The Agent Cloud: Databricks’ Bet on the Future of AI — Matei Zaharia and Reynold Xin

Databricks CTO Matei Zaharia 和联合创始人 Reynold Xin 揭示了他们如何通过开源 OmniGen 和推出 L-TAP 架构，将 AI 代理的混乱生态统一到一个可协作、可控制、可扩展的底层平台上，并指出“数据到位 + AGI 层”将成为下一代软件的新范式。

这期内容适合所有 AI 工程师、数据平台从业者、以及正在构建或使用 AI 代理产品的创始人。值得花时间看，因为它直接解答了当前 AI 代理领域最头疼的两个问题：如何让不同代理框架协同工作，以及如何在不牺牲安全性和成本控制的前提下，让代理真正可用。最值得注意的冲突是：一方面，AI 代理的推理能力已经足够好，但另一方面，数据孤岛和缺乏统一的管理层正在成为最大的瓶颈。Databricks 的解决方案不是再做一个新框架，而是做一个“代理的代理”——一个统一 API 和协作层。

这期节目深度对话了 Databricks 的两位核心人物：CTO Matei Zaharia 和联合创始人 Reynold Xin。他们围绕 Databricks 最新发布的两大核心产品——开源 AI 代理平台 OmniGen 和全新数据库架构 L-TAP——展开讨论。核心议题是：当 AI 代理的推理能力已经足够强大时，真正的瓶颈在哪里？答案是数据的管理、代理的协作、以及安全与成本的控制。他们分享了从内部开发经验中提炼出的产品哲学，以及如何通过“统一存储层”而非“统一引擎”来解决 OLTP 与 OLAP 的世纪难题。

1. AI 代理的瓶颈不是模型，而是数据与协作。 当前 AI 模型的推理能力已经相当不错，但要让代理真正有用，关键在于“把数据放到正确的位置”。没有正确的数据，再强的 AGI 也无法施展。同时，代理的协作能力（如共享会话、历史记录、搜索）是决定其能否从“个人玩具”变成“团队工具”的关键。
2. OmniGen 不是又一个代理框架，而是“代理的代理”。 它解决的核心问题是：不同团队用不同框架（Claude Code、Codex、OpenAI SDK 等）构建的代理，如何在一个统一的平台上运行、共享和协作。它提供了一个统一的 API 和服务器端，让用户可以在一个地方管理所有代理，而无需关心底层是哪个模型或框架。
3. 安全与成本控制需要“上下文感知”的策略。 传统的“允许/禁止”二元策略在 AI 代理时代完全不够用。OmniGen 引入了“上下文策略”，可以跟踪代理会话的状态。例如，如果代理刚刚读取了大量机密文档，那么它就不能再执行“发布到网站”的操作。同样，它也可以跟踪会话内的 token 消耗，允许用户为子代理设置预算上限。
4. L-TAP 是 HTAP 的“正确实现方式”。 传统的 HTAP（混合事务/分析处理）试图用一个引擎同时处理 OLTP 和 OLAP 两种截然不同的工作负载，结果往往是两边都做不好。L-TAP 的思路是：统一存储层，而不是统一引擎。让 OLTP 数据库（如 Neon）直接以列式格式（如 Parquet）将数据写入数据湖，这样分析引擎（如 Spark）可以直接读取，无需任何 CDC 管道，实现数据的“零延迟”可用。
5. 创新文化比技术本身更重要。 无论是 OmniGen 还是 L-TAP，其关键突破都源于工程师的“自发原型”。L-TAP 的诞生甚至没有正式的设计文档，而是两位创始人在会议室争论时，一位工程师直接动手验证了可行性。这种“先做出来再说”的文化，是大型公司保持创新活力的核心。

“把数据放到正确的位置，然后在上面加一层 AGI，魔法就会发生。”

这对 AI 从业者，尤其是做 AI 产品（如 Agent、Copilot）的团队，有几点非常具体的启发：

1. 别只卷模型，卷“数据管道”和“协作层”。 很多 AI 创业公司把精力都花在调优模型或构建花哨的 UI 上，但忽略了最基础的数据基础设施。如果你的 Agent 无法安全、实时地访问到公司内部的核心数据库（如订单、库存、日志），它的能力上限会非常低。L-TAP 的思路提示我们，也许应该反过来思考：如何让数据基础设施原生地支持 AI 代理的读取需求，而不是让代理去适配现有的数据孤岛。
2. “代理管理平台”是一个巨大的机会。 随着企业内部使用不同代理框架的团队越来越多，一个能统一管理、监控、审计所有代理的平台将变得不可或缺。这不仅仅是 IT 部门的需求，更是安全合规和成本控制的核心。OmniGen 的开源，实际上是在定义这个新赛道的标准。
3. 安全策略需要从“静态规则”进化到“动态上下文”。 如果你的 AI 产品需要处理敏感数据或执行关键操作，请务必考虑“上下文策略”。这比简单的“白名单/黑名单”要强大得多，也更能平衡安全与用户体验。这本质上是一个“状态机”问题，值得在产品设计初期就纳入考量。
4. “先原型，后文档”的工程文化。 对于 AI 产品团队，鼓励工程师快速验证想法，而不是陷入漫长的设计评审，可能是加速创新的关键。尤其是在技术快速迭代的当下，一个周末就能跑通的 demo，可能比一份写了两周的 PRD 更有价值。