Agentic AI 冲击传统数据仓库：Agentic 数据栈初探

当你还在为 Snowflake 和 Databricks 哪个更优秀而争论不休时，一场更深层次的变革已经在技术世界的底层悄然发生。这不再是一个工具战胜另一个工具的故事，而是一个全新的“消费者”正在重新定义整个数据世界的游戏规则。这个新消费者，就是 Agentic AI（智能体 AI）。

过去几十年，我们建造数据仓库、设计 ETL 流程、优化 BI 报表，所有的一切都是为了一个终极目标：帮助“人”做出更好的决策。然而，今天的 AI 不再只是一问一答的聊天工具，它开始具备感知、思考和行动的能力。当企业中的营销、客服、供应链甚至法务部门都开始被各种 AI Agent 渗透时，它们才是未来数据平台的终极消费者。

那么，当你的数据消费者不再是“人”，而是“硅基大脑”，我们为之骄傲了半个世纪的决策支持系统（DSS）架构，还站得住脚吗？

一、引言：Snowflake 换 CEO 背后的信号

2024 年春天，云数据仓库的明星公司 Snowflake 宣布换帅，前 Google 广告业务负责人 Sridhar Ramaswamy 接替了曾带领 Snowflake 实现 600 亿美元估值的传奇 CEO Frank Slootman。

如果你只是把这当成一次高管轮换，理解就不够透彻，因为这背后真正的隐喻是，数据仓库世界的范式，正在悄然巨变。

“技术的演进，从来不是线性推进，而是技术的跃迁，从 OLTP 数据库到 MPP 数据仓库，从 MPP 本地化计算到向量化云数仓引擎，都是一个技术跃迁到另一个技术，从一个产品霸主到另一个产品霸主。”

Slootman 是“数据仓库黄金时代”的代表。他押注云原生、押注多租户架构、押注 Snowflake 成为新一代数据平台的中枢，直接在市场上干掉了我从业的第一家公司——当年的数据仓库霸主 Teradata（从 102 亿美金市值到现在 20 亿美金市值）。就在他功成身退的这一刻，Snowflake 官方博客的关键词悄然切换：AI-first、Agent-driven、语义导向的数据架构。

这不是巧合，这是风向。

同一时间，硅谷最具前瞻性的风投们正在押注“Agentic AI”这个新概念：AI 不再只是一个模型，它是一个能感知、能行动、有目标、有协作能力的 Agent。

那么问题来了：当 AI 不再只是“聊天工具”，而是能主动感知业务变化、理解意图并执行操作的智能体时，传统数据仓库这样的为“人”建造的决策支持系统还可以满足 Agent 的需要么？

数据仓库曾是企业的“重要的数据资产”，如今，却可能沦为 Agent 的“数据素材库”。甚至连“素材”这个词都在贬值，因为 Agentic DataStack 可以直接访问原始数据，并以语义 + 数据的形式直接供给给上层各类 Sales Agent，Risk Agent 直接使用；而数据仓库里无语义、冗余的数据只能留给传统 BI 和数据开发人员来消费。

真正危险的不是被淘汰，而是你还在运行上一代范式的规则，而世界已经换了剧本。

这不是对数仓的轻视，而是历史的轮回。正如当年 Hadoop、Iceberg 的崛起重构了数据湖，今天，Agentic AI 正在重写企业级的大数据架构。

二、1970-2024：数据仓库架构是如何演进的

1970：数据仓库之父：Bill Inmon

数据仓库之父 Bill Inmon 首次提出“面向主题、集成、时变、不可更新的数据集合”这一概念（EDW），奠定了后半个世纪企业数据架构的基石。

我本人也有幸在 20 多年前在北京大学的时候，在唐世谓教授带领下，学习并参与翻译《数据仓库》第一版，这本书里对主题域、数据分层架构和缓变维（历史拉链表）的描述，从上个世纪一直沿用到今天，成为整体数据仓库的奠基之作。

1983：Teradata 诞生，MPP 架构横空出世

1983 年诞生了未来 30 年横扫所有企业数据仓库基础设施的公司 Teradata，这也是我毕业后第一份工作所在的公司。首次将 MPP（大规模并行处理）架构引入数据处理系统，Teradata 凭借软硬一体的基于 Bynet 的 MPP 架构，在超大量级数据处理和复杂 SQL 的情况下，比 Oracle、DB2 效率高出数倍。第一次使用 Teradata 的时候我的惊喜不亚于后来我首次测试使用 ClickHouse 做宽表查询时的惊诧。

我加入 Teradata 的时候，他还是一个 NCR 旗下的部门。

1996：Kimball 提出“雪花模型”，OLAP 引擎出现

继 Bill Immon 之后，Ralph Kimball 提出了“数据集市的概念”用星型模型和雪花模型重新定义了数据建模思维。此后数十年间，先建立数据集市还是先建立统一的数据仓库，变成数据仓库架构师不停争论的话题。“维度建模”和“雪花模型”成为数据工程师的名片；而 BI 报表底层也出现了例如 Hyprion ESSbase，Cognos 等 MOLAP 引擎，OLAP 技术也终于有了系统方法论支撑。

在几十年后，新一代的数据仓库公司也用了 Snowflake（雪花模型）作为其公司名称。

2013：大数据概念爆发，Hadoop 风靡全球

随着 2006 年 Apache Hadoop 的横空出世，低存储成本的大数据系统被企业广泛引用。维克托·迈尔 - 舍恩伯格在《大数据时代》中给大数据下了定义：“Volume（数据量）、Velocity（数据速度）、Variety（数据多样性）、Value（数据价值）。”

从此轰轰烈烈的建立大数据平台的过程开始起步，10 年内，Apache Hadoop、Hive、Spark、Kafka、DolphinScheduler、SeaTunnel、Iceberg……一批大数据技术涌现，大数据平台开始动摇传统数据仓库的地位，以致于 2015 年后的中国，大多数中国企业存储 Pb 数据量级的数据平台不会用 MPP 架构传统意义数据仓库，而一定是用 Hadoop 或者 Iceberg 大数据平台/数据湖。

2015：Snowflake 横空出世，New DataStack 兴起

随着云的兴起，Marcin Zukowski “向量化”引擎论文的推出，Snowflake 横空出世用云原生分离存算的架构，彻底碘伏了传统 DW 思维。BI 工程师第一次可以“随需随用”、弹性扩缩容、不再焦虑集群调度和资源分配。Snowflake 把“数仓”变成了“数云”。它带领下一众新一代数据仓库技术栈兴起，Fivetran、Daggster、Airbyte、DBT、WhaleStudio 等一批新一代工具出现，在硅谷兴起了 New Data Stack （新数据技术栈）的风潮。的确，上一代 ETL 工具和编程工具还是上个世纪 80 年代兴起的 Informatica、Talend、DataStage 这些公司，新技术的兴起的确需要新生态的形成。

整体上，这几十年数据仓库的发展，无论是数据仓库、大数据平台和云数仓和数据湖，基本上整体架构都如下图所示：

在 Inmon 时代，这个架构叫做 DSS 系统（决策支持系统），顾名思义，决策支持的就是人。整个数据仓库技术栈都是为人而设计的。

数据仓库的架构也是为数据开发工程师（Data Engineer）来设计的，所以会有 N 个主题域、要分原子层、汇总层、指标层来帮助 ETL 工程师进行开发，BI 工具也需要建立星型模型和雪花模型，拖拉拽可视化形成报表和 Dashboard。所有的消费者都是人。

但是，这一切，在大模型 Agent 时代都会发生很大的变化。

三、Agent 正在吞噬传统数据仓库？！

2022 年底，OpenAI 推出 ChatGPT，引爆大模型时代。

2023 年后，Llama、Claude、Gemini、GPT-4o、DeepSeek……多模态模型加速演进，AI 不再只是语言模型，而是具备复杂任务理解与决策能力的“通用智能引擎”。

2024 年，RAG 技术走向主流，LlamaIndex、LangChain、dify 等工具广泛应用，AI 开始融合企业私域知识，成为真正“能查资料”的智能助手。

2025 年，Agent 架构全面崛起，AutoGPT、Function Calling、MCP 协议等技术和协议涌现，AI 不再只是聊天工具，而是具备感知、规划与执行能力的“数字员工”。

在数据领域，大模型的到来也带来很大的冲击。你用过 ChatGPT 的 DataAnalyst 么？如果用过，你一定惊异它的表现，它可以根据一份数据多个角度来辅助一个业务人员做一份详细的数据分析报告。它几乎可以替代初级数据分析师。而在不同层次也出现了很多“自动化”工具，例如 ChatBI、TXT2SQL，各个维度都开始利用大模型和 Agent 自动化和半自动化地进行数据仓库开发过程。

未来，会有越来越多的 Agent 出现，不仅仅是数据分析领域，更多的的广告投放 Agent，客服 Agent，Risk Managment Agent，它们将逐步解放现有的业务人员，替代他们与系统之间的交互。

最终，AI 不再是“被动回答问题的工具”，而是“主动达成目标的智能体”。

哪些角色正在被 Agent 重构？

过去 20 多年，数据平台的“用户”通常是数据工程师、分析师和 BI 人员。而未来的 20 年，从分析师到供应链，每一个岗位的角色都可能被 Agent 所重构：

• 营销人员配有 Campaign Agent，它可以自动整合多渠道数据、优化投放、生成文案；

• 客服坐席配有 Support Agent，它就不只是聊天机器人，而是具备知识图谱和上下文记忆的专属助理；

• 供应链部门配有 Procurement Agent，它就能解析订单、追踪货期、调用 ERP 数据并自动补货；

• 法务有 Compliance Agent，HR 有 Hiring Agent，董事会也有 Board Agent……

你过去每天写的 SQL、做的分析报告、开的运营会，正在变成一个个 Agent 的触发动作、语义指令和自动响应。

但一个现实问题随之而来：如果最终数据消费者都已经是 Agent，数据仓库开发也是 Agent，连具体使用数据的决策者都是 Agent 而不是“用户”的时候，原先为人设计的“决策支持系统 DSS”数据仓库整体架构还成立么？

学过软件工程的 IT 码农们都知道，设计一个系统首先要做的图就是“Use Case”图，确定系统和用户的边界和操作场景与行为。

当数据仓库的用户从人变成 Agent 的时候，原先 Bill Inmon 老爷子设计的整体 DSS 架构还成立么？我个人认为，不成立了。

软件用户变了，软件也必须变。

从“拉模式”到“推模式”

Agent 的爆发，并不是大模型本身的胜利，而是“用户体验认知”被彻底碘伏：

• 过去的数据系统，是“拉模式”：用户知道问题、查询数据、提取结论。

• 未来的 Agent，是“推模式”：系统主动感知变化，理解意图，生成决策建议。

这就像我们从传统地图升级到高德导航：你不再需要知道“路在哪儿”，而是告诉系统你要去哪，它带你过去。传统数据仓库偏重结构与查询，而 Agentic 架构强调语义与响应。

简而言之，谁能理解业务语言，谁就能统治数据世界。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：Agentic AI 冲击传统数据仓库：Agentic 数据栈初探要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题