D1["AlloyDB"] D2["Cloud SQL (PostgreSQL)"] D3["BigQuery 与存储服务"] end

Agents -->|"标准化协议连接"| M1 M1 --- M2 M1 -->|"自动发现与执行 SQL / 向量检索"| Data_Cloud ```

[33:34](https://www.youtube.com/watch?v=7awKinJhGPo&t=2014s) 开源 MCP Toolbox 1.0 正式发布

除了云上全托管服务,谷歌打造的开源项目“面向数据库的 MCP Toolbox”(MCP Toolbox for Databases)也正式推出了 1.0 稳定版,标志着该项目在行业社区内获得了广泛采纳。在极短时间内,该开源库在 GitHub 上已经收获了超过 14,000 颗星标,凝聚了来自全球的 100 多位贡献者,并支持超过 40 种不同的数据源。

MCP Toolbox 支持的范围远不止谷歌自家的第一方数据源,还全面覆盖了主流的开源数据库与第三方商业产品,其中包括 Oracle 和 MongoDB 等企业核心系统。开发者之所以高度认可这款开源工具箱,是因为它不仅能在 AI Agent 与后端数据库之间架起安全的连接桥梁,还赋予了企业极大的定制和扩展自由度,允许开发者将自身特有的业务逻辑和业务数据模型无缝封装并注入到 MCP 接口中。

- **社区规模**:GitHub 14,000+ Stars,100 多位全球独立贡献者。 - **生态兼容性**:支持 40+ 种数据源,横跨 GCP 原生数据库、开源软件以及 Oracle、MongoDB 等第三方主流数据库。 - **可定制能力**:企业可随心扩展业务逻辑模型,在保证安全隔离的同时向 Agent 暴露定制化数据通道。

[34:29](https://www.youtube.com/watch?v=7awKinJhGPo&t=2069s) 炉边对话:Anthropic 联合创始人 David Soria Parra 谈 MCP 诞生与爆发

在发布完工具箱后,现场迎来了一场重量级的炉边对话。演讲者隆重邀请了来自 Anthropic 的 MCP 联合创造者 David Soria Parra 登台,感谢他在创建 MCP 协议过程中的开创性工作,使成千上万的谷歌工程师及企业客户得以让 Agent 无缝驱动数据与工具。

谈及 MCP 在开发者社区中爆发式增长的核心驱动力时,David Soria Parra 指出,核心原因在于 AI 生态极度渴望在应用层(或前沿大模型)与驱动企业运转的底层数据系统之间建立一个统一的连接层。企业和开发者并不想反反复复地重写 Gemini 或 Claude 这样的应用,而是希望将自身的数据与工作流直接挂载到前沿模型上。过去,如果不采用标准协议,开发者每对接一个模型与一个系统都需要做一次定制适配,陷入典型的“$N \times M$ 集成噩梦”。

Amit Ganesh 对此深有共鸣,他回忆道:“That resonates with us really well because we are in the data world. And as in the data world, about 50 years ago, the SQL language was invented. And that really transformed the way people build applications.” 在他看来,正如 50 年前 SQL 的发明终结了数据操作的碎片化一样,MCP 的出现为模型、数据与工具的互联创造了同样具有划时代意义的里程碑。

David Soria Parra 强调了解决系统集成复杂性的核心动力: > “They want to build these integrations, not 10 times. They want them build them once. That's what's it's a classic end times end problem. And that's where a protocol like MCP comes in.”

此外,David Soria Parra 补充说,MCP 在设计之初就追求极致的极简性,开发人员可以非常容易地构建并集成自己的 MCP 服务器,这极大降低了企业将内部资产连接到前沿模型的门槛。

[37:00](https://www.youtube.com/watch?v=7awKinJhGPo&t=2220s) 原生数据库 vs. AI 外挂包装:Agent 究竟需要怎样的数据接口

对话深入探讨了谷歌云数据库将向量搜索、混合搜索和硬件级 AI 算子内置于数据库底层的“AI 原生”理念,对比了某些仅仅在数据外部搭建一层“AI 包装器(AI Wrapper)”的做法。David Soria Parra 从模型与 Agent 的行为本质出发,高度评价了数据库原生内置 AI 能力的重要性。

他分析道,前沿大模型或 Agent 的真正强项在于从海量候选输入中筛选出关键信息,但如何高保真、低延迟地获取这第一层高质量候选数据,恰恰是最困难的瓶颈。人类与数据库的交互习惯通常是精心编写一条“完美的 SQL 语句”来获取精确结果;而 Agent 则更擅长在更大体量的数据池中进行快速扫描与筛选。因此,如果数据库自身能够提供复杂的混合检索能力(如向量检索与传统关键字检索的深度结合),并借助原生算子调度底层 TPU 加速,Agent 就能直接在指尖调用这些强大的预建索引工具,自主高效地梳理企业内部数据。

David Soria Parra 用数据库的发展史作出了生动类比: > “When we started with geospatial data, we added, gist indexes to the databases. And later when we had a document, we added document to specific data things to the databases. And so in a way, I think this is similar in that having these native tools directly in databases will just enable a new set of capabilities in agents to go and select the right things that they need to do to get to work through the tasks that they've been given.”

他总结说,Agent 是为用户提供服务的,而“数据是 Agent 赖以生存的养料(They thrive in data)”。让数据库承载复杂的底层索引和算子计算,扫清连接与检索障碍,才能真正将 Agent 的超能力彻底释放出来。

[39:28](https://www.youtube.com/watch?v=7awKinJhGPo&t=2368s) 企业级安全护栏与 MCP 未来技术演进

当谈到谷歌云数据库与 MCP 的结合对客户带来的实际价值时,David Soria Parra 透露了一个细节:Anthropic 自身就是谷歌云 AlloyDB 的重度用户。像 AlloyDB 这样支撑全球最大规模业务的核心数据库,能够通过开放的 MCP 协议向模型开放,使得企业可以放心地将核心业务工作流锚定在可信数据库上。

更关键的是,这种基于开放协议的深度集成并不会削弱数据库原本的企业级安全能力。开发者在通过 MCP 享受自由组合模型与数据系统的同时,依然保留了平台原有的顶尖安全特性、查询合规性检查以及超大规模稳定运行的底座保障。Amit Ganesh 总结称,这本质上是为 Agent 赋予最强大工具与设定安全围栏(Guardrails)之间的权力平衡,让 Agent 在明确允许的边界内大展身手。对此,David Soria Parra 表示极其赞同,直言随着企业对数据流向的监管愈发严苛,这种底层护栏的地位正变得前所未有的关键。

展望 2026 年底及更长远的未来,David Soria Parra 剧透了 MCP 技术路线图上的几大重磅演进方向: 1. **通过 MCP 提供“技能”(Skills)**:未来 MCP 服务器不仅能提供原始工具和数据访问接口,还能将特定领域的专有知识和工作流封装为技能(Skills)直接下发给 Agent。 2. **长周期运行任务(Long-running tasks)**:突破现有的短请求交互限制,原生支持复杂、耗时较长的异步 Agent 自动化任务调度。 3. **全面的企业级就绪(Enterprise Readiness)**:在权限隔离、合规性与工业级运维管理等各个层面全面升级协议支持。

在炉边对话的最后,David Soria Parra 对开源生态的协作氛围表达了由衷的欣慰与兴奋: > “What I'm really most excited about, and I think you alluded a little bit to that, is I think MCP is one of these rare open source communities where the industry comes together across Google, across Anthropic, across other of our competitors, and they work together on a common standard in a very, hopefully good way to elevate the overarching ecosystem for everyone.”

[42:48](https://www.youtube.com/watch?v=7awKinJhGPo&t=2568s) 全生命周期预构建数据 Agent 体系与 Data Agent Kit

演讲者首先向社区在 MCP(Model Context Protocol)领域的贡献致谢,并指出在前面介绍了原生 AI 数据库和供开发者构建 Agent 的数据平台之后,听众自然会好奇:Google 是否也在利用这些工具打造开箱即用的第一方 Agent?答案是肯定的。当底层的 AI 原生数据库与预构建的数据 Agent 及工具链结合时,其效能将成倍放大。Google 为此推出了覆盖数据领域所有关键角色的完整 Agent 套件:面向构建者(Builders),提供架构选型与系统设计支持;面向运维人员(Operators),自动化排查慢查询与系统故障;面向业务用户(Business Users),无论是需要获取实时业务洞察的商业分析师,还是在工厂车间需要调取设备维保记录、排查机器故障的流水线工人,都能直接通过自然语言与数据交互。

```mermaid flowchart TD accTitle: Google 全生命周期预构建数据 Agent 矩阵 accDescr: 展示面向构建者、运维者和业务用户的 Agent 套件及底层工具

subgraph Builders["构建者 (Builders)"] A1["Data Agent Kit (Skills/MCP/扩展)"] A2["AI Studio Vibe Coding (Firestore / Cloud SQL)"] end

subgraph Operators["运维者 (Operators)"] B1["数据库可观测性 Agent (Gemini 驱动)"] B2["数据库测试 Agent (变更前后性能对比)"] end

subgraph BusinessUsers["业务用户 (Business Users)"] C1["对话式分析 Agent (参数化安全视图)"] end

subgraph Underlying["基础底座: AI 原生数据库 (Data Cloud)"] D1["Operational Databases (Cloud SQL, Spanner, Firestore 等)"] end

Builders --> Underlying Operators --> Underlying BusinessUsers --> Underlying ```

为了加速开发者的构建流程,Google 在本周正式发布了 Data Agent Kit。这是一个以生态为导向的开发者体验套件,打包集成了此前 David 演示的 Agent Skills、以 MCP Toolbox 为代表的 MCP Server,以及专为 Data Cloud 量身打造的各类扩展。此外,针对当下流行的“Vibe Coding”(氛围编码),Google 也正在将其旗舰级开发环境 AI Studio 深度集成数据库的原生支持。目前 AI Studio 已经正式支持将 Firestore 作为底层数据库用于全栈应用构建,而对 Cloud SQL for PostgreSQL 的原生支持也即将上线。

- **Data Agent Kit 组成要素**:预构建 Agent Skills、MCP 协议工具箱(MCP Toolbox)、面向 Data Cloud 的专属扩展插件。 - **AI Studio 原生数据库集成**:当前已上线 Firestore;Cloud SQL for PostgreSQL 即将推出。

---

[44:54](https://www.youtube.com/watch?v=7awKinJhGPo&t=2694s) 自动化运维:数据库可观测性与变更测试 Agent

针对日常繁重的数据库管理工作,Google 推出了一套由 Gemini 驱动的数据库自动化运维工具链。首先是“数据库可观测性 Agent”(Database Observability Agent),它能自动分担 DBA 和运维团队的底层重活,将数以百万计的复杂运行指标和性能数据点,提炼为清晰直观、可立即执行的洞察建议。这项能力现已延伸至整个 Database Center,使用户能够在 Google Cloud 控制台中对企业全域的数据库资产(Database Estate)实施全局实时监控与健康诊断。

除了日常监控,企业面临的最大痛点之一就是变更管理(Change Management)。不管是应用程序代码的调整,还是数据库底层配置参数的修改,都极易引发未知的性能劣化。为此,Google 推出了“数据库测试 Agent”(Database Testing Agent)。该 Agent 能够在测试环境中自动模拟并评估变更对数据库性能的影响,一键生成更新前(Pre-update)与更新后(Post-update)的配置性能比对摘要,帮助运维团队在上线前消除隐患。

---

[45:49](https://www.youtube.com/watch?v=7awKinJhGPo&t=2749s) 赋能业务终端:对话式分析 Agent 与生产实践

面向广大业务用户,Google 在两周前正式推出了“对话式分析 Agent”(Conversational Analytics Agent)。演讲者用极具感染力的语气描述道:“我个人觉得使用对话式分析 Agent 简直是一种神奇的体验。”(“I personally find working with conversational analytics agent a magical experience.”)用户只需登录 Cloud Console,找到 Agent 入口,将其对准某一个正在运行的生产数据库,就可以立即展开自然语言对话。

这彻底打破了业务人员访问实时在线业务数据的技术壁垒。结合 Yannis 此前介绍的参数化安全视图(Parameterized Secure Views),数据安全与权限边界得到了严格保障。无论是商业分析师探索最新业务指标,还是装配线工人查询特定批次设备的检修历史和缺陷分析,都可以在同一个对话界面内安全、敏捷地完成。在企业实际落地方面,通信巨头 EchoStar 旗下的 AMR 团队已经将该对话式分析 Agent 部署在生产环境中,并在提升业务响应速度与决策效率方面取得了极其显著的成效。

---

[47:08](https://www.youtube.com/watch?v=7awKinJhGPo&t=2828s) Agentic Data Cloud 三大支柱总结与未来展望

在整场演讲的尾声,演讲者系统梳理了 Google 构建“Agent 驱动的数据云”(Agentic Data Cloud)的三大核心支柱: 1. **AI 原生数据库**:将业界前沿的 AI 能力原生、无缝地融入到底层数据引擎中; 2. **数据 Agent 平台**:为开发者提供最全面、最高质量的 Agent 工具链,尤其是强大的数据自然语言接口; 3. **预构建 Agent 套件**:涵盖研发、运维到业务全流程的开箱即用 Agent,可直接交付给终端用户使用。

为了帮助企业将技术愿景落地,Google 提供了两条清晰的演进路径:其一是数据现代化与迁移支持项目“RAMP Program”,提供专家团队的全程指导;其二是“数据战略研讨会”(Data Strategy Workshop),协助企业将本次大会所学转化为企业内部可执行的规划与行动方案。

在最后的致谢中,演讲者深情地总结了整个数据库行业的历史拐点:“数据库从过去仅仅作为存储数据的地方,转变为驱动 Agent 时代未来的 AI 原生系统,这种转变是我们一代人只能见到一次的变革。”(“The transition from databases, from being just a place where you store data to AI native systems that power the future of agentic era is a shift that we'll see once in a generation.”)他呼吁现场所有技术负责人与开发者积极行动起来,在移动端应用中提交宝贵反馈,并携手 Google 共同开启将静态数据转化为自主智能系统的全新时代。

- **推荐后续分会场**:Yannis 于下午 2:45 主持的高级研讨小组(Discussion Group)及相关深入架构专场。 - **落地支持计划**:RAMP Program(企业数据资产迁移与现代化)、Data Strategy Workshop(定制化数据策略工作坊)。

## Notable quotes > [09:24](https://www.youtube.com/watch?v=7awKinJhGPo&t=564s) An AI native database doesn't just store data, it natively processes and understands the data using built in AI primitives. — Yannis Papakonstantinou

> [47:08](https://www.youtube.com/watch?v=7awKinJhGPo&t=2828s) The transition from databases, from being just a place where you store data to AI native systems that power the future of agentic era is a shift that we'll see once in a generation.

## Mentioned Google, Google Cloud, Anthropic, AWS, Target.com, Hughes Network Systems, EchoStar, Oracle, MongoDB, Amit Ganesh, Yannis Papakonstantinou, David Soria Parra, AlloyDB, AlloyDB Omni, Spanner, Cloud SQL, Firestore, BigQuery, Gemini, Gemini CLI, Claude, Claude Code, TimesFM, ScaNN, pgvector, Model Context Protocol (MCP), MCP Toolbox, Data Agent Kit, Database Observability Agent, Database Testing Agent, Conversational Analytics Agent, Model Armor, AI Studio, BIRD Benchmark

## Video description AI-native databases are essential for powering agents with enterprise data. Learn how they enable highly relevant context, automate operations, and manage risk. In this session, we’ll examine AI-powered search, natural language interfaces, multimodal queries, and graph retrieval-augmented generation (RAG). These move beyond simple retrieval, providing agents with high-fidelity, interconnected context. Discover how open standards like Model Context Protocol (MCP) and agentic IDEs streamline workflows for rapid, reliable deployment of agents.

Watch more Google Cloud Next 2026 Sessions → https://goo.gle/gcloud-next-2026 Subscribe to Google Cloud Tech → https://goo.gle/GoogleCloudTech

Speakers: Amit Ganesh, Yannis Papakonstantinou, David Soria Parra

BRK2-021 #GoogleCloudNext

[Source](https://www.youtube.com/watch?v=7awKinJhGPo)

中文简报

Google将AI模型嵌入AlloyDB,直接在数据上运行智能体 将基础模型和开放协议工具直接移入数据库引擎,消除了提取管道,使被动的企业存储转变为自主智能体的实时行动系统。 Google Cloud概述了其Agentic Data Cloud愿景,通过将模型推理、向量搜索和预测直接嵌入到AlloyDB和Spanner等数据库引擎中,逆转了传统的数据流动方式。演讲者展示了结合ScaNN和BM25的库内混合搜索、由Gemini驱动的AI函数、GraphRAG,以及Data Agent Platform的安全text-to-SQL功能。Anthropic的David Soria Parra参与炉边谈话,解释了MCP如何解决$N \times M$集成难题,进而引出Google为构建者、数据库运维人员和对话式分析打造的一套预构建智能体套件。 Google Cloud推出了Agentic Data Cloud战略,将基于Cloud TPU的AI推理直接与企业数据库同地协作部署,以消除数据传输延迟和过时问题。 (1:43) AlloyDB扩展了其向量搜索能力,借助Google ScaNN可扩展至100亿个向量以上,同时将pgvector HNSW加速高达4倍,并为BM25混合搜索引入了统一的SQL函数。 (11:19) Google的Data Agent Platform在行业标准BIRD基准的text-to-SQL转换测试中斩获第一名,该平台利用了模式本体、查询蓝图和值搜索。 (21:23) 开源的Model Context Protocol (MCP) Toolbox for Databases达到1.0里程碑并在GitHub上获得超过14,000颗星,支持横跨Google Cloud、开源和第三方引擎的40多种数据源。 (31:04)

精炼阅读摘要

Google Cloud 在本次演讲中提出了“智能体数据云”(Agentic Data Cloud)战略,主张将人工智能能力直接内置于数据库引擎底层,通过消除数据搬运与构建开放协议,为自主智能体提供高精度、低延迟的操作执行环境。 架构范式重构:将AI移向数据 (1:43) Amit Ganesh 强调,传统企业数据架构依赖烟囱式的数仓与操作型数据库,当智能体需要读取数据时,必须将数据抽取并移动到外部大语言模型。这种割裂的链路不仅造成显著的传输延迟与数据陈旧,还剥离了原本支撑业务逻辑的语义上下文,使智能体难以对实时业务状态作出精准响应。 针对这一瓶颈,Google Cloud 推动将 AI 原生能力嵌入数据层,让数据库从被动的“分析洞察系统”演进为由智能体驱动的“行动系统”。该架构融合了 CPU 与 Google Cloud TPU 硬件加速,并在 SQL 引擎内原生支持多模态数据分析与基础模型推理。通过内置企业级安全围栏与隐私管控,该平台旨在让自主智能体直接就地处理业务数据,同时免去传统 ETL 数据流水线的运维开销。 AlloyDB与Spanner的引擎级突破 (9:24) Yannis Papakonstantinou 介绍了专为智能体打造的 AI 原生数据库 AlloyDB。该引擎保持 100% 的 PostgreSQL 兼容性,集成了谷歌自研的 ScaNN 向量索引技术,当前可支持超过 100 亿规模的向量检索;针对标准 pgvector HNSW 索引,其列式引擎在不改变表结构的情况下将检索速度提升最高达 4 倍。AlloyDB 还通过 SQL 自定义函数将 ScaNN 语义检索与 BM25 全文检索融合为混合搜索,使零售搜索等业务场景能同时兼顾模糊语义与关键词约束。 在数据处理层面,AlloyDB 允许开发者直接通过 SQL 语句调用 Gemini 模型进行智能重排与推理,并接入预训练时间序列大模型 TimesFM,将耗时数天的预测任务缩减至数秒完成;其优化的 AI.IF 原语比常规大模型推理调用降低了约 1000 倍成本。Target.com 将搜索流量全量迁移至 AlloyDB 后,搜索相关性提升了 20%。此外,Spanner 则在底层关系表上直接构建虚拟图模型,无需数据复制即可支持 GraphRAG 关系遍历,为智能体提供上下文关联分析。 数据智能体平台与精准Text-to-SQL (21:23) 针对自然语言与数据库底层 SQL 之间的鸿沟,Google Cloud 推出了数据智能体平台(Data Agent Platform)。该平台的核心组件 Query Data 工具基于 Gemini 引擎,结合模式本体(Schema Ontologies)、查询蓝图(Query Blueprints)以及实时数值搜索(Value Searches),在行业通用的 BIRD 基准评测中取得了自然语言转 SQL 第一名的准确率成绩。 为了防止模型幻觉或越权攻击导致企业敏感数据泄露,平台在安全层引入了“参数化安全视图”(Parameterized Secure Views)。智能体生成的 SQL 查询仅针对绑定用户会话凭据的虚拟参数化视图执行,而非直接暴露底层物理表。这一机制在数据库核心引擎中建立了确定性的行级安全隔离,避免了仅依赖概率性大模型提示词防护所带来的合规风险,Hughes Network Systems 已采用该架构重构其客户服务系统。 推动MCP标准化与多源互联生态 (31:04) 为解决智能体与异构数据源集成中出现的 N×M 复杂接口问题,Google Cloud 深度拥抱 Anthropic 发起的模型上下文协议(Model Context Protocol, MCP)。Anthropic 联合创始人 David Soria Parra 指出,大模型核心优势在于对检索结果进行深度推理,而数据库内置的向量检索和 TPU 算子正是向智能体提供高质量初始上下文的关键。Anthropic 自身已在生产环境中基于 AlloyDB 运行其工作负载。 Google Cloud 提供了零运维的托管式 MCP 服务器,并结合 Model Armor 实施访问监控与合规审计,使智能体能够动态发现并调取云端数据库与存储服务。同时,开源的 MCP Toolbox for Databases 已推出 1.0 稳定版,在 GitHub 上获得超 1.4 万星标与 100 多位贡献者支持,原生适配了包含 Oracle、MongoDB 在内的 40 余种数据源。双方正进一步围绕企业治理、长周期异步任务执行以及专业领域技能分发展开联合演进。 覆盖角色闭环的开箱即用智能体 (42:48) 在基础设施与平台之上,Google Cloud 面向开发者、数据库管理员以及业务分析人员发布了全套开箱即用智能体。在开发者层面,Data Agent Kit 整合了预置技能与 MCP 扩展插件,AI Studio 编程环境也已接入 Firestore 原生数据源支持,并计划近期支持 Cloud SQL for PostgreSQL。 针对运维与业务监控,基于 Gemini 的数据库可观测性智能体(Database Observability Agent)与 Database Center 协同工作,实时分析数百万运维指标并给出慢查询优化建议;数据库测试智能体(Database Testing Agent)则自动评估配置与架构调整对环境性能的影响。在前端业务端,对话式分析智能体(Conversational Analytics Agent)允许一线员工和分析师以自然语言直连实时业务库执行查询,EchoStar 的 AMR 团队已将其投入实际生产运营。 Google Cloud 展示了以 AlloyDB、Spanner、Query Data 工具和 MCP 协议为核心的智能体数据架构,但该体系在大规模分布式部署中的跨云性能表现、企业极端边缘场景下的 SQL 生成准确率,以及长周期自主任务在生产环境下的实际容错表现,仍有待各行业实际业务场景的进一步验证。

Detailed notes — zh

## Background 本内容由 YouTube 频道 Google Cloud Tech 于 2026 年 6 月 25 日发布,为 Google Cloud Next 2026 大会的分会场演讲(代码 BRK2-021)。视频由 Amit Ganesh、Yannis Papakonstantinou 以及来自 Anthropic 的 David Soria Parra 共同主讲,旨在介绍 AI 原生数据库如何通过 AI 驱动检索、自然语言接口、多模态查询、GraphRAG 以及模型上下文协议(MCP)等开放标准,为企业级 Agent 提供高保真语境与自主行动能力。 ## TL;DR 演讲系统性地阐述了 Google 将“数据搬迁至 AI”转变为“将 AI 移向数据”的全新战略,正式推出新一代 Agentic Data Cloud。整个架构基于三大支柱展开:首先是以 AlloyDB 和 Spanner 为代表的 AI 原生数据库,内置 ScaNN 向量索引、TimesFM 时序模型及免复制的虚拟图模型(GraphRAG);其次是提供 Query Data 和参数化安全视图的数据 Agent 平台,并全面拥抱开放标准 MCP(模型上下文协议);最后是面向构建者、运维运维人员与业务分析师的全生命周期预构建数据 Agent 体系,推动企业数据库从被动的洞察系统演进为主动的行动系统。 ## Atmosphere & style 整场演讲充满前瞻性的企业级技术发布氛围,节奏紧凑、架构逻辑严密。主讲人通过“系统级行动平台”的宏大叙事开篇,在技术原理拆解与权威基准跑分之间自如切换,展现出工业级落地的扎实底气;穿插与 Anthropic 嘉宾的炉边对话时,语调又转为对开源标准与跨厂商协作的真诚致敬。现场既有解决真实企业痛点的严谨工程感,又洋溢着亲历半个世纪以来数据库领域最大转折点的行业兴奋感。 ## Bulletin - [03:36](https://www.youtube.com/watch?v=7awKinJhGPo&t=216s) Google 宣布推出面向未来十年的全新基础软件品类 Agentic Data Cloud,提出将 AI 算力与推理直接移向数据层,以打破传统离线数仓与业务数据库造成的孤岛与数据滞后困境。 - [09:24](https://www.youtube.com/watch?v=7awKinJhGPo&t=564s) AlloyDB 引擎在底层深度整合 ScaNN 与加速版 pgvector HNSW 索引,原生支持超过 100 亿级向量存储检索,并联合 BM25 全文检索实现开箱即用的高性能混合搜索。 - [05:29](https://www.youtube.com/watch?v=7awKinJhGPo&t=329s) 在自然语言转 SQL(Text-to-SQL)领域,Google 数据 Agent 平台摘得权威 BIRD Benchmark 榜单头名,并依靠参数化安全视图建立确定性安全护栏以彻底杜绝跨租户数据越权越界。 - [33:34](https://www.youtube.com/watch?v=7awKinJhGPo&t=2014s) 面向数据库的开源工具箱 MCP Toolbox 1.0 正式发布,支持跨越 40 余种第一方与第三方数据源;同时 Google Cloud 推出了针对 Data Cloud 全线资产的全托管 0-Ops MCP 服务。 ## Key takeaways - [00:12](https://www.youtube.com/watch?v=7awKinJhGPo&t=12s) 传统数据架构“将数据搬迁至 AI”导致高昂集成成本与严重数据滞后,而 Agent 时代的核心在于通过“AI 移向数据”将数据系统从单纯的洞察系统(Insights)升维为行动系统(Action)。 - [05:29](https://www.youtube.com/watch?v=7awKinJhGPo&t=329s) Agentic Data Cloud 依托三大支柱构建:内嵌高级模型的 AI 原生数据库、提供语义工程与 MCP 工具链的数据 Agent 平台,以及覆盖构建、运维与分析全生命周期的预构建 Agent 套件。 - [05:29](https://www.youtube.com/watch?v=7awKinJhGPo&t=329s) Google Research 联合推出的基础时序模型 TimesFM 直接内嵌进 SQL 引擎,可直接调度 Google Cloud TPU 硬件加速,将过去数小时的复杂业务趋势预测压缩至数秒以内。 - [09:24](https://www.youtube.com/watch?v=7awKinJhGPo&t=564s) AlloyDB 作为专为 Agent 时代定制的旗舰 AI 原生数据库,在 100% 兼容 PostgreSQL 生态的同时,集成了分析引擎、向量存储与关系型事务引擎,并可在任意公有云、本地机房及个人电脑上运行。 - [15:16](https://www.youtube.com/watch?v=7awKinJhGPo&t=916s) AlloyDB 的专用 AI 函数将 Gemini 的真实世界常识与语义理解无缝注入原生 SQL,结合两阶段检索重排架构,以极低推理成本实现了人类语境感知级别的实体精准匹配。 - [18:28](https://www.youtube.com/watch?v=7awKinJhGPo&t=1108s) 全美零售巨头 Target.com 将全部线上搜索流量迁移至 AlloyDB,凭借统一多模态内核与动态业务过滤能力,直接将端到端搜索相关度提升了 20%。 - [20:02](https://www.youtube.com/watch?v=7awKinJhGPo&t=1202s) Spanner 打造了免数据复制的虚拟图模型(Virtual Graph Model),在既有关系型 SQL 之上直接实现 GraphRAG,为上层 Agent 高保真抽取实体拓扑关系网络。 - [21:23](https://www.youtube.com/watch?v=7awKinJhGPo&t=1283s) 生产级 Text-to-SQL 面临准确率、安全性及脚手架包袱三重鸿沟;Query Data 工具结合模式本体、查询蓝图与取值检索三大上下文工程要素,驱动准确率向 100% 极限爬坡。 - [24:50](https://www.youtube.com/watch?v=7awKinJhGPo&t=1490s) 参数化安全视图(Parameterized Secure Views)作为数据库内核级确定性安全护栏,杜绝了 Agent 直接跨表扫描主表的风险,从物理与逻辑层面彻底防御 Prompt 注入攻击。 - [28:46](https://www.youtube.com/watch?v=7awKinJhGPo&t=1726s) 复杂业务请求(如“预测所有红鞋销售走势”)在端到端执行流中由底层异构算力自动协同调度:ARM CPU 承载标准 SQL 与数据流,Google TPU 则无缝分发 Agent 与 TimesFM 模型推理。 - [34:29](https://www.youtube.com/watch?v=7awKinJhGPo&t=2069s) Anthropic 联合创始人 David Soria Parra 强调,模型与系统集成面临经典的 N×M 复杂性挑战,正如 50 年前 SQL 规范了数据交互,MCP 正在成为连接 Agent 与企业数据底盘的事实开放标准。 - [37:00](https://www.youtube.com/watch?v=7awKinJhGPo&t=2220s) Agent 真正擅长在海量候选池中高频筛选,而非编写单条完美 SQL;在数据库内核中内置复杂向量与混合检索索引,才是为 Agent 输送高保真上下文的正确路径。 - [39:28](https://www.youtube.com/watch?v=7awKinJhGPo&t=2368s) MCP 未来的技术演进路线聚焦三大维度:通过服务器直接提供封装领域知识的 Agent Skills、原生支持耗时较长的异步长周期任务,以及全面的企业级合规与运维就绪。 - [42:48](https://www.youtube.com/watch?v=7awKinJhGPo&t=2568s) 面向开发者构建全栈应用,Google 推出集成预建 Skills 与 MCP 扩展的 Data Agent Kit,并将 AI Studio Vibe Coding 环境深度集成 Firestore 与 Cloud SQL 原生支持。 - [44:54](https://www.youtube.com/watch?v=7awKinJhGPo&t=2694s) 在数据库日常管理与演进中,Gemini 驱动的可观测性 Agent 实现全局健康诊断,数据库测试 Agent 则在测试环境中模拟评估变更前后性能差异以消除上线隐患。 - [45:49](https://www.youtube.com/watch?v=7awKinJhGPo&t=2749s) 最新发布的对话式分析 Agent 支持业务用户直接通过自然语言与实时生产数据库对话,已在通信巨头 EchoStar 等企业投入生产使用以大幅加速商业决策。 ## Detailed walkthrough ### [00:12](https://www.youtube.com/watch?v=7awKinJhGPo&t=12s) Agent 时代下的数据战略与全新挑战 在开场致辞中,Amit Ganesh 指出,当今所有人都在积极寻求利用 AI 的强大力量,构建能够与企业核心数据深度交互的高价值 Agent 工作流和全新体验。然而,要真正赢得用户的信任,企业必须拥有最顶尖的 Agent 数据平台,既要保证智能体回答的极致准确性,又要严格遵守企业在隐私、安全与合规治理方面的严苛要求。Amit Ganesh 介绍了当天共同登台的嘉宾:他在 Google 的同事 Yannis Papakonstantinou,以及来自 Anthropic、Model Context Protocol(MCP)的缔造者 David Soria Parra。整个演讲将系统性地阐述 Google 在 Agent 时代的数据与 AI 战略,随后深入解析 AI 原生数据库如何赋予智能体“超能力”,展示如何基于数据 Agent 平台构建专属智能体,并与 David 展开炉边对话,最后介绍开箱即用的预构建数据 Agent。 在探讨行业现状时,Amit Ganesh 强调,在数据库 50 多年的历史长河中,当前正处于一个前所未有的关键转折点。企业客户正竞相借助 AI 与自身企业数据深度融合,打造自主运行的智能体系统以重塑业务形态。然而,当下的传统数据架构成为了企业采纳智能体的主要障碍。传统体系充斥着被围墙高筑、彼此割裂的数据仓库和孤岛化的业务数据库,Agent 根本无法在这些异构数据源之间顺畅地穿梭取数。更为棘手的是,仅仅获取数据本身是远远不够的,Agent 还需要深度的语境(Context)与语义知识,借此理解数据库中数据的真实含义,从而做出准确而有效的推理与判断。当前利用 AI 的常规路径往往是“将数据搬迁至 AI”,这种做法不仅造成了显著的数据滞后,让智能体脱离了企业的实时运行状态,而且人工集成的高昂成本和漫长周期也延缓了业务落地。针对这一困境,Amit Ganesh 抛出了核心构想:“What if instead you could move AI to data and break down those walls.” ```mermaid flowchart TD accTitle: Legacy Data Architecture vs AI-to-Data Approach accDescr: A comparison between moving data to AI and moving AI to data natively. subgraph Legacy["传统架构:数据移向 AI"] direction TB L1["孤立业务数据库 / 离线数仓"] -->|"手动集成搬运 (高延迟/高成本)"| L2["AI / Agent 运行时"] L2 --> L3["脱离业务实时状态 / 缺乏语义知识"] end subgraph Modern["Google 战略:AI 移向数据"] direction TB M1["统一底层数据体系"] -->|"内嵌模型推理与语义网关"| M2["AI 原生数据库 (Agentic Data Cloud)"] M2 --> M3["实时、高准确度、强治理的自主行动"] end ``` --- ### [03:36](https://www.youtube.com/watch?v=7awKinJhGPo&t=216s) 突破数据孤岛:打造 Agentic Data Cloud 为了打破传统架构的壁垒,Google 采取了将 AI 深度内置到数据层中的全新战略。Google 的独特优势在于拥有世界顶尖的 AI 与数据工程团队,双方在同一家公司内部深度协作,将业内领先的数据技术栈与前沿的 AI 基础架构纵向融合,构建起一个贯穿软硬件每一层级的 Agentic 数据平台。底层的计算资源不再局限于传统的 ARM 或 Intel CPU,在数据库工作负载需要运行推理计算时,系统会直接调度 Google 的 TPU 硬件加速;在应用层,AI 模型被直接注入 SQL 引擎中,让数据 Agent 顺畅接入业务系统。 基于这套纵向整合的架构,Google 正式推出了面向未来十年的全新基础软件品类——Agentic Data Cloud。Amit Ganesh 明确界定了这一系统的本质跃迁:“This is a system of action for agents, not just a system of insights.” 这意味着企业数据系统从过往单纯提供报表和商业洞察的被动工具,进化成了能够驱动智能体执行具体行动的自主系统。Agentic Data Cloud 具备三大鲜明特征: - **AI 原生与深度垂直整合**:打通从底座 TPU、向量计算、基础模型到业务智能体的完整数据-AI 软件栈。 - **开放性与极致灵活性**:全方位拥抱开源生态与行业开放标准,支持 PostgreSQL 生态及相关工具;客户不仅可以将其部署在任何基础设施中,还支持自带企业数据(BYOD),甚至将自定义模型无缝插拔进该平台中运行。 - **深受信赖与严格治理**:以企业语义知识作为 Agent 的运行语境(Grounding Context),从源头规避幻觉并确保高回答质量;同时内置不可逾越的护栏机制(Guardrails),强制智能体在企业既定的隐私隔离、数据安全与治理规范之内运行。 --- ### [05:29](https://www.youtube.com/watch?v=7awKinJhGPo&t=329s) Agentic Data Cloud 的三大核心支柱 为切实赋能企业智能体,Amit Ganesh 梳理并详细阐述了支撑 Agentic Data Cloud 运作的三大核心支柱: ```mermaid flowchart LR accTitle: Three Pillars of Agentic Data Cloud accDescr: The three core pillars powering intelligent agents in Agentic Data Cloud. subgraph Pillar1["1. AI 原生数据库"] P1A["多模态存储: 向量/图/时序"] P1B["原生 SQL 算子: TimesFM/向量搜索"] end subgraph Pillar2["2. 数据 Agent 平台"] P2A["Trusted Knowledge Catalog"] P2B["MCP 工具套件 / 自然语言接口"] end subgraph Pillar3["3. 预构建 Agent 矩阵"] P3A["开发者 & 运维运维 Agent"] P3B["基于自然语言的对话式分析"] end Pillar1 --> Pillar2 --> Pillar3 ``` 1. **内嵌先进模型的 AI 原生数据库**:数据库超越了传统的结构化记录形态,能够原生接纳文本、嵌入向量化后的图像与视频、时序数值以及复杂的图结构模型(Graph models)。与此配套,数据库内的计算范式同步扩展,支持针对时序数据的预测与异常检测,针对高维向量的相似度搜索,且所有操作完全统一在开发者最熟悉的 SQL 语言环境之下。一个代表性案例是 Google 与 Google Research 密切合作推出的基础时序模型 **TimesFM**。该模型类似于自然语言大模型,经过了海量时序数据的预训练,能够使过去动辄需要耗费数分钟、数小时乃至数月才能完成的复杂趋势预测工作,在 Agent 的调度下缩短至数秒之内。 2. **数据 Agent 赋能平台(Data Agent Platform)**:该平台为开发者提供一整套构建 Agent 的脚手架与基础工具,其核心中枢是“可信知识目录”(Trusted Knowledge Catalog)。它构成了智能体感知与理解企业全局语义与上下文的神经中枢。此外,平台深度集成了针对模型上下文协议(Model Context Protocol, MCP)的完整工具链,并配备业界顶尖的自然语言数据交互界面。Amit Ganesh 透露,Google 正与 Anthropic、AWS 等先锋厂商紧密结盟,共同树立并持续推动 MCP 标准的演进;Google 还开源了 **MCP Toolbox** 产品,广邀开源社区共同加速 MCP 生态的普及与成熟。 3. **开箱即用的预构建数据 Agent 体系**:覆盖全生命周期的数据角色需求,面向数据库构建者(Builders)、数据库运维运营人员(Operators)以及业务分析人员提供专属的对话式分析(Conversational Analytics)能力。在自然语言转 SQL(Text-to-SQL)领域,Google 的对话式分析 Agent 与平台取得了关键的技术突破,成功摘得了业内权威的标准测试集 BIRD Benchmark 榜单头名(Number One Spot),为用户带来了兼具准确性与高保真的对话式数据交互体验。 --- ### [09:24](https://www.youtube.com/watch?v=7awKinJhGPo&t=564s) 深入 AI 原生数据库引擎:AlloyDB 的架构与向量检索革新 在 Amit Ganesh 的介绍下,Yannis Papakonstantinou 登台深入剖析作为底座的 AI 原生数据库。Yannis 阐述了 AI 原生数据库与传统数据库的本质差异:“An AI native database doesn't just store data, it natively processes and understands the data using built in AI primitives.” 得益于这些内置在数据库存储引擎内部的 AI 原语,智能体能够直接发起一条 SQL 查询,跨越结构化行表、非结构化文本、高维图片嵌入与视频特征展开混合关联分析,把经典关系型查询的严谨性与大语言模型、Gemini 基础模型的推理能力熔炼为一体。 针对 Agent 时代的高并发复杂数据诉求,Google 打造了旗舰级 AI 原生数据库——**AlloyDB**。Yannis 指出,AlloyDB 专为 Agent 时代量身定制,在保持 100% PostgreSQL 生态兼容的前提下,注入了 Google 多项尖端自研创新技术。它将传统关系型事务存储、高性能向量数据库以及一个性能高达标准 Postgres 100 倍的分析引擎融为一体;而通过推出 **AlloyDB Omni**,用户可以在本地数据中心(On-premise)、任何其他公有云平台甚至是开发者的笔记本电脑上,自由运行这套达到云原生企业级水准的强大数据库软件。 随后,Yannis 重点解析了现代搜索体验向 Agent 全面演变的需求。单纯依靠传统的文本关键字匹配早已无法满足端侧用户的真实意图。例如当消费者搜索“夏日衬衫(summer shirts)”时,排名最靠前的高质量结果中甚至根本不包含“summer”这个词,但数据库却精准捕捉到了背后的用户意图,自动召回了亚麻(linen)或纯棉(cotton)等透气面料制成的服饰。为了达成这种整体性、深层次的意图搜索,AlloyDB 采取了分步推进的演进策略: ```mermaid flowchart TD accTitle: AlloyDB Vector and Hybrid Search Architecture accDescr: Architecture of AlloyDB vector search with ScaNN and HNSW alongside BM25 hybrid search. subgraph UserInput["用户意图输入 (例: 'Summer Shirts')"] UI["自然语言 / SQL 混合查询"] end subgraph AlloyDBEngine["AlloyDB 统一引擎核心"] direction TB subgraph VectorCore["向量检索层"] ScaNN["Google 专有 ScaNN 索引<br/>(支持 100 亿+ 向量,源于 Google Search / YouTube)"] HNSW["加速版 pgvector HNSW<br/>(列式引擎加速,性能达标准 4x)"] end subgraph TextCore["全文检索层"] BM25["先进 BM25 算法精准文本排序"] end HybridUDF["专用 Hybrid Search UDF<br/>(在 SQL 中深度融合向量与语义文本结果)"] end UI --> AlloyDBEngine VectorCore --> HybridUDF TextCore --> HybridUDF HybridUDF --> Out["高质量混合意图召回 (亚麻/棉质衣物)"] ``` 在向量搜索维度,AlloyDB 摆脱了业界仅提供原生 pgvector 扩展插件的浅层集成模式,自 2024 年起便将 Google 内部支撑 Google 搜索、YouTube 推荐等十亿级规模应用的核心技术——专有 **ScaNN** 向量索引直接引入数据库内核。在本次大会上,Yannis 带来了两大核心性能突破: - **超大规模向量支持**:基于 ScaNN 索引,AlloyDB 原生支持 **100 亿(10 billion+)** 以上级别的高维向量存储与检索。 - **开源生态兼容性加速**:借助 AlloyDB 内部的列式引擎(Columnar Engine)优化技术对主流的 `pgvector HNSW` 索引进行底层硬件级加速;用户完全不需要改动现有的 `pgvector` 或相关索引配置代码,就能直接获得相比标准开源实现最高 **4 倍** 的向量检索性能提升。 面对现场关于“为何要同时打磨 ScaNN 与 HNSW 两种索引”的潜在疑问,Yannis 明确指出,AlloyDB 的根本目标是在面对企业客户丰富多样的应用场景时,始终能无条件提供最契合、最顶级的一流向量搜索体验;不仅如此,Google 正持续推进底层优化演进,未来将让这两种索引算法的选型彻底退化为用户无需感知的数据库内部实现细节(Implementation detail)。在此基础之上,针对企业不仅需要语义泛化搜索、同时也极其依赖精确文本匹对的普遍现状,AlloyDB 更进一步将向量相似检索与包含最前沿 **BM25** 排序算法的高质量全文搜索(Full-text search)整合为一体,开发者只需在 SQL 中调用全新的专用混合搜索自定义函数(Hybrid Search UDF),即可零胶水代码完成跨模态高精度召回。 ### [15:16](https://www.youtube.com/watch?v=7awKinJhGPo&t=916s) AI 函数与 AlloyDB:将 Gemini 的现实世界知识引入 SQL 在构建现代 AI 搜索的过程中,仅仅依赖传统的全文检索或初级向量匹配远远不够。AlloyDB 通过引入强大的 AI 函数(AI Functions),直接将 Gemini 的细致理解能力与丰富的现实世界常识融入到了数据库的原生 SQL 引擎中。演讲者举了一个非常鲜活的零售案例:假设用户在一个电商网站上搜索“适合圣托里尼夏天的舒适衬衫(comfortable shirts for a summer in Santorini)”。对于传统关系型数据库而言,“圣托里尼”只是一个普通的文本字符串,数据库既不知道圣托里尼位于希腊,也不知道那里的夏天干燥炎热且伴有地中海海风。然而,集成了 Gemini 能力的 AI 函数早已掌握了这层常识,并且 AlloyDB 将这种能力直接封装进 SQL,让数据筛选拥有了人类级别的语境感知。 在实际生产场景中,最经典的处理模式是先通过混合搜索(Hybrid Search)过滤出前 1,000 到 2,000 个候选商品,然后再利用 AI 函数进行重新排序(Rerank)。以圣托里尼夏装为例,AI 函数能够根据候选衬衫的面料、透气度和款式与圣托里尼气候的匹配度进行打分重排。更令开发者兴奋的是,编写这些 AI 函数完全支持使用自然语言描述,免去了繁琐的算法编码。此外,针对延迟要求极高的高并发场景,AlloyDB 还提供了一个非 LLM 驱动的更快版本排序函数,直接由 Google Cloud 业界领先的语义排序器(Semantic Ranker)驱动。 除了搜索和重排,AlloyDB 的 AI 函数家族还在不断扩充通用能力。这包括用于生成个性化标注与解释的生成式 AI 函数,以及用于预测的预测函数。演讲者特别指出,预测函数利用了 Google 的 TimesFM 基础模型,可以直接基于数据库中存储的运营历史数据对未来业务走势进行精准预估。今年大会上,AlloyDB 还全新推出了情感分析函数(Analyze Sentiment)和文本摘要函数(Summarize)。为了让企业能够在规模化场景下低成本运行,团队还开发了高度优化的专用 AI 函数(例如支持 AI.IF 等操作),在特定任务上能够提供卓越的吞吐性能,并相比直接调用通用基线大模型实现约 1,000 倍的成本缩减,真正打破了 AI 规模化落地的算力成本枷锁。 - **多模态世界知识**:通过内置的 Gemini 模型,无需离线微调即可让 SQL 查询直接理解地理、气候、文化等常识背景。 - **两阶段检索重排架构**:第一阶段混合搜索捞取 Top 1,000~2,000 候选,第二阶段使用 LLM 或语义排序器执行精细化重排。 - **TimesFM 时序预测集成**:直接在 SQL 内部对生产运营时序数据调用 TimesFM 模型输出预测曲线。 - **新功能与极低成本推理**:新增情感分析与摘要函数,针对特定高频算子提供相比基线大语言模型降低约 1,000 倍成本的优化实现。 --- ### [18:28](https://www.youtube.com/watch?v=7awKinJhGPo&t=1108s) Target.com 实践:AlloyDB 统一多模态搜索驱动 20% 相关度跃升 技术创新的最终检验标准在于真实商业场景的收益。演讲者以全美零售巨头 Target.com 的架构演进为例,阐明了在数据库层直接实现多模态与 AI 能力的威力。Target.com 过去一直在寻求如何大幅升级其线上电商的搜索体验。他们引入了 AlloyDB 及其专有的 ScaNN 索引技术来优化整个搜索链路,特别是利用其在复杂数据类型上执行动态 SQL 过滤的能力。 根据实际业务指标反馈,Target.com 将搜索工作负载迁移到 AlloyDB 并全面启用这些 AI 功能后,其客户搜索的相关性直接提升了 20%。更为关键的是,这种在带有动态业务过滤条件的搜索场景下展现出的极致性能,彻底超越了过去那种“将传统关系型数据库与外挂独立向量搜索引擎生硬拼凑”所能达到的极限水平。正因如此,Target.com 做出了极具魄力的决策:将其全部在线搜索流量整体迁移到了 AlloyDB 平台之上。 演讲者评价道,Target.com 在这一轮架构浪潮中走在了行业最前沿。目前许多企业仍然将包含结构化数据、向量以及全文搜索的整体搜索体系(Holistic Search),看作是搜索应用开发团队在应用层去缝合和解决的问题。然而,演讲者断言:“We think, however, that as people see the results and business outcomes that come by combining different modalities right in the database, they will quickly follow target.com example.” 随着更多企业看到把多模态直接收敛到数据库内核所带来的业务提升,这种一体化架构必将成为行业主流标准。 --- ### [20:02](https://www.youtube.com/watch?v=7awKinJhGPo&t=1202s) Spanner 与 GraphRAG:在 SQL 之上构建免复制的虚拟图模型 在介绍完 AlloyDB 后,演讲者转向了 Google Cloud 的第二款 AI 原生数据库旗舰——Spanner。Spanner 依托其全球分布式高可用架构与多模态能力,为严苛的关键任务级 AI 负载提供坚实底座。而在 AI 搜索的技术拼图中,Spanner 重点攻坚并拔得头筹的是第五大核心要素:图(Graphs)。 图结构能够天然刻画数据库中各种业务实体之间错综复杂的拓扑与逻辑关联。在生成式 AI 与 Agent 编程的语境下,结合了图搜索与混合搜索的模式被称为 GraphRAG。通过 GraphRAG,检索系统不仅能依据语义相似度拉取文档碎片,还能顺着实体之间的关联路径抽取高保真、结构化的上下文关系网络。 面对这一能力,传统架构师往往会产生顾虑:企业现存的海量业务数据全都在关系型 SQL 表中,难道为了做图搜索,必须将数据重新复制抽取一份到专门的图数据库中吗?演讲者的回答斩钉截铁:完全不需要。Spanner 创造性地提供了虚拟图模型机制,这一图模型直接作为抽象逻辑层叠构在既有的 SQL 数据模型之上。 “In conclusion, we saw how Google Cloud AI native databases AlloyDB and Spanner enable a unified approach where SQL queries understand logic, language, and relationships.” 演讲者总结道,通过融合这些 AI 原语,底层的 SQL 查询不仅理解纯数据逻辑,还理解自然语言的语义和复杂的实体图谱关系,从而能为上层 Agent 输送最为精确、最贴合上下文的数据。 ```mermaid flowchart TD accTitle: Spanner 与 AlloyDB 的统一 AI 检索架构 accDescr: 展示了多模态数据输入经由混合搜索与虚拟图模型处理,最终为 Agent 输出高保真上下文的完整流程。 subgraph DataLayer["底层数据库引擎 (AlloyDB & Spanner)"] A["结构化关系型数据 (SQL)"] B["向量与非结构化文本"] C["实体与拓扑关系"] end subgraph UnifiedEngine["内核级 AI 原语处理"] D["ScaNN 混合搜索<br/>(Top 候选过滤)"] E["虚拟图模型 (GraphRAG)<br/>(无需额外复制数据)"] F["AI 函数 / 语义重排器<br/>(Gemini 驱动世界知识)"] end subgraph OutputLayer["上层业务消费"] G["高保真、关联化的丰富上下文"] H["智能 Agent / 终端应用"] end A --> D B --> D A --> E C --> E D --> F E --> F F --> G G --> H ``` --- ### [21:23](https://www.youtube.com/watch?v=7awKinJhGPo&t=1283s) 数据智能体平台(Data Agent Platform):跨越自然语言到生产级 SQL 的断层 完成第一支柱(AI 原生数据库)的剖析后,演讲转入第二大支柱:数据智能体平台(Data Agent Platform)。Amit 此前强调,自然语言正在成为人与 Agent、以及 Agent 与 Agent 之间沟通的事实标准协议。这就引出了一个宏观的“万米高空级矛盾”:上层 Agent 体系都在说自然语言,但底层的企业数据库由于严谨性、事务隔离和逻辑精度的硬性要求,现在以及将来都依然必须使用 SQL。 万米高空的理想方案显而易见:打造一个将“企业数据 + 生成式 AI”融为一体的数据智能体平台,在自然语言与 SQL 之间架起无缝立交桥,解锁精准、实时且可信的数据交互体验。然而,一旦从万米高空降落到地面现实,生成式 AI 天生的概率性、幻觉特征,便会与生产级数据库系统零容错、极其严苛的工程本质发生剧烈冲撞。一个在本地笔记本上能够跑通的 Text-to-SQL Demo,距离真正高可用、可靠的企业级生产应用之间,横亘着一条巨大的鸿沟: 1. **准确率鸿沟(The Accuracy Gap)**:绝大多数核心数据库业务要求近乎 100% 的准确率,生成式模型 80% 或 90% 的命中率在财务和核心业务中意味着灾难。 2. **安全性鸿沟(The Security Gap)**:许多应用缺乏数据库内核级细粒度访问控制。这迫使开发者要么大幅削减 Agent 的权限与功能边界,要么不得不从头徒手开发一整套复杂的外部安全校验层。 3. **脚手架包袱(Scaffolding Burden)**:大量的工程资源被浪费在编写防御性代码、护栏(Guardrails)与中间件脚手架上,阻碍了业务价值的实现。 演讲者凝练地指出该平台的核心使命:“So that if you are to remember one thing about the data agent platform is this: it enables developers to build agents that get secure, near 100% accurate text to SQL from the database and its integration ready via MCP that we will be talking more later.” 该平台由两层构成:一组可配置的工具集,负责将自然语言转化为安全、精确的 SQL;以及一套底层基础设施,协助开发者进行上下文工程迭代,向 100% 准确率发起“爬坡(Hill climb)”,同时在底层彻底杜绝越权访问。 --- ### [24:50](https://www.youtube.com/watch?v=7awKinJhGPo&t=1490s) 核心工具 Query Data、三元上下文与参数化安全视图 数据智能体平台推出的首款重磅工具名为 Query Data。在现场展示中,终端用户或上层 Agent 仅需提出一个自然的业务问题,例如:“我昨天花了多少钱?(how much money did I spend yesterday)”,Query Data 会在毫秒级内自动生成并执行精准对应的 SQL 查询。它结合了 Gemini 大模型与用户特定的数据库上下文,致力于帮开发者逼近 100% 的生成准确度。 Query Data 能达到如此高精准度的核心秘诀在于其融合的三类上下文工程要素: - **模式本体(Schema Ontologies)**:超越基础 DDL,深入描述字段业务内涵、表间逻辑的本体元数据。 - **查询蓝图(Query Blueprints)**:允许开发者注入针对特定问题模式或长尾短语片段的专家级解释规则。 - **取值检索(Value Searches)**:通过在全库真实数据中进行实时值查找,彻底消除用户提问中模糊词汇、简称或拼写变体带来的歧义。 演讲者自豪地宣布,Google Cloud 目前已在业内最严苛的 Text-to-SQL 权威基准评测中稳居榜首。值得一提的是,这一打榜成绩仅仅开启了“模式本体”单一维度;如果结合查询蓝图与取值检索,准确率能够一路推至接近 100%。 在安全性设计上,演讲者重点解密了其核心杀手锏——**参数化安全视图(Parameterized Secure Views)**。这是一个确定性的安全护栏(Deterministic Security Guardrail)。在用户查询“我昨天花了多少钱”时,生成出来的 SQL 绝对不会直接跨表扫描底层的通用记账主表(如 `user_charges`),因为恶意攻击者完全可以通过 Prompt 注入等手段诱导模型篡改 WHERE 条件,从而窃取全库其他用户的隐私交易。相反,Query Data 会强制路由至参数化安全视图中,该视图在数据库内核中自动绑定当前认证终端用户的上下文,从物理和逻辑隔离上确保 Agent 只能看见该用户所属的数据行。由于这是一种虚拟视图,其运行效率极高。最后演讲者提及,休斯网络系统公司(Hughes Network Systems)通过整合 ADK(Agent Development Kit)、MCP Toolbox 以及 Query Data,彻底重构了其现代化客户支持运营体系。 --- ### [28:46](https://www.youtube.com/watch?v=7awKinJhGPo&t=1726s) 全栈端到端协同与 MCP(模型上下文协议)赋能 Amit 重新登台接管演讲,并对整套 AI 原生数据库与数据智能体平台的协同威力做了全景透视。他用一个极为震撼的复杂业务场景进行了演示:如果用户向对话数据平台抛出一个宏观请求:“帮我预测一下所有红色鞋子的未来销售走势(show me a forecast of sales for all red shoes)”。在看似简单的自然语言背后,系统触发了一系列高密度的内核级跨模态流转: ```mermaid flowchart LR accTitle: 复杂 Agent 问答的端到端执行流 accDescr: 展现从自然语言输入,经过向量召回、时序抽取,再到 TimesFM 模型推理的完整架构流转。 Q["自然语言提问:<br/>'预测所有红鞋的销售额'"] --> A["Agent 意图解析<br/>(Gemini 驱动)"] A --> B["语义向量检索<br/>(匹配各类红鞋 SKU 键值)"] B --> C["抓取对应产品<br/>历史时序数据"] C --> D["TimesFM 预测模型<br/>(执行推理)"] D --> R["输出最终业务走势预测"] subgraph HardwareExecution["底层异构算力协同"] direction TB HW1["ARM 架构通用 CPU<br/>(承载关系数据流与 SQL 引擎)"] HW2["Google Cloud TPU 集群<br/>(加速 Agent 模型与时序推理)"] end B -.-> HW1 C -.-> HW1 A -.-> HW2 D -.-> HW2 ``` 在这个过程中,“红色鞋子”在数据库里并不是一个单一的确定性字段,因为红鞋有成百上千种具体 SKU。系统首先执行向量相似度搜索,在全库商品向量中召回所有语义匹配为“红色鞋子”的行记录并锁定主键;随后,系统自动根据这些产品主键拉取各自的历史销售时序数据;接着,将这些多重时序数据无缝喂入底层的 TimesFM 预测模型中,计算并返回未来的预测曲线。 Amit 感叹道,开发者开箱即可在 Google Agentic Data Cloud 中享受到这种深度的全栈集成:应用层拥有智能 Agent 交互,存储过程/PL-SQL 层直接内嵌了 TimesFM 预测与 Gemini 自然语言模型;更底层的硬件调度上,绝大部分数据库查询直接运行在高效的 ARM 架构芯片上,而涉及 AI Agent 与模型推理的密集算力则无缝分发给 Google TPU 集群。所有这些,都由统一的云端 AI 基础设施在水面之下调度完成。 在结束这部分演讲时,Amit 再次点题行业开放标准——模型上下文协议(Model Context Protocol,简称 MCP)。他强调团队投入了极大的精力,确保在 AI 原生数据库和数据智能体平台中所展示的几乎每一项核心能力,全部原生支持通过 MCP 协议对外激活与暴露。哪怕是 Google 预置提供的 Agent 工具,也会遵循 MCP 接口规范封装,从而确保开发者无论使用何种外部 Agent 框架或 IDE,都能以完全标准化、解耦的方式安全连接企业数据底盘。 ### [31:04](https://www.youtube.com/watch?v=7awKinJhGPo&t=1864s) 谷歌围绕 MCP 的全方位战略与全托管 0-Ops 服务 在赋予 Agent 强大能力的过程中,谷歌围绕模型上下文协议(Model Context Protocol,简称 MCP)制定了多维度的全面战略。首先,谷歌提供了全托管的 MCP 服务器(Managed MCP Servers),直接激活 Google Cloud Data Cloud 上的所有资源;其次,谷歌推出了备受欢迎的开源项目 MCP Toolbox;第三,除了工具本身,谷歌还与 Anthropic 共同深度参与了 MCP 指导委员会(Steering Committee),致力于为整个行业推动并演进 MCP 协议规范。 对企业而言,全托管 MCP 服务器为 Agent 调用 GCP 资源提供了一种完全“0-Ops”(零运维)的方式。它不仅极大简化了工具与资源的发现过程,还通过 Model Armor 提供了增强型数据保护、可观测性,以及企业级部署中最为关键的治理能力。由于 MCP 将整个 Google Cloud 的能力表面开放给 AI Agent,谷歌在云端内置的强控制机制与可见性(例如监控哪些 MCP 服务器已被激活)成为企业将 Agent 推向生产环境不可或缺的基石。 目前,Data Cloud 旗下的几乎所有服务——涵盖数据库、分析系统与存储系统——均已支持通过 MCP 面向 Agent 开放。例如,Cloud SQL 中的 PostgreSQL 数据库以及 AlloyDB 现已全部接入 MCP。这种“可用性”不仅意味着 Agent 可以执行 SQL 查询,还能直接调用向量检索、对数据库执行资源配置(Provisioning),甚至进行系统可观测性诊断(如直接询问数据库“当前最慢的查询是什么,为什么会慢”)。开发者可以使用自己偏好的任何 Agent(无论是 Claude Code、Gemini CLI 还是其他变体),只需将其直接指向谷歌的中央 MCP 服务器,后续的云资源发现与访问便全自动展开。 - **三位一体战略**:全托管 MCP 服务、开源 MCP Toolbox、与 Anthropic 共同参与 MCP 行业指导委员会。 - **0-Ops 企业级优势**:具备免运维接入、基于 Model Armor 的数据安全防护、全链路可观测性以及细粒度的权限治理。 - **覆盖核心云资源**:数据库、分析和存储全面贯通,涵盖 Cloud SQL PostgreSQL、AlloyDB 等产品,支持 DDL/DQL 操作、向量搜索及性能诊断。 ```mermaid flowchart LR accTitle: Google Cloud MCP 架构流 accDescr: 展示 AI Agent 如何通过谷歌托管的中央 MCP 服务器零运维访问企业 Data Cloud 资源 subgraph Agents ["开发者与 Agent 客户端"] A1["Gemini CLI / Code"] A2["Claude Code"] end subgraph MCP_Layer ["全托管 0-Ops MCP 接入层"] M1["中央托管 MCP 服务器"] M2["安全与治理<br/>(Model Armor / 可观测性)"] end subgraph Data_Cloud ["Google Data Cloud 资源"] D1["AlloyDB"] D2["Cloud SQL (PostgreSQL)"] D3["BigQuery 与存储服务"] end Agents -->|"标准化协议连接"| M1 M1 --- M2 M1 -->|"自动发现与执行 SQL / 向量检索"| Data_Cloud ``` ### [33:34](https://www.youtube.com/watch?v=7awKinJhGPo&t=2014s) 开源 MCP Toolbox 1.0 正式发布 除了云上全托管服务,谷歌打造的开源项目“面向数据库的 MCP Toolbox”(MCP Toolbox for Databases)也正式推出了 1.0 稳定版,标志着该项目在行业社区内获得了广泛采纳。在极短时间内,该开源库在 GitHub 上已经收获了超过 14,000 颗星标,凝聚了来自全球的 100 多位贡献者,并支持超过 40 种不同的数据源。 MCP Toolbox 支持的范围远不止谷歌自家的第一方数据源,还全面覆盖了主流的开源数据库与第三方商业产品,其中包括 Oracle 和 MongoDB 等企业核心系统。开发者之所以高度认可这款开源工具箱,是因为它不仅能在 AI Agent 与后端数据库之间架起安全的连接桥梁,还赋予了企业极大的定制和扩展自由度,允许开发者将自身特有的业务逻辑和业务数据模型无缝封装并注入到 MCP 接口中。 - **社区规模**:GitHub 14,000+ Stars,100 多位全球独立贡献者。 - **生态兼容性**:支持 40+ 种数据源,横跨 GCP 原生数据库、开源软件以及 Oracle、MongoDB 等第三方主流数据库。 - **可定制能力**:企业可随心扩展业务逻辑模型,在保证安全隔离的同时向 Agent 暴露定制化数据通道。 ### [34:29](https://www.youtube.com/watch?v=7awKinJhGPo&t=2069s) 炉边对话:Anthropic 联合创始人 David Soria Parra 谈 MCP 诞生与爆发 在发布完工具箱后,现场迎来了一场重量级的炉边对话。演讲者隆重邀请了来自 Anthropic 的 MCP 联合创造者 David Soria Parra 登台,感谢他在创建 MCP 协议过程中的开创性工作,使成千上万的谷歌工程师及企业客户得以让 Agent 无缝驱动数据与工具。 谈及 MCP 在开发者社区中爆发式增长的核心驱动力时,David Soria Parra 指出,核心原因在于 AI 生态极度渴望在应用层(或前沿大模型)与驱动企业运转的底层数据系统之间建立一个统一的连接层。企业和开发者并不想反反复复地重写 Gemini 或 Claude 这样的应用,而是希望将自身的数据与工作流直接挂载到前沿模型上。过去,如果不采用标准协议,开发者每对接一个模型与一个系统都需要做一次定制适配,陷入典型的“$N \times M$ 集成噩梦”。 Amit Ganesh 对此深有共鸣,他回忆道:“That resonates with us really well because we are in the data world. And as in the data world, about 50 years ago, the SQL language was invented. And that really transformed the way people build applications.” 在他看来,正如 50 年前 SQL 的发明终结了数据操作的碎片化一样,MCP 的出现为模型、数据与工具的互联创造了同样具有划时代意义的里程碑。 David Soria Parra 强调了解决系统集成复杂性的核心动力: > “They want to build these integrations, not 10 times. They want them build them once. That's what's it's a classic end times end problem. And that's where a protocol like MCP comes in.” 此外,David Soria Parra 补充说,MCP 在设计之初就追求极致的极简性,开发人员可以非常容易地构建并集成自己的 MCP 服务器,这极大降低了企业将内部资产连接到前沿模型的门槛。 ### [37:00](https://www.youtube.com/watch?v=7awKinJhGPo&t=2220s) 原生数据库 vs. AI 外挂包装:Agent 究竟需要怎样的数据接口 对话深入探讨了谷歌云数据库将向量搜索、混合搜索和硬件级 AI 算子内置于数据库底层的“AI 原生”理念,对比了某些仅仅在数据外部搭建一层“AI 包装器(AI Wrapper)”的做法。David Soria Parra 从模型与 Agent 的行为本质出发,高度评价了数据库原生内置 AI 能力的重要性。 他分析道,前沿大模型或 Agent 的真正强项在于从海量候选输入中筛选出关键信息,但如何高保真、低延迟地获取这第一层高质量候选数据,恰恰是最困难的瓶颈。人类与数据库的交互习惯通常是精心编写一条“完美的 SQL 语句”来获取精确结果;而 Agent 则更擅长在更大体量的数据池中进行快速扫描与筛选。因此,如果数据库自身能够提供复杂的混合检索能力(如向量检索与传统关键字检索的深度结合),并借助原生算子调度底层 TPU 加速,Agent 就能直接在指尖调用这些强大的预建索引工具,自主高效地梳理企业内部数据。 David Soria Parra 用数据库的发展史作出了生动类比: > “When we started with geospatial data, we added, gist indexes to the databases. And later when we had a document, we added document to specific data things to the databases. And so in a way, I think this is similar in that having these native tools directly in databases will just enable a new set of capabilities in agents to go and select the right things that they need to do to get to work through the tasks that they've been given.” 他总结说,Agent 是为用户提供服务的,而“数据是 Agent 赖以生存的养料(They thrive in data)”。让数据库承载复杂的底层索引和算子计算,扫清连接与检索障碍,才能真正将 Agent 的超能力彻底释放出来。 ### [39:28](https://www.youtube.com/watch?v=7awKinJhGPo&t=2368s) 企业级安全护栏与 MCP 未来技术演进 当谈到谷歌云数据库与 MCP 的结合对客户带来的实际价值时,David Soria Parra 透露了一个细节:Anthropic 自身就是谷歌云 AlloyDB 的重度用户。像 AlloyDB 这样支撑全球最大规模业务的核心数据库,能够通过开放的 MCP 协议向模型开放,使得企业可以放心地将核心业务工作流锚定在可信数据库上。 更关键的是,这种基于开放协议的深度集成并不会削弱数据库原本的企业级安全能力。开发者在通过 MCP 享受自由组合模型与数据系统的同时,依然保留了平台原有的顶尖安全特性、查询合规性检查以及超大规模稳定运行的底座保障。Amit Ganesh 总结称,这本质上是为 Agent 赋予最强大工具与设定安全围栏(Guardrails)之间的权力平衡,让 Agent 在明确允许的边界内大展身手。对此,David Soria Parra 表示极其赞同,直言随着企业对数据流向的监管愈发严苛,这种底层护栏的地位正变得前所未有的关键。 展望 2026 年底及更长远的未来,David Soria Parra 剧透了 MCP 技术路线图上的几大重磅演进方向: 1. **通过 MCP 提供“技能”(Skills)**:未来 MCP 服务器不仅能提供原始工具和数据访问接口,还能将特定领域的专有知识和工作流封装为技能(Skills)直接下发给 Agent。 2. **长周期运行任务(Long-running tasks)**:突破现有的短请求交互限制,原生支持复杂、耗时较长的异步 Agent 自动化任务调度。 3. **全面的企业级就绪(Enterprise Readiness)**:在权限隔离、合规性与工业级运维管理等各个层面全面升级协议支持。 在炉边对话的最后,David Soria Parra 对开源生态的协作氛围表达了由衷的欣慰与兴奋: > “What I'm really most excited about, and I think you alluded a little bit to that, is I think MCP is one of these rare open source communities where the industry comes together across Google, across Anthropic, across other of our competitors, and they work together on a common standard in a very, hopefully good way to elevate the overarching ecosystem for everyone.” ### [42:48](https://www.youtube.com/watch?v=7awKinJhGPo&t=2568s) 全生命周期预构建数据 Agent 体系与 Data Agent Kit 演讲者首先向社区在 MCP(Model Context Protocol)领域的贡献致谢,并指出在前面介绍了原生 AI 数据库和供开发者构建 Agent 的数据平台之后,听众自然会好奇:Google 是否也在利用这些工具打造开箱即用的第一方 Agent?答案是肯定的。当底层的 AI 原生数据库与预构建的数据 Agent 及工具链结合时,其效能将成倍放大。Google 为此推出了覆盖数据领域所有关键角色的完整 Agent 套件:面向构建者(Builders),提供架构选型与系统设计支持;面向运维人员(Operators),自动化排查慢查询与系统故障;面向业务用户(Business Users),无论是需要获取实时业务洞察的商业分析师,还是在工厂车间需要调取设备维保记录、排查机器故障的流水线工人,都能直接通过自然语言与数据交互。 ```mermaid flowchart TD accTitle: Google 全生命周期预构建数据 Agent 矩阵 accDescr: 展示面向构建者、运维者和业务用户的 Agent 套件及底层工具 subgraph Builders["构建者 (Builders)"] A1["Data Agent Kit (Skills/MCP/扩展)"] A2["AI Studio Vibe Coding (Firestore / Cloud SQL)"] end subgraph Operators["运维者 (Operators)"] B1["数据库可观测性 Agent (Gemini 驱动)"] B2["数据库测试 Agent (变更前后性能对比)"] end subgraph BusinessUsers["业务用户 (Business Users)"] C1["对话式分析 Agent (参数化安全视图)"] end subgraph Underlying["基础底座: AI 原生数据库 (Data Cloud)"] D1["Operational Databases (Cloud SQL, Spanner, Firestore 等)"] end Builders --> Underlying Operators --> Underlying BusinessUsers --> Underlying ``` 为了加速开发者的构建流程,Google 在本周正式发布了 Data Agent Kit。这是一个以生态为导向的开发者体验套件,打包集成了此前 David 演示的 Agent Skills、以 MCP Toolbox 为代表的 MCP Server,以及专为 Data Cloud 量身打造的各类扩展。此外,针对当下流行的“Vibe Coding”(氛围编码),Google 也正在将其旗舰级开发环境 AI Studio 深度集成数据库的原生支持。目前 AI Studio 已经正式支持将 Firestore 作为底层数据库用于全栈应用构建,而对 Cloud SQL for PostgreSQL 的原生支持也即将上线。 - **Data Agent Kit 组成要素**:预构建 Agent Skills、MCP 协议工具箱(MCP Toolbox)、面向 Data Cloud 的专属扩展插件。 - **AI Studio 原生数据库集成**:当前已上线 Firestore;Cloud SQL for PostgreSQL 即将推出。 --- ### [44:54](https://www.youtube.com/watch?v=7awKinJhGPo&t=2694s) 自动化运维:数据库可观测性与变更测试 Agent 针对日常繁重的数据库管理工作,Google 推出了一套由 Gemini 驱动的数据库自动化运维工具链。首先是“数据库可观测性 Agent”(Database Observability Agent),它能自动分担 DBA 和运维团队的底层重活,将数以百万计的复杂运行指标和性能数据点,提炼为清晰直观、可立即执行的洞察建议。这项能力现已延伸至整个 Database Center,使用户能够在 Google Cloud 控制台中对企业全域的数据库资产(Database Estate)实施全局实时监控与健康诊断。 除了日常监控,企业面临的最大痛点之一就是变更管理(Change Management)。不管是应用程序代码的调整,还是数据库底层配置参数的修改,都极易引发未知的性能劣化。为此,Google 推出了“数据库测试 Agent”(Database Testing Agent)。该 Agent 能够在测试环境中自动模拟并评估变更对数据库性能的影响,一键生成更新前(Pre-update)与更新后(Post-update)的配置性能比对摘要,帮助运维团队在上线前消除隐患。 --- ### [45:49](https://www.youtube.com/watch?v=7awKinJhGPo&t=2749s) 赋能业务终端:对话式分析 Agent 与生产实践 面向广大业务用户,Google 在两周前正式推出了“对话式分析 Agent”(Conversational Analytics Agent)。演讲者用极具感染力的语气描述道:“我个人觉得使用对话式分析 Agent 简直是一种神奇的体验。”(“I personally find working with conversational analytics agent a magical experience.”)用户只需登录 Cloud Console,找到 Agent 入口,将其对准某一个正在运行的生产数据库,就可以立即展开自然语言对话。 这彻底打破了业务人员访问实时在线业务数据的技术壁垒。结合 Yannis 此前介绍的参数化安全视图(Parameterized Secure Views),数据安全与权限边界得到了严格保障。无论是商业分析师探索最新业务指标,还是装配线工人查询特定批次设备的检修历史和缺陷分析,都可以在同一个对话界面内安全、敏捷地完成。在企业实际落地方面,通信巨头 EchoStar 旗下的 AMR 团队已经将该对话式分析 Agent 部署在生产环境中,并在提升业务响应速度与决策效率方面取得了极其显著的成效。 --- ### [47:08](https://www.youtube.com/watch?v=7awKinJhGPo&t=2828s) Agentic Data Cloud 三大支柱总结与未来展望 在整场演讲的尾声,演讲者系统梳理了 Google 构建“Agent 驱动的数据云”(Agentic Data Cloud)的三大核心支柱: 1. **AI 原生数据库**:将业界前沿的 AI 能力原生、无缝地融入到底层数据引擎中; 2. **数据 Agent 平台**:为开发者提供最全面、最高质量的 Agent 工具链,尤其是强大的数据自然语言接口; 3. **预构建 Agent 套件**:涵盖研发、运维到业务全流程的开箱即用 Agent,可直接交付给终端用户使用。 为了帮助企业将技术愿景落地,Google 提供了两条清晰的演进路径:其一是数据现代化与迁移支持项目“RAMP Program”,提供专家团队的全程指导;其二是“数据战略研讨会”(Data Strategy Workshop),协助企业将本次大会所学转化为企业内部可执行的规划与行动方案。 在最后的致谢中,演讲者深情地总结了整个数据库行业的历史拐点:“数据库从过去仅仅作为存储数据的地方,转变为驱动 Agent 时代未来的 AI 原生系统,这种转变是我们一代人只能见到一次的变革。”(“The transition from databases, from being just a place where you store data to AI native systems that power the future of agentic era is a shift that we'll see once in a generation.”)他呼吁现场所有技术负责人与开发者积极行动起来,在移动端应用中提交宝贵反馈,并携手 Google 共同开启将静态数据转化为自主智能系统的全新时代。 - **推荐后续分会场**:Yannis 于下午 2:45 主持的高级研讨小组(Discussion Group)及相关深入架构专场。 - **落地支持计划**:RAMP Program(企业数据资产迁移与现代化)、Data Strategy Workshop(定制化数据策略工作坊)。 ## Notable quotes > [09:24](https://www.youtube.com/watch?v=7awKinJhGPo&t=564s) An AI native database doesn't just store data, it natively processes and understands the data using built in AI primitives. — Yannis Papakonstantinou > [47:08](https://www.youtube.com/watch?v=7awKinJhGPo&t=2828s) The transition from databases, from being just a place where you store data to AI native systems that power the future of agentic era is a shift that we'll see once in a generation. ## Mentioned Google, Google Cloud, Anthropic, AWS, Target.com, Hughes Network Systems, EchoStar, Oracle, MongoDB, Amit Ganesh, Yannis Papakonstantinou, David Soria Parra, AlloyDB, AlloyDB Omni, Spanner, Cloud SQL, Firestore, BigQuery, Gemini, Gemini CLI, Claude, Claude Code, TimesFM, ScaNN, pgvector, Model Context Protocol (MCP), MCP Toolbox, Data Agent Kit, Database Observability Agent, Database Testing Agent, Conversational Analytics Agent, Model Armor, AI Studio, BIRD Benchmark ## Video description AI-native databases are essential for powering agents with enterprise data. Learn how they enable highly relevant context, automate operations, and manage risk. In this session, we’ll examine AI-powered search, natural language interfaces, multimodal queries, and graph retrieval-augmented generation (RAG). These move beyond simple retrieval, providing agents with high-fidelity, interconnected context. Discover how open standards like Model Context Protocol (MCP) and agentic IDEs streamline workflows for rapid, reliable deployment of agents. Watch more Google Cloud Next 2026 Sessions → https://goo.gle/gcloud-next-2026 Subscribe to Google Cloud Tech → https://goo.gle/GoogleCloudTech Speakers: Amit Ganesh, Yannis Papakonstantinou, David Soria Parra BRK2-021 #GoogleCloudNext [Source](https://www.youtube.com/watch?v=7awKinJhGPo)

Source quotes

[9:24] Yannis Papakonstantinou: An AI native database doesn't just store data, it natively processes and understands the data using built in AI primitives. [47:08] The transition from databases, from being just a place where you store data to AI native systems that power the future of agentic era is a shift that we'll see once in a generation.