企业 AI Agent 仅依靠知识库无法满足业务需求时该选用哪些云上数据服务搭建数据层与记忆层AWS 分层数据架构选型方案企业落地 AI Agent 项目时普遍会以接入文档知识库作为起步方案依托产品手册、管理制度、操作指引以及历史归档资料实现智能问答能力。 但知识库的核心能力局限于从存量静态资料内检索匹配信息。当企业要求 AI Agent 调取实时业务数据、持续追踪任务进度、调用业务系统执行操作、记忆用户行为偏好乃至主动更新业务数据时单纯接入知识库的模式便会显现能力短板。可投产落地的企业级 AI Agent必须打通多类数据源涵盖企业知识文档与各类非结构化资料客户、订单、库存等结构化业务数据数据湖与全域分析平台实时流式数据流业务工具以及外部 API 接口实时运行的任务状态短期会话记忆与长期跨会话记忆。由此可见企业需要搭建的并非孤立运行的 RAG 知识库而是一套支撑 AI Agent 检索数据、使用数据、写入数据、留存记忆的云上全域数据底座。 依托 AWS 服务生态企业可整合 Amazon S3、Amazon S3 Tables、AWS Glue、Amazon Athena、Amazon Redshift、Amazon Aurora、Amazon DynamoDB、Amazon ElastiCache、Amazon OpenSearch Service、Amazon S3 Vectors、Amazon Bedrock AgentCore Memory 等组件搭建分层式数据架构与记忆架构。一、仅部署知识库AI Agent 为何很快触及能力上限传统 RAG 知识库适配内容长期稳定的场景例如员工规章制度、售后政策规范、技术白皮书、产品介绍文案、历史服务案例等。 但企业经营中的大量业务问题无法依靠静态文档完成解答。 举例而言客户咨询订单迟迟未发货的缘由Agent 不能只调取物流规章制度还需要读取订单状态、库存余量、物流运输明细 销售人员想要识别本月具备流失风险的客户群体Agent 需要整合客户活跃度、签约合同、服务工单、产品使用行为做综合分析不能仅检索客户管理手册 运营人员需要定位昨日某区域销量下滑的诱因Agent 必须对接数据仓库、数据湖完成指标拆解、多维度查询与横向对比。这足以说明知识库仅仅是 Agent 整体数据体系的组成部分。2026 亚马逊云科技中国峰会《Agentic AI 的数据之道Agent 自己找数据、记数据、管数据你准备好了吗》一文将 Agent 对接数据的路径划分为七大类型知识库 RAG、分析引擎、业务数据库、流式实时数据、湖仓体系、外部 API、记忆管理模块。企业可将 Agent 所需数据划分为五大类别知识数据各类文档、网页资料、管理制度、产品素材业务数据客户档案、订单合同、库存信息、账户状态、交易流水分析数据运营指标、统计报表、历史明细、跨系统汇总数据实时数据设备采集遥测数据、用户点击流、系统日志、事件消息状态与记忆数据会话状态、任务推进进度、工具返回结果、用户长期偏好。不同类型数据的更新频率、检索模式、权限体系均存在差异不可全部集中存入同一知识库或向量数据库。二、第一层业务数据层赋能 Agent 读写真实业务状态企业 AI Agent 想要从被动问答升级为主动执行业务动作首要环节便是对接真实业务系统。 典型业务数据范畴包含 客户档案、订单及合同资料、产品库存数据、账户状态、售后工单记录、审批任务进度、系统配置信息、Agent 任务执行结果。 该类数据具备结构化特征处于持续更新状态部分业务场景还要求 Agent 回写数据诸如新建工单、修改预约信息、更新任务状态、提交审批单据等。Amazon Aurora适配关联性核心业务数据 若企业业务数据具备明确关联关系并且需要事务处理、条件筛选、多表关联查询可选用 Amazon Aurora。 例如客服 Agent 先核验客户身份再关联调取订单、付款记录、售后工单销售 Agent 联动客户资料、签约合同、产品台账、跟进记录开展整合分析。 Amazon Aurora 同时支持向量字段与结构化字段混合查询因此企业想要将客户资料、业务字段、语义信息收纳至统一数据模型时Aurora PostgreSQL 是优选方案。Amazon DynamoDB适配高并发状态数据与键值存储场景 会话状态、任务推进节点、Agent 故障检查点、用户个性化配置、高并发键值读写场景适配 Amazon DynamoDB。 这类数据无需复杂多表关联逻辑但要求毫秒级读取、弹性扩容并且能够依托用户 ID、会话 ID、任务 ID 精准定位。 例如多步骤执行的 Agent每完成一段动作即可更新任务状态即便进程中断重启系统读取检查点即可接续执行无需从头运行全部任务。Amazon ElastiCache承载高频访问数据与临时状态 频繁读取的会话上下文、热门检索结果、临时运算结果可借助 Amazon ElastiCache 搭建高速缓存层。 该服务适合需要极速响应、无需长期持久化保存的数据。比如 Agent 单次任务内反复调取同款产品资料系统优先读取缓存内容减少后端数据库重复访问压力。综上业务数据层不能只采用单一数据库结构化业务数据、高并发状态数据、临时缓存数据应当分别匹配对应的存储服务。三、第二层数据湖仓层让 Agent 全域调取跨系统数据业务数据库一般依附单一应用搭建随着企业业务系统持续增多客户、产品、供应链、财务、运营数据分散在各个平台。 倘若 Agent 仅能访问单一业务数据库便无法开展跨部门联合分析。在此背景下企业需要搭建统一湖仓架构集中治理、查询、整合多来源数据。 在 AWS 架构体系中依托 Amazon S3、Amazon S3 Tables 承载原始数据搭配 AWS Glue、Amazon Athena、Amazon Redshift 补齐数据处理与分析能力。Amazon S3构筑企业全域规模化数据底座 Amazon S3 可兼容结构化、半结构化、非结构化全类型数据涵盖业务明细、系统日志、图片文件、文档资料、历史归档数据。 其核心价值不只是存储文件而是支撑各类计算、分析组件共用一份原始数据源。 针对企业 AI Agent 场景Amazon S3 数据湖作为跨系统数据统一载体知识库、分析引擎、机器学习链路、Agent 工具均可按需调用湖内数据。 峰会演讲《高性能存储加速生成式 AI》将数据底座、长期记忆、知识库、实时数据流、短期工作记忆统一纳入 AI Agent 整体存储架构明确存储体系是 Agent 的外部大脑。Amazon S3 Tables 搭配 Apache Iceberg适配动态更新的湖上表数据 企业数据湖内的数据并非静态只读订单状态、产品信息、测试结果、运营指标都会动态变更。 Amazon S3 Tables 结合 Apache Iceberg能够以数据表模式管理湖内数据适配数据分析负载的数据组织形式。 当 Agent 需要追溯数据历史变更、读取最新业务数据或是多套分析组件共享统一数据表时湖上表架构相比零散文件存储更适配生产环境落地。AWS Glue负责数据集成、元数据目录与加工处理 各类业务数据汇入数据湖之后还需要完成抽取、清洗、转换、元数据管控流程。 AWS Glue 承担 ETL 数据加工工作依靠 AWS Glue Data Catalog 统一管理数据表、字段、数据存储位置。如此一来Agent 与分析工具无需反复识别数据存放位置与字段释义。 在 Agentic AI 架构中元数据至关重要Agent 需要先探查可用数据源、读懂数据表结构与业务含义再选用合理方式执行查询。四、第三层分析查询层支撑 Agent 完成复杂数据推理问答知识库检索只会返回片段式关联文本而企业数据分析需要完成计算、筛选、聚合、对比运算。 当用户提出下述问题时Agent 必须调用专业分析引擎 本月销售额下滑的深层诱因、故障率异常攀升的产品清单、不同区域客户流失率差异、各类工单平均办结时长、某业务指标近半年波动趋势。Amazon Athena直接基于数据湖开展即时查询 Amazon Athena 支持使用 SQL 语句查询 Amazon S3 湖内数据企业不必为每一次分析需求单独新建数据库。 面向数据湖临时探查、自然语言转数据分析、日志排查、跨数据集探索场景Amazon Athena 具备极高灵活性。 Agent 可将自然语言问题拆解为数据查询任务通过受控工具调用 Athena 获取运算结果。对比把整张数据表灌入大模型上下文的模式该方案适配海量数据场景模型仅接收查询结果而非完整原始数据。Amazon Redshift面向企业级数仓与规模化分析场景 若企业已搭建成熟指标体系需要处理海量数据分析、复杂报表、高频业务查询可部署 Amazon Redshift。 该服务适合归集跨部门数据至统一分析平台向上游 Agent 输出经过治理的标准数据服务。 企业还可通过预设查询语句、数据 API、语义指标层让 Agent 调取标准化业务指标规避模型自由拼接未经校验的计算逻辑引发错误。Amazon Athena Apache Iceberg 组合方案 企业以 Amazon S3 为底层底座采用 Apache Iceberg 管理湖内数据表时可借助 Amazon Athena 实现湖表查询。 这套组合方案能够同时兼容传统 BI 分析、机器学习训练、AI Agent 三类业务底层数据源完全统一上层各类应用按需选取计算模式。五、HP Nova 落地实践启示先搭建统一数据底座再迭代 Agent 上层能力在 2026 亚马逊云科技中国峰会《Athena IcebergAI Agent 的数据底座实战》分享环节HP Nova 团队介绍了自身数据架构三次迭代历程。 初期团队数据分散部署在多套本地系统与独立管理平台数据处理脚本零散碎片化传统报表仅面向人工查看无法支撑 AI 应用调用。 后续团队率先完成业务系统上云依托 Amazon S3、Apache Iceberg、AWS Glue Data Catalog、Amazon Athena 搭建统一数据底座。原有传统 BI 组件可沿用这套数据源机器学习任务、大模型自然语言查询同样能够复用底层数据。统一数据底座建成之后架构升级为中心化数据平台结合基础设施即代码、工作流编排机制优化新数据源接入流程与平台运维效率。该实践带来核心启示企业切勿为每一款新增 Agent 单独搭建一套独立数据体系。 正确思路为先汇聚全域分散数据打造开放统一的数据底座再将 BI、机器学习、知识库、各类 Agent 接入共享底座。即便上层 Agent 应用快速迭代更新底层数据架构无需反复重构改造。六、第四层实时数据层赋能 Agent 捕捉动态业务变化数据湖与数据仓库多用于历史数据分析场景但不少业务场景下的 Agent必须实时感知正在发生的业务动态。 典型实时监测场景包含设备温度骤然攀升现有库存数值跌破安全库存阈值用户最新操作行为记录交易行为触发风控规则物流运输节点状态变更系统新增异常日志信息。此类实时数据经由 Amazon Kinesis 或是 Amazon Managed Streaming for Apache KafkaAmazon MSK接入实时数据流链路后续依托 AWS Glue、Apache Spark、Apache Flink 等组件开展流式加工处理。无需将全部原始实时数据流直接推送至 Agent行业最优方案为先借助流计算完成数据过滤、聚合运算、事件识别动作仅将和当前业务任务相关的处理结果下发至 Agent。 举例说明系统预先判定设备指标是否触碰异常阈值唯有异常事件产生时才唤醒运维类 Agent。该模式既能避免海量无效数据涌入大模型上下文也能防止 Agent 被不间断的流式数据占用算力。七、第五层知识语义检索层知识库具备实用价值但不可独立部署知识库并非失去作用而是必须和其余各层数据架构协同联动。 Amazon Bedrock 知识库能够对接各类数据源与向量存储组件搭建企业专属 RAG 检索链路。结合落地场景差异底层可搭配下述存储服务Amazon OpenSearch ServiceAmazon Aurora PostgreSQLAmazon Neptune AnalyticsAmazon DocumentDBAmazon RedshiftAmazon ElastiCache for ValkeyAmazon S3 Vectors各服务分工各不相同 Amazon OpenSearch Service适配语义检索 关键词检索的混合检索模式多用于线上知识问答场景 Amazon Aurora PostgreSQL支持向量数据与客户、订单、权限、产品结构化字段联合检索 Amazon Neptune Analytics适配 GraphRAG 场景可完成实体关联分析、推理路径推演 Amazon S3 Vectors面向海量低频访问、成本敏感型向量数据存储可与在线向量数据库搭建冷热分层存储架构。基于分层架构各司其职的逻辑由知识库解答业务规则类问题业务数据库反馈业务实时状态分析引擎解析数据波动成因最终由 Agent 整合多方信息生成执行方案。八、第六层短期状态层与长期记忆层保障 Agent 连贯执行多阶段任务数据层决定 Agent 可访问的企业全域数据源记忆层则管控 Agent 在会话、连续任务中留存的有效信息。1.短期状态数据短期状态覆盖内容 当前对话上下文、任务推进进度、工具调用返回结果、阶段性分析数据、多步骤任务执行状态、异常中断后的恢复检查点。 依据读写特征该类数据可存储至 Amazon DynamoDB、Amazon ElastiCache、Amazon S3 Files 及其他状态存储组件。2.长期记忆数据长期记忆涵盖范畴 用户长期行为偏好、已经核验确认的事实信息、历史任务执行结果、过往操作沉淀的经验、跨会话场景需要复用的数据。 Amazon Bedrock AgentCore Memory 负责统一管控短期状态与长期记忆完成记忆存储、检索调取、跨会话复用全流程管理。 海量低频历史语义记忆可存入 Amazon S3 Vectors 构建离线长效存储层近期高频调取的记忆数据则搭配 Amazon OpenSearch Service、Amazon Aurora PostgreSQL、缓存服务搭建在线快速召回层。3.缓存体系2026 亚马逊云科技中国峰会专题演讲将 Agent 缓存划分为查询缓存、语义缓存、状态缓存三大类别。 缓存机制能够降低接口响应时延、减少大模型重复调用频次、缓解后端数据库整体负载。 应用场景多名用户提出高度近似的业务问题时Agent 可复用已生成并校验完毕的回答结果同一任务反复调取相同业务数据时优先读取缓存内容。九、数据治理工作需前置布局不可在 Agent 上线后补充建设Agent 可访问的数据范围越广越需要清晰划定数据访问边界。 企业务必落地以下治理要点限定 Agent 能够检索探查的数据源范围划分不同人员的数据字段访问权限对敏感数据执行脱敏处理规范数据查询所使用的身份凭证实现数据来源、加工流程全程可追溯管控 Agent 修改原始业务数据库的权限留存 Agent 生成结论所引用的数据来源针对误操作行为完成审计追踪与回滚操作。在 AWS 整套数据架构体系内依靠 AWS Glue Data Catalog 统一管理元数据与数据存放位置借助 AWS Lake Formation 在数据湖层面实现精细化权限管控。 峰会分享《Agentic AI 的数据之道》提及数据消费端聚焦数据质量、数据可发现能力、访问权限、安全管控、低延迟访问五大维度数据生产端依靠数据流、ETL 加工、数据质量校验、数据目录、治理组件把原始数据加工成可供 Agent 调用的数据产品。由此可见企业不能简单分配数据库账号任由 Agent 自由查询数据表。安全稳妥的实施方案为为 Agent 配置受控数据工具、预设查询语句、专用 API 接口将身份认证、权限校验、审计流程内嵌至整体调用链路之中。十、企业选型 AWS 数据层、记忆层服务的六步判断法则企业可通过六大核心问题完成服务选型匹配Agent 仅需解答知识性问题还是需要调取实时业务状态 仅解答制度、产品、文档类问题以 Amazon Bedrock 知识库搭配向量检索组件作为起步方案 如需读取客户、订单、库存、任务实时状态接入 Amazon Aurora、Amazon DynamoDB 等业务数据库服务。Agent 是否存在跨系统数据分析需求 企业业务数据分散在多套应用系统时优先依托 Amazon S3、Amazon S3 Tables、AWS Glue、数据目录搭建统一全域数据底座。Agent 是否要开展深度复杂数据分析 数据湖临时灵活查询选用 Amazon Athena成熟稳定、高频运行的企业级数据分析场景推荐 Amazon Redshift。Agent 是否需要对接并处理实时事件流 涉及日志解析、设备时序数据、消息流处理场景部署 Amazon Kinesis 或 Amazon MSK搭配流式处理组件完成事件识别。Agent 是否需要跨会话记住用户特征与历史任务 采用 Amazon Bedrock AgentCore Memory 统一管理长短记忆再结合数据体量搭配 Amazon S3 Vectors、Amazon OpenSearch Service、Amazon Aurora PostgreSQL、Amazon DynamoDB、Amazon ElastiCache 组合部署。Agent 是否拥有修改业务数据的权限 若 Agent 需要创建订单、新增工单、提交审批单据必须经由受控 API、工具调用模式执行写入操作严禁直接开放底层数据库写入权限。十一、AWS 核心优势打通知识、数据、动作、记忆的完整业务闭环企业 AI Agent 实现规模化落地的完整链路分为四大环节依托知识库与企业全域数据源检索所需信息借助分析引擎解析业务数据的变化规律通过工具接口、外部 API 执行业务操作动作将任务状态、关键执行结果持久化写入记忆体系。在这套闭环架构中AWS 并非提供单一独立的知识库产品而是一套可灵活拼装组合的数据服务矩阵Amazon S3、Amazon S3 Tables承载企业统一数据底座AWS Glue负责数据集成加工、元数据目录管理Amazon Athena、Amazon Redshift提供多场景分析查询能力Amazon Aurora、Amazon DynamoDB、Amazon ElastiCache支撑业务数据存储与实时状态读写Amazon OpenSearch Service、Amazon Neptune Analytics、Amazon S3 Vectors适配各类语义检索场景Amazon Bedrock 知识库搭建标准化 RAG 检索链路Amazon Bedrock AgentCore Memory统筹短期状态与长期记忆Amazon Kinesis、Amazon MSK接入实时流式数据。综上当企业发现仅依靠知识库无法支撑 AI Agent 业务运行时无需持续往知识库内堆砌海量数据。正确建设思路是把知识数据、业务数据、分析数据、实时事件、记忆数据分别归入对应分层架构依托受控工具与统一架构实现互联互通。如需深入了解企业 AI Agent 对接业务数据库、湖仓体系、实时数据流、长期记忆的实施方案可前往亚马逊云科技官网首页 Banner或是检索「2026 亚马逊云科技中国峰会」在回放专区进入分论坛 3回看《Agentic AI 的数据之道Agent 自己找数据、记数据、管数据你准备好了吗》《Athena IcebergAI Agent 的数据底座实战》《高性能存储加速生成式 AI》三场演讲回放并获取配套资料。