【边界层 · 技术架构】

上周，我做了一个openclaw自动化日报项目来追踪 Data+AI 领域的行业动态。

今天，看到几家大厂密集发布的新动作，却在不约而同地回答另一个更底层的架构命题：企业里的 Agent，到底该站在什么样的数据基础设施之上？

我们先看这几条集中出现的信号：

• 微软（Fabric/FabCon）：发布 Database Hub 和 Fabric IQ，其核心动作是通过 MCP（模型上下文协议）服务器将数据语义层开放给 AI Agent，并宣布 OneLake 的行列级安全机制即将全面可用（GA）。
• Snowflake（Project SnowWork）：宣布将自主 AI Agent 部署到业务用户的桌面，将系统的核心定位从“查询驱动”转向“结果驱动的多步骤工作流自动化”。
• Databricks：持续推进“Data Intelligence Platform（数据智能平台）”战略，并提出将 Data Work 全面 Agent 化的愿景。
• Gartner：在近期的多份报告中，愈发明确地将“语义层（Semantic Layer）”判定为 Agent 就绪数据的关键枢纽。

这些发布看似都在做 AI Agent，实际上它们在争夺的是数据平台的新职责。当以 OpenClaw 为代表的高阶 Agent 在应用层大杀四方时，它们的触手已经不可逆地穿透了应用边界，直接向企业的数据湖和数据仓库等底层延伸。

为什么 CEO 们不再关心查询速度，而开始谈论“业务工作流”？

过去十年，数据平台的竞争极易陷入底层指标的内卷（湖仓一体、存算分离、亚秒级查询）。我们在技术指标上取得了长足进步，但在业务交付的“最后一公里”却遇到了瓶颈。

当前的现状是：底层算得再快，业务侧依然面临着严重的“分析师积压（Analyst Backlog）”。

典型的业务链路是：提需求  等待排期  在 Dashboard 上过滤十几个条件  离开数据系统，回到业务系统去执行操作。

在这个长链路中，数据平台只提供了“查询支撑”，并没有交付“业务结果”。

高阶 Agent 的进场，打破了这个僵局。Snowflake 的 Outcome-Driven（结果驱动）叙事，以及 Databricks 把 Data Work Agent 化的表达，都在把数据平台的价值锚点往“工作完成度”移动。未来的核心竞争指标变成了：“业务用户能否在可信边界内，自主把一件事做完？”

当竞争维度发生转移，如果底层架构依然固守“被动响应 SQL”的定位，就面临着被剥离核心业务流、沦为外围“哑管道”的风险。

被打破的边界：Agent 接管数据栈带来的三大架构重构

当数据平台的用户，从“人类分析师”变成了“高并发、高执行力的机器（Agent）”时，原有的基础设施设计理念必须随之重构。目前来看，主要体现在以下三个硬核方向：

1. 语义层（Semantic Layer）成为核心网关，治理能力前台化

大模型无法准确理解企业底层杂乱的 t_biz_ord_f_0319 宽表。如果直接让 Agent 接入物理表，极易产生灾难性的数据幻觉。 过去，很多平台把语义和血缘当成后台支撑系统；但只要 Agent 开始调用、执行多步流程，语义层就变成了最核心的前台产品能力。这也是微软 Fabric IQ 重点强调“共享语义框架”的原因，没有这层“翻译官”，智能就无从谈起。

2. MCP 协议：AI 时代的“ODBC”

微软原生支持 MCP 服务器，释放了一个极其关键的架构信号。就像当年的 ODBC 让所有软件都能连上关系型数据库一样，现在的 MCP 就是让所有 AI Agent 都能无缝读懂企业数据的超级插头。数据平台正在从一个供人查看的“目的地”，转变为一个支持标准协议的“引擎”。无论企业使用开源 Agent 框架，还是商业化的 AI 助手，都能通过统一标准调取受控的数据资产，彻底打破内部的系统孤岛。

3. 安全防御前置：从应用层下沉到存储层的行列级控制当 Agent 取代人去高频下发复杂 Query 时，传统的依赖于应用层（如 BI 看板）的权限拦截已完全失效。防人易，防高并发的智能机器难。底层的权限模型必须更加统一且坚固。微软此次强调 OneLake Security 的统一模型和即将 GA 的行列级安全，以及 Databricks 强调 Unity Catalog 里的 Governance，都是在响应同一个方向：数据安全和控制的边界，正在加速向计算和存储的底层下沉。

数据团队的角色将被重新“切一刀”

在旧范式下，很多数据团队的需求止步于“帮业务出个数、做个看板、写个 SQL”。接下来，随着平台厂商都在试图缩短“数据到决策、数据到动作”的距离，这套运转模式将被彻底重构。

这绝不是说分析师没价值了，而是意味着数据团队的重心，会越来越多地转向定义语义、设定治理边界、构建可复用的业务上下文，而不是去反复响应低价值的取数工单。这也正是 Snowflake CEO 提出“消除 Analyst Backlog”叙事的弦外之音。

结语与冷思考

方向已经很清楚，数据平台正在进化为 AI Agent 生态中最核心的“数据供应引擎与知识枢纽”。

但作为架构师和从业者，我们在看清趋势的同时，也需要有一个冷静的判断：落地的工程难点，并没有被这些华丽的发布真正解决。

比如，微软这次发布的很多关键能力，仍在 Early Access、Preview 或即将 GA 阶段；Snowflake 的 SnowWork 目前也是 Research Preview 状态；Databricks 的 Genie Code 同样处在新范式建立的早期。大语言模型本身的幻觉问题，以及 Agent 在复杂企业数据环境下的安全性与稳定性，依然是摆在所有人面前的硬骨头。

但这并不妨碍潮水的方向。当业务团队越来越习惯于在桌面上，通过与 Agent 对话来获取数据结论并自动执行后续流程时，我们现在正投入重兵开发的、有着上百个筛选条件的复杂数据大屏，还有多少继续投入的必要呢？

在这场向“数据平台新形态”演进的长跑里，认清靶心，比盲目开枪更重要。

科里（Coralyx），发表于「边界层」2026.03