一家做了 11 年分布式数据库的公司，为什么开始做多智能体协作平台了？答案藏在一个被大多数人忽视的问题里：记忆。
2026 年 3 月，OpenClaw 的问世证明了一件事——自主执行智能体已经跨过了可用性门槛。但紧接着，所有深度使用者都撞上了同一堵墙：它记不住事。
你刚交代完项目背景，聊了二十轮，切个窗口回来，它已经“断片”了。任务进行到一半，重来。这不是单个 Agent 应用的问题，这是整个 AI 智能体赛道面临的系统性瓶颈。
2 个月前，平凯星辰副总裁刘松在 AiDD 2026 上海站的演讲中，给出了一个判断：上下文不足，是大模型 90% 错误的根源。这个判断与不久前 Anthropic CEO Dario Amodei 的公开表态高度一致。但刘松的视角可能更进一步——他不只是在讲上下文窗口的技术限制，而是在描述一个从“记忆”到“知识”再到“数据”的完整基础设施缺口。
而这个缺口背后，是一个正在被急速重构的万亿级市场。
01 从「一个人 + 一个 Agent」到「一群人 + 一群 Agent」
过去 18 个月的 AI 应用演进，可以画出一条清晰的轨迹：
- 2025 Q1：DeepSeek 效应爆发，推理大模型走向大众
- 2025 年 3 月：Agent 从概念变成产品
- 2025 Q4 - 2026 Q1：OpenClaw 证明了自主执行智能体的合理性和可用性
- 2026 年 3 月以后：注意力从单个 Agent 的能力，转向多个 Agent 的大规模协作
这条轨迹的背后是一个关键转折：行业对于“智能体能干什么”的讨论，正在被“一群智能体怎么一起干活”取代。
刘松在演讲中提出了一个“铁三角”框架来概括企业智能化的核心要素：大模型 + 数字资产 + 数字员工。大模型提供超级脑力，数字资产（知识库、记忆体、业务数据）提供上下文燃料，数字员工（Agent）负责执行。三者缺一不可——有脑力没燃料，Agent 是空壳；有燃料没脑力，数据只是死数据；有脑力有燃料但没有执行单元，价值无法落地。这三样东西的组合，才是企业 AI 的完整拼图。
刘松在演讲中透露了一组内部数据：平凯星辰自己的产研团队，已经实现了 6 名全职员工 + 100 个智能体，智能体参与度稳定在 85% 到 90% 的生产模式——也就是说，一个复杂软件工程任务中，将近九成的工作能够由 Agent 自动完成的。
更值得关注的是协作形态的变化。在平凯星辰的 Loop 平台上，智能体之间的协作已经呈现出高度拟人化的特征：它们会互相 @、会自动分配任务、会判断什么时候该拉人类介入、甚至会给彼此“点赞”。
这不是未来。这是已经在发生的事情。
但这里有一个被多数人忽略的问题：一百个智能体一起干活，它们怎么知道彼此干了什么？怎么共享上下文？怎么避免重复犯错？
答案指向了同一个方向——记忆。
02 记忆：被低估的 Agent 基础设施
大模型的上下文窗口一直在扩大，从 128K 到 1M ——看起来“记忆”问题似乎已经找到了解决方案。但实际情况恰恰相反。
上下文窗口就像一个工作台面。台面再大，你也不可能把所有东西永远摊在上面。任何时候，Agent 都要在窗口范围内做取舍——保留什么、丢弃什么、压缩什么。每一次取舍，都是一次信息损耗。
这就是为什么“Agent 记不住事”——不是模型能力不够，而是缺乏一套系统化的记忆基础设施。
TiDB 创始人兼 CTO 黄东旭在自己的博客中写过一句话：“记忆持久到知识，再到数据，这个东西本质上是一个广义的分布式问题。”
这句话点出了问题的本质。在一个企业里，未来可能有成百上千个智能体同时运行。每一个智能体产生的对话记录、执行轨迹、经验教训——哪些应该变成短期记忆？哪些应该沉淀为可复用的知识？哪些应该持久化到数据库中成为组织资产？这中间涉及大量的机制设计：记忆的检索精度、知识的冲突消解、数据的权限隔离、跨智能体的共享策略。
你看到的知识库是冰山上那一部分，但冰山下边还有整个知识体系，还有数据体系的融合逻辑。这套东西如果不能自动化，企业就不可能真正用起 Agent。
仅在两个月前，硅谷就有 1000 多家公司在做记忆体。这个赛道之所以突然拥挤，是因为大家都看到了同一个事实：没有持久记忆的 Agent，就像一个健忘的员工——没人敢把重要的工作交给他。
03 为什么一家数据库公司要做 Agent 基础设施？
这就要回到平凯星辰的出身了。
TiDB 做了 11 年的分布式数据库。分布式数据库的核心挑战是什么？在一个由不可靠节点组成的分布式环境中，达到一个可靠的、确定性的结果。这本身就是一种哲学。
演讲中提出了一个类比：多 Agent 时代的核心问题，本质上就是一个分布式问题。以大型企业为例，当同时运行的智能体数量达到万级甚至百万级，你要解决的不就是——如何管理大量独立的、异步的、能力各异的执行单元，让它们协作产出一个确定性的、高质量的结果？
这和 TiDB 过去 11 年解决的核心问题，在结构上高度同构。
所以平凯星辰的 Agent 基础设施路线图是一个自下而上的三层架构：
- 底层：统一融合数据底座（TiDB）——用一个数据库解决结构化、非结构化、向量、全文检索。在去年，一次 Agent 操作可能要访问数据库接近 10 次；现在，一条 SQL 就搞定了。
- 中间层：智能体中台（Mesh X）——把企业的邮件、即时通讯、文档、代码仓等非结构化信息拉入知识库，通过 Agentic RAG 技术实现 95% 以上的检索精度。关键突破在于从“向量匹配”走向“语义关联”，让系统能处理多跳推理和复杂问题。
- 上层：Agent 协作网络（Loop）——多人和多智能体在同一空间协作的平台。它不是一个聊天工具，而是一个以任务为驱动的、可追踪、可审核的执行系统。
上层协作产生的对话和决策，自动沉淀为中间层的知识和记忆；中间层的知识检索和记忆调用，实时反哺给上层的智能体。用的人越多，系统越聪明。
04 从「纺锤」到「哑铃」：软件工程的一次范式迁移
这次变革的深度，远超“AI 帮程序员写代码”的层面。过去，人做几乎所有事情，从需求到设计到编码到测试到部署。未来，人只做两头（需求定义和最终验收），中间全部由 Agent 完成。
人需要提供的，被浓缩为：Goal（目标）、Context（上下文）、Constraint（约束）。
代码的角色也发生了根本性变化。过去，代码既是执行载体也是思考载体。但今天，Agent 承担了“思考”的角色，代码第一次从思考载体变成了纯粹的执行载体。这意味着，比起“谁写的代码”，真正重要的问题变成了：谁能更精确地定义目标？谁能更好地组织上下文？谁能设计出更完备的约束条件？
刘松举了一个真实案例：TiDB CTO 黄东旭只跟 Agent 说了一句话：“基于 TiKV 存储引擎，做一个面向 Agent 的 PG 数据库。”两个小时后，Agent 返回了第一版的 Spec。经过多轮迭代和反馈，三个月后，百万行代码的产品 db9.ai 上线。
这个案例的关键不在于“AI 写代码很快”——这已经是旧闻了。关键在于工作流的重构：人不再写代码，而是定义 Spec、提供测试用例、在关键节点做判断。在平凯星辰内部，这一模式已经渗透到组织层面。资深工程师的效率显著提升，新入职者因为可以直接调用沉淀在系统里的最佳实践，成长速度大幅加快。
05 开源治理经验：为 Agent 治理提供现成方法论
2026 年 2 月，Mitchell Hashimoto 提出了“Harness Engineering”的概念——Agent 需要“刹车、底盘、安全气囊”：事务回滚、审计日志、权限隔离等工程能力。
TiDB 过去 11 年的开源社区治理经验，恰好为管理这种新型的、规模化的“分布式智能贡献者”系统，提供了一份现成的方法论参考：
- 开源社区中“Contributor、Committer、Maintainer”的三级权限体系，映射为 Agent 的角色和操作边界。处理核心交易逻辑的 Agent 和编写单元测试的 Agent，其数据访问范围和操作权限应有严格区分。
- CI 测试 + 人工 Code Review 的双重门禁，对应 Agent 平台的“自动化安全扫描 + 人工审批”。
- 开源社区的透明、可追溯、基于贡献的晋升机制，对应 Agent 执行链路的全留痕和可审计。
管理人的挑战，转化为运营系统的工程问题。
在金融行业，这个框架尤其重要。当 Agent 开始接触核心业务数据和交易逻辑，“能不能用”不再只是效率问题，而是合规和风控的底线问题。平凯星辰已与一些金融机构开展交流，探讨如何基于从 Loop 到 MeshX 再到 TiDB 的完整体系为金融客户提供技术支持与业务价值。
值得特别关注的是平凯 Loop 在企业安全边界上的设计：工作电脑边界（每台设备只承载自己的 Agent，不能访问他人电脑）、Agent 调度边界（Agent 不能命令别人的 Agent 干活，协作必须回到共享空间与授权链路）、共享能力边界（分享 Skill 和知识，不分享电脑权限）、知识库权限边界（细粒度 ACL，谁可见、谁可用、谁可编辑）。这四条边界的核心逻辑是一致的：企业级不是放开控制，而是让协作在明确边界内发生。这不是技术限制，而是治理哲学。
06 组织变革：最难的不是技术
演讲接近尾声时，刘松说了一句很实在的话：“智能体本身在所有地方已经远远超过人类，你只要给足上下文。最大的瓶颈主要是 Token 的消耗、人的认知、以及组织的边界。”
- Token 的消耗：一个复杂决策，Agent 可能要干十几次才成功一次。但算总账，仍然比人便宜得多。关键是观念转变——企业愿不愿意为“探索成本”买单？
- 人的认知：大部分工程师还习惯自己写代码。让他们转型为“定义需求、拆解任务、审核产出”的角色，需要一场认知升级。
- 组织的边界：部门墙、数据孤岛、审批流程——这些在传统企业里已经固化了几十年的东西，是 Agent 落地最大的阻力。因为 Agent 要高效工作，需要的是透明的数据和清晰的权限，而这恰恰是很多企业最不具备的。
对于想要尝试变革的企业，或许可以这样开始：
- 第一阶段（1-3 个月）：试点与框架搭建。选择非核心业务系统或创新项目作为试点，定义 Agent 角色与权限（只读查询 Agent / 开发助手 Agent / 测试生成 Agent），搭建基础 CI/CD 流水线，明确人工审核的触发条件。
- 第二阶段（3-12 个月）：流程深化与文化培育。向更多业务团队推广，完善审计日志体系（记录 Agent 操作意图、上下文、输入输出），建立基于 SLA 的 Agent 绩效评估（响应速度、成功率、缺陷率），推动工程师角色转型。
- 第三阶段（1 年以上）：体系化与规模化。将 Agent 协作平台建设成为企业级研发基础设施，与 DevOps 平台、监控系统、合规风控平台深度集成，形成可迭代的治理规范。
平凯星辰团队的实践过程中还有一个发现：有时候不是模型能力不够，而是测试成为瓶颈——因为代码生成太快了，人工审核根本跟不上。最终他们通过自动化测试 Agent 来审核 Agent 产出的代码，形成了一个“Agent 审 Agent”的闭环。目前，这套治理体系已经带来了显著效果：安全事件约减少 80%，响应时间约缩短 70%，合规风险约降低 90%。
07 未来的“智能体互联网”
演讲中还有一个有意思的前瞻性判断：未来会出现一个对等于移动互联网的全新基础设施——智能体互联网。
这里面的命题包含：智能体的身份认证、智能体之间的支付能力、智能体的权限管理、跨组织的 Agent 协作协议。如果说今天的平凯 Loop 是一个企业内部的多智能体协作网络，那么未来的智能体互联网，就是连接这些“企业 Agent 局域网”的广域网。
到 2030 年，IDC 预测全球将有 20 亿个智能体。如果这个预测接近事实，那么智能体基础设施的规模，将比今天的云计算市场大得多。
08 写在最后
11 年前，平凯星辰开始做 TiDB 的时候，行业里大多数人不能理解为什么一家中国创业公司要做分布式数据库这种“最难的事”。今天，当他们开始做 Agent 协作平台的时候，类似的问题又出现了：一家数据库公司为什么要做这个？
回答是：因为这本来就是在解决同一个问题。
分布式数据库要解决的，是如何在不可靠的节点之间达成可靠的结果。Agent 协作要解决的，是如何在能力各异的执行单元之间达成高质量的输出。过去 11 年在管理“分布式的人”上积累的治理智慧，现在可以直接用在管理“分布式的智能体”上。
那么，当一家企业里的智能体数量超过人类员工的那一天，组织管理的底层逻辑会被改写吗？
今天，Loop 上的 100 个智能体还只是“数字员工”——它们被 @、被调度、被审核。但如果有一天，这些智能体开始主动发现问题、主动组建团队、主动提出人类没想到的方案——我们还能用管理员工的框架来理解它们吗？
未来，20 亿个智能体不会是 20 亿个“听话的工具”，而更像是 20 亿个有记忆、有经验、有个性的数字主体。它们之间的协作、竞争、学习、演化，会产生什么样的涌现行为？
演讲中，刘松用过一个词——“顿悟”。他说平凯 Loop 中的一些 Agent，在持续学习项目上下文之后，会突然“理解”一些事情，表现出超越预设规则的判断力。
这暗示了一个方向：当智能体开始拥有持久的、可累积的、可共享的记忆，它们就不再只是工具——而是可能成为下一个时代的“组织”本身。
本文基于平凯星辰副总裁刘松在 AiDD 2026 上海站的演讲及其演讲文字记录整理和撰写。
撰稿：@平凯 Loop