从湖仓到智算如何构建 AI-Native 的云原生湖仓架构 | IFclub 分享回顾

该文章来自 吴炳锡 在 IFClub 福州站分享回顾。

过去这些年，企业建设数据平台，基本都围绕几个关键词展开：存储、计算、分析、成本。所以我们看到了从单机数据库到 Hadoop，再到湖仓一体的持续演进。每一次升级，本质上都在解决同一个问题：如何更高效地管理越来越多的数据。但 AI 的出现，让这件事开始变得不一样。 今天企业真正关心的，已经不只是“数据能不能存、能不能查”，而是数据能不能更高效地被 AI 理解、调用，并最终转化为业务结果。这也是为什么，很多团队明明已经完成了湖仓建设，在当前 AI 时代却依然会觉得现有的数据底座“不够用了”。

湖仓解决了很多问题，但没解决 AI 的问题

湖仓一体解决了存储和分析的问题，却没有天然解决 AI 落地时最麻烦的那部分工作。因为在真实业务里，最有价值的数据并不总是整齐地躺在表里。PDF、日志、文档、图片、账单、聊天记录、录音，这些非结构化数据才是企业知识、流程和经验的主要载体。但在传统架构里，它们往往分散在对象存储、文件系统和业务应用中，很难和结构化数据一起被统一分析。

于是很多 AI 项目一上来就会进入熟悉的流程：

• 先抽取文件
• 再做 OCR 或解析
• 再做清洗
• 再调用模型
• 再做向量化
• 再入向量库

最后再回头和数仓里的结构化数据做关联 流程当然能跑，但问题也很明显：

• 链路太长
• 数据搬运太重
• 副本越来越多
• 系统之间耦合越来越复杂

一旦业务场景增加，维护成本就会快速上升 所以很多企业并不是缺一个模型，而是缺一个真正适合 AI 工作方式的新型数据底座。

这次分享里提出的一个关键判断是：

AI-Native 数仓，不是给传统数仓加一个大模型接口，而是从底层开始，让 AI 成为数据系统的一等能力。

如果进一步拆开看，它至少意味着三件事。

第一，数据系统要天然支持多模态。

未来的数据平台不能只围绕结构化表设计。JSON、文本、向量、文档，甚至文件本身，都应该进入同一套处理和分析体系。只有这样，AI 才能真正建立在企业完整的数据上下文之上。

第二，AI 要尽量靠近数据，而不是让数据反复搬家。

过去很多链路的问题，并不是模型能力不够，而是数据离模型太远。解析、抽取、向量化、分析，如果都要靠外部服务拼接，复杂度会非常高。更合理的方式，是把更多能力沉到数据系统附近，让链路变短，让执行更统一。

第三，Agent 不该绕开数仓，而应该直接调用数仓能力。

未来很多交互会从自然语言开始，但自然语言只是入口。真正决定结果质量的，是 Agent 背后有没有可靠的工具链。如果模型只靠自己猜，结果很难稳定；如果它能调用 Databend 这样的湖仓产品进行精确计算，整个系统的可靠性就会高很多。

两个例子，AI4DB & DB4AI 在 Databend 中整合

AI4DB: HR 做简单筛选及候选人推荐。

每天面对海量的简历及人员，如何能高效的找到千里马呢？

利用 Databend 一个 SQL 把非结构化的简历，半结构化及向量的资源，供后续的 AI 使用：

在此基础上，后续流程就会清晰很多，形成资产后，可以让 AI 用自然语言从资产表中去利用全文搜索 + 向量检索，针对推荐的候选人，再加上 HR 的招聘要求，让 AI 打分推送。可以下面的视频：

该案例小结：

利用 AI 完成数据清洗和核心信息提炼，可以让原本混乱的非结构化数据变得更易读、也更易用。同样结合 Databend 本身的全文检索，json 能力，vector 能力，给 AI 提供一条高效的数据处理通路。两者结合给出一个更完全的解决方案。

DB4AI 利用 Databend 去分析阿里云的账单

云平台会提供丰富的报表和账单，帮助你了解费用花在了哪里，但从来不会讲你花的这次钱有没有浪费。我们面对这些账单天生字段多、结构复杂，又难于分析。如果直接把原始数据丢给大模型，很容易出现幻觉，也容易受到上下文窗口限制。更好的方式，是让模型负责理解问题，让数仓负责做聚合、筛选和计算。模型和 Databend 这样的分析引擎协同起来，才能真正把“会回答”变成“答得准”。接下看视频给演示了账单加到 Databend 后 , AI 基于 mcp_databend 调用进行账单分析。

在 https://app.databend.cn/  注册后可以直接体验，熟练人员大概 10 分钟就能完成。如果你对想利用 Databend Cloud 分主析云账单，获得支持也可以微信加到：Databend  获得支持。

该案例小结：

• 业务挑战：阿里云账单位明细极其复杂。大模型直接读取存在严重“幻觉”问题与上下文 Token 限制
• 破局思路：大模型利用 MPC 访问 Databend 提供结构化数据，让 LLM 的意图推理与 Databend 的极速 OLAP 算力完美结合与协同，发挥出更大的威力。无须关注数据长度 & 无须关注分区 & 无须关注索引

从“湖仓”到“智算”，真正变化的是角色

很多人会把这件事理解成一次技术栈升级，但它更深层的变化，其实是数据平台角色的变化。过去，数据平台更像一个“冷库”和“加工厂”。现在，它开始变成业务的智能计算底座：

• 不只是存数据，也要理解数据
• 不只是支撑分析，也要支撑 Agent 调用
• 不只是回答过去发生了什么，也要参与下一步行动 这就是“从湖仓到智算”真正想表达的东西。

AI 时代的数据平台竞争，最终比的不会只是性能和成本，还会比谁更能把数据、模型和计算放进一个统一而高效的协作体系。对企业来说，真正重要的不是多接了一个模型接口，而是有没有能力让数据底座从“支撑分析”走向“支撑智能执行”。 这件事，值得所有正在重做数据平台的人重新思考一遍：未来的 AI-Native 云原生数据底座，究竟该如何建设？

关于 Databend

Databend 是一款 100% Rust 构建、面向对象存储设计的新一代开源云原生数据仓库，统一支持 BI 分析、AI 向量、全文检索及地理空间分析等多模态能力。

期待您的关注，一起打造新一代开源 AI + Data Cloud。

👨‍💻‍ Databend Cloud：https://databend.cn

📖 Databend 文档：https://docs.databend.cn

💻Wechat：Databend

✨GitHub：https://github.com/databendlabs/databend