大模型能力日益精进，当使但 Agent 仍缺失一套关键的用企业数云重「实时感知系统」。

作者｜连冉
编辑｜郑玄

过去一年，据的基础Agent 跃升为 AI 领域的从人核心热词。

从自动化编码、变成信息整合到端到端执行复杂任务，阿里行业正见证 AI 从单纯的做套「问答交互」向「工作执行」演进。

然而，设施当 Agent 深入企业生产环境，当使一个严峻问题浮现：Agent 的用企业数云重最终效能，根本取决于数据质量与流转效率。据的基础即便模型再强大，从人若输入数据滞后、变成碎片化或不同步，阿里其价值也将大打折扣。做套

现实世界不会等待 AI 准备就绪。

金融市场瞬息万变，直播间内容实时生成，企业系统每日产生海量日志、交易记录及用户行为数据。对于真正投入工作的 Agent 而言，挑战不仅在于生成答案，更在于动态环境中持续获取信息、洞察变化并做出决策。

这意味着，企业级 Agent 的形态必须进化：从传统的「用户提问-AI 回答」对话式交互，转向由真实世界事件持续驱动的 Event-driven Agent（事件驱动型 Agent）。

在 Flink Forward Asia（FFA）2026 大会上，阿里云宣布 Apache Flink 全面进入 Agentic Streaming（代理流式计算）时代。这一举措直击两大命题：AI 正从对话交互迈向事件驱动；Agent 的核心竞争力，本质上是数据供给质量与流转效率的较量。底层数据基础设施的升级，已从「可选项」变为「必选项」。

过去支撑业务决策的实时数据流系统，正成为 AI Agent 连接物理世界的核心入口。

01 大模型之后，数据基础设施亟待重构

在传统的 BI（商业智能）和实时计算时代，数据基础设施的核心使命是帮助企业更快速地理解「已发生之事」。

以 Flink 为代表的实时计算系统，旨在处理不断产生的数据流：将订单变更、用户行为、交易记录、系统日志等结构化数据，通过实时计算转化为业务决策所需的信息。

在此阶段，数据的主要使用者是人——数据工程师编写任务，分析师查看报表，业务人员基于结果进行判断。

随着 AI 深入生产环境，数据基础设施正面临范式转移。

阿里云开源大数据平台负责人王峰指出，Flink 向 Agentic Streaming 演进，是流计算技术优势与 AI 时代需求深度融合的结果。过去，流计算解决的是数据的「实时流动」问题；而在 Agent 时代，核心任务是让智能系统持续「感知」现实世界。

变化首先源于数据形态的演变。

过去，企业数据主要围绕数据库和业务系统产生的结构化信息；而在 AI 时代，大模型和 Agent 处理的数据边界迅速扩张。文本、图像、音频、视频、传感器信号，以及来自各业务系统的实时事件，均成为 AI 理解世界的关键要素。

王峰强调，过去系统主要处理日志、订单、交易等数据，未来则需承接摄像头、车联网、直播流、消息队列中持续产生的信息。数据规模并非简单线性增长，而是从单一形态走向全模态，从静态信息走向动态事件。

更深层的变化在于数据使用者的身份转换。

过去，数据最终服务于人：工程师写 SQL，分析师做洞察，运营定规则。进入 Agent 时代，数据开始直接服务于AI 系统。一个成熟的 Agent 并非被动等待用户输入，而是需要持续获取新鲜、准确、完整的数据，并根据环境变化动态调整判断。

这也解释了为何 Agent 的能力上限，日益受制于背后的数据质量与处理效率。

大模型提供了理解与推理能力，但若 Agent 无法及时获取正确的上下文，便难以介入复杂业务。无论是智能运维、金融风控还是内容分析，本质上都要求 AI 能够承接现实世界不断涌现的事件，并基于变化采取行动。

因此，AI 时代数据基础设施的核心命题正在转变：从过去的「如何及时将数据送达人手」，转变为「如何让数据持续驱动智能」。

这正是 Flink 迈入 Agentic Streaming 时代背后的核心逻辑。

02 从实时计算到 Agent，Flink 重构 AI「基础设施层」

当前行业讨论的 Agent，多集中于编程助手、个人效率工具等场景，本质仍是「人提出需求，AI 完成任务」的对话式交互，触发源始终是人。但在广阔的企业生产场景中，绝大多数触发源是系统自发产生、永不停歇的事件。

王峰认为，未来 To B 领域将开辟独立赛道——事件驱动型 Agent。它无需人工发起对话，而是由海量持续产生的业务事件触发，实现 7×24 小时自主运行、异步响应与自主决策，是真正嵌入生产流程的 AI 形态。

此类 Agent 已在多个场景验证价值：

• 智能运维：企业 IT 系统每秒产生海量日志、指标与异常事件。传统方式依赖人工运维和固定规则，而事件驱动 Agent 可实时收集全量运行数据，结合大模型诊断性能瓶颈，自动调整资源并发并实现故障自愈。阿里云内部已实现「用 Flink Agent 运维 Flink」，数千个计算任务的扩缩容与异常修复全程无需人工介入。
• 金融风控：固定规则负责前置过滤以保证低延迟，大模型则对可疑事件进行深度研判，识别隐蔽作弊与风险。这种「规则+模型」的混合模式，兼顾了效率与精度。
• 直播场景：视频流、弹幕流、用户行为流多路数据并发，Flink 可在同一流水线内完成抽帧理解、解说词生成、弹幕意图识别，并实时调整解说风格与输出形式。

Flink 支撑此类场景的核心，在于将其沉淀十余年的流计算原生能力，转化为 Agent 运行的基础底座。

王峰指出，这是 Flink 与主流多模态计算引擎的核心差异：许多引擎擅长处理离线批量的多模态数据，而 Flink 作为纯流式引擎，既能承接存量批量数据，也能对接无限流淌的实时数据流，场景覆盖更广。其流水线架构实现了 CPU 与 GPU 的全链路流水运转，数据不落盘、网络直传，确保 GPU 资源持续满负荷运行。

此外，原生状态管理与多流对齐能力也是关键优势。王峰解释，这部分能力源自流计算的原生积累——BI 时代沉淀的分布式状态管理系统，可直接复用为 Agent 的短期记忆载体，并对接外部向量数据库承载长期知识，无需从零搭建上下文体系。而水位线、窗口机制天然解决多模态数据速率不一致、到达时间差的问题，将多路数据按时间轴精准对齐，避免 AI 获取碎片化的「拼图」。

除计算能力外，Agent 的持续运行还需稳固的存储底座。这也是 Flink 生态正在补齐的关键一环——由 Flink 社区孵化的 Apache Paimon与 Apache Fluss共同构成的 Agentic Lake，实现了湖流一体的完整架构：

• Paimon：作为下一代流式数据湖，负责全模态数据的沉淀与统一管理；
• Fluss：作为专用流存储系统，负责实时数据流转与 Agent 上下文供给。

两者双向自动互通，一个管「数据沉淀」，一个管「实时输送」，确保 Agent 始终拥有新鲜、完整的上下文，形成从存储到计算的完整闭环。

事实上，To B 生产级 Agent 对可靠性的要求远高于消费级产品：个人 Agent 出错可重启，但承载业务的 Agent 必须支持 7×24 小时稳定运行及故障自愈。这正是 Flink 多年企业级场景沉淀的核心长板。

归根结底，Agent 从 Demo 走向生产，瓶颈在于能否在业务中长时间、稳定、可靠地运行。Flink 旨在通过孵化 Flink Agents项目，将其多年沉淀的可靠性、一致性与容错能力，转化为事件驱动 Agent 的通用运行底座——即 Streaming Agent-OS。

03 Agent 时代，基础设施竞争方兴未艾

回顾技术产业竞争脉络：云计算时代，企业比拼计算与存储的资源效率；大模型爆发初期，行业关注参数规模与榜单成绩；而当 AI 真正深入业务落地，竞争重心正从「大脑有多聪明」转向「能否持续感知真实世界」。

Flink 提出 Agentic Streaming，本质上是对实时计算的重新定义。

它不再仅是大数据团队的专用工具，而是 AI 时代的通用基础软件：
* 向上：通过全模态数据流处理，为大模型输送高质量的实时燃料；
* 向内：通过 Streaming Agent-OS，支撑事件驱动 Agent 的稳定运行；
* 向下：通过 Agentic Lake 的湖流一体架构，筑牢永远在线的数据底座。

王峰透露，Flink 开源社区项目管理委员会已在推进 3.0 版本规划，面向 AI 与全模态的升级已成为全球社区共识，国内外多家头部科技公司参与共建。从计算引擎到存储生态，整个技术栈正围绕 Agent 场景持续演进。

如果说大模型是 AI 的「大脑」，负责思考与决策，那么一套完整的实时数据体系就是 AI 的「神经系统」——它持续感知外界变化，将分散信号整理为有序信息，精准传递给大脑，并将决策同步至执行端。Flink 正在做的，正是夯实这套神经系统的基础设施。

大模型的能力迭代仍在继续，但 AI 应用的竞争，已从单点模型能力扩展至全链路系统能力。未来能真正规模化落地千行百业的 Agent，依靠的不仅是更聪明的模型，更是足够稳定、高效、实时的数据底座。

从这个角度看，AI 与 Agent 基础设施的竞争，才刚刚拉开序幕。

*头图来源：阿里云 FFA

本文为极客公园原创文章，转载请联系极客君微信 geekparkGO