DTCC 2026 精彩回顾 | NineData 面向 AI Agent 的数据库 DevOps 与数据复制思考与实践
8 月 21 日，NineData 亮相 2026 中国数据库技术大会（DTCC）。NineData 创始人兼 CEO 叶正盛分享了《面向 AI Agent 的数据库 DevOps 与数据复制思考与实践》的主题演讲。
DTCC 主会场 | NineData 创始人兼 CEO 叶正盛
本次演讲核心看点：企业的数据环境正在同时走向多数据库、多云多地域和 AI Agent 驱动。数据库管理的对象，已经从单一的数据库实例和人工操作，扩展为覆盖人、应用和 Agent 的复杂数据操作体系。企业既要提升研发与数据使用效率，也要对权限、规范、安全、审计和回滚的能力提出了更高要求。
NineData 的实践方向，是将数据库 DevOps、数据复制和数据库 AI Agent 纳入统一的云原生智能数据管理平台，通过统一入口、细粒度权限、规范检查、审批机制、数据脱敏、全链路审计、变更备份、数据校验和自动化运维能力，构建面向人和 Agent 的安全、稳定、高效的数据使用体系。
图 | NineData智能数据管理平台架构
一、企业数据管理面临的新挑战
1.1 企业 IT 建设模式越加复杂
目前，不同类型企业在 IT 系统建设方面具有不同的技术重点和治理要求。
第一类是国企、制造业、医疗等行业和大型组织，更强调严谨规范、国产化、合规与安全。这类企业通常以外部采购为主、内部研发为辅，既要满足自主可控和安全审计要求，又不能放弃创新效率。
第二类是互联网及互联网化企业，更看重敏捷交付和在线服务能力，往往采用自研、开源与外部采购结合的方式，并广泛使用公有云、私有云、混合云等基础设施。对这类企业而言，快速迭代和持续交付是业务竞争力的重要来源。
第三类是快速发展的 AI Native 企业。它们更多采用 Agent 自研、开源和自主工程的方式推进研发，软件生成、测试、修复和发布的节奏都在加快，人的参与逐渐从直接执行转向定义目标、边界和规则。
1.2 AI Agent 成为新的数据消费端
三类企业的技术偏好不同，但都受到几项共同趋势的影响：
国产化升级进入深水区，企业加快全球化和多云布局，AI Agent 正在成为新的数据消费端。数据库架构也由单一数据库逐步转向多种数据库组合，数据则需要在不同云厂商、不同地域和不同类型的数据平台之间持续流动。
这意味着企业面对的已经不是“如何管理一套数据库”的问题，而是如何在复杂数据环境中统一管理数据库、数据链路和数据访问行为。
二、数据库 DevOps：把数据库管理纳入工程流程
数据库 DevOps 的起点，是解决传统数据库管理中工具分散、流程割裂和责任边界不清的问题。
2.1 数据库 DevOps 的形成背景
在传统模式下，研发人员可能使用 Navicat、DBeaver 或 PL/SQL Developer，运维人员通过堡垒机访问生产环境，审批依赖 OA、工单系统甚至即时通信工具，DBA 则需要依靠个人经验和脚本完成审核、发布与性能诊断。这样的组合可以解决局部问题，却很难形成统一的规范和闭环。
常见问题包括：数据库开发规范难以真正落地；不同客户端带来工具和权限管理风险；变更需要开发、DBA 与运维反复沟通；生产操作难以完整审计；一旦脚本或操作出现问题，定位和回滚成本较高。
2.2 一站式数据库设计、开发、变更与治理平台
NineData 数据库 DevOps 提供一站式数据库设计、开发、变更与治理平台，覆盖开发、测试和生产的完整流程。平台将 SQL 开发规范、审批流程、版本管理和 CI/CD 集成纳入协同层，同时提供数据库设计、查询更新、导入导出、测试数据生成、变更发布、数据归档、数据追踪以及性能诊断优化等能力。
在安全层面，平台提供细粒度权限管控、安全规范约束、敏感数据保护和操作审计。权限可以围绕数据源、数据库、库表字段、操作类型和有效时间进行配置，让企业把原本依赖 DBA 宣讲和人工检查的规范，转化为平台中的可执行规则。
2.3 行业产品能力对比
本次对 NineData 与通用堡垒机、数据库客户端工具及相关数据库管理产品进行了能力对比，涉及数据源覆盖、数据查询、人员与时间权限、数据源及库表字段权限、敏感数据分级、数据库开发规范、变更发布、导入导出、数据归档、数据追踪、外部审批、SSO、Online DDL、Online DML、慢 SQL 诊断、AI Chat 和 AI Skill 等能力。
数据库 DevOps 的价值不只是提高单个 DBA 或研发人员的操作效率，更重要的是把数据库操作从个人工具行为升级为组织级工程流程：研发可以快速提交，平台可以自动检查，DBA 可以集中决策，运维可以稳定发布，审计人员也可以基于统一记录追踪全过程。
三、数据复制：同源、异构数据复制解决方案
3.1 数据复制的典型业务场景
随着数据库类型增加、云环境变复杂，数据复制成为企业架构升级中的基础能力。典型场景主要包括四类：
-
数据库国产化升级，例如 Oracle 到 OceanBase、MySQL 到 PolarDB 等异构迁移。 -
云上云下、跨云、跨机房和跨版本的数据迁移。 -
跨云容灾、跨机房容灾、两地三中心及三地五中心等容灾多活场景。 -
生产库到数据仓库或分析平台的实时集成，例如 OceanBase 到 Doris、MySQL 到 StarRocks 等。
3.2 多云多源复制能力
3.3 NineData 数据复制核心能力
NineData 数据复制支持 100 多种数据源，管理 1000 多条数据复制通道，单节点增量复制能力最高可达 10 万 TPS，全量复制速度最高 150 MB/s；在最长 1 万公里的跨地域链路上，可实现秒级增量数据复制延迟。平台覆盖结构复制、全量复制和增量复制，并支持 DML、DDL 变化以及列、索引、外键、Check、分区等数据对象的处理。
3.4 数据一致性对比与质量保障
数据复制的关键并不只是“把数据传过去”，还要保障数据是否完整、结构是否一致、任务是否稳定以及异常如何修复。
NineData 提供结构对比和数据对比能力，结合数据分片、批量混检、抽样检查等技术，数据校验性能最高可达每秒 1000 万行，并支持差异定位、订正脚本和监控告警，形成从复制、校验到修复的数据质量保障闭环。
四、AI Agent 带来数据库管理的新挑战
4.1 软件开发范式发生变化
AI Agent 带来的变化，首先体现在研发流程上。传统开发由开发者手动编写代码，变更相对低频且规模较大；Agent 开发则由自然语言意图或自主工程驱动，代码可以快速生成，并在测试、修复和重试中持续迭代。
4.2 传统模式与 Agent 模式的主要差异
这种变化会直接传导到数据库领域。
一是变更频率显著提高。传统软件可能按月度、季度甚至年度发布较大版本，Agent 驱动的软件则可能在一天内多次更新。
二是库表结构更具动态性。传统模式通常由 DBA 和研发反复评审 Schema，重点考虑索引、范式和扩展性；AI Native 场景下，库表结构可能伴随大量实验、测试和业务迭代持续生成。
三是数据库访问边界更加难以预判。传统应用的权限通常绑定在固定账号和预设代码上，Agent 的 SQL 则可能由推理逻辑动态生成，存在越权访问、高危操作和错误重试等风险。
四是人工审核难以覆盖全部变化。当 AI 每天产生大量代码和 SQL 时，依靠人逐条检查已经无法匹配研发速度，SQL 规范、性能风险和变更安全必须尽可能前置到自动化流程中。
因此，AI Agent 进入企业生产环境后，数据库平台需要同时解决效率、安全和规范三个问题。只强调效率，会放大数据安全和生产稳定性风险；只依赖人工审批，又会成为 AI Native 研发模式中的新瓶颈。
五、把人和 Agent 纳入统一的数据库治理体系
NineData 的基本思路是：将 AI Agent 视为一种新的数据使用角色，与人一样纳入统一的平台治理，但通过独立身份、独立权限和自动化规则实现全流程控制。
5.1 统一数据库访问模式
在访问层，Agent 通过 NineData 的 OpenAPI、Skill 或 MCP 等方式调用数据库能力，而不是绕过平台直接连接生产库。平台可以为不同的人和 Agent 分配独立身份，按照最小权限原则控制其可访问的数据源、数据库、表和字段，并结合敏感数据动态脱敏，限制其获取不必要的明文数据。
5.2 面向人和 Agent 的安全管控体系
在安全管控上，演讲将重点概括为三条红线：坚持零信任和最小权限，人员与 Agent 身份隔离且不使用特权账号；对敏感数据进行实时脱敏，对高危操作进行毫秒级拦截；对 SQL 执行和平台操作进行全链路审计，确保每一次访问都可追踪、可复核。
5.3 稳定可控的数据库变更方案
在变更层，Agent 提交的 SQL 需要经过规范预检查和风险识别。对于全表删除、删除表等高危操作，平台可以直接拦截；对于需要执行的变更，平台可以在发布前完成结构和数据备份，生成回滚脚本，并通过无锁变更和大数据量变更能力降低对在线业务的影响。
5.4 CI/CD 阶段的 SQL 自动化准入审核
在研发流程中，NineData 还支持将 SQL 自动审核前置到 CI/CD。研发提交代码或合并请求后，流水线可以调用 NineData OpenAPI，解析代码中的 SQL，执行全量或差量审核，并将结果反馈到合并流程。不论 SQL 由人编写还是由 AI 生成，只有通过规范和性能检查，代码才可以继续进入后续流程。
这一模式的关键，是将 AI 的灵活性建立在平台规则之上。Agent 可以承担更多查询、生成、诊断和执行任务，但企业可以通过策略和执行层定义边界，把不可接受的操作拦截在生产环境之外。
六、NineData AI Agent: 可信安全的数据库智能体
在数据库 AI 能力方面，NineData 已经形成从辅助开发到智能运维的多层能力。
在开发阶段，用户可以通过自然语言问数、生成 SQL、智能改写和问题修复，降低数据库使用门槛；在运维阶段，平台可以采集慢 SQL，并通过 AI 进行性能诊断、批量优化、性能巡检和会话诊断；在知识服务阶段，ChatDBA 可以提供数据库产品特性、平台能力和企业私有知识问答，并支持对接企业私有化部署的大模型。
更重要的是，这些能力并不是独立的聊天功能，而是架设在数据库 DevOps 执行层之上。Agent 负责理解意图、生成方案和调用工具，权限鉴权、SQL 审核、数据安全、任务执行和操作审计仍由平台统一承载。这样，AI 才能从“会回答问题”进一步走向“能够在规则约束下完成数据库工作”。
七、典型客户实践
本次 NineData 也分享了多个不同行业和不同发展阶段的客户案例。
AI Native 企业 A4X 需要管理分布在欧洲、美国、东南亚和中国大陆的数百个数据库，并希望 AI 智能体能够通过 Skill 安全调用数据库能力。客户先基于 NineData API 自行封装 Skill，随后切换到 NineData 提供的正式能力。这一案例体现了 AI Native 企业对自动化和快速试错的要求：当平台能力开放、接口可调用时，企业可以迅速将数据库管理接入自身 Agent 工作流。
安克创新的业务覆盖全球 146 个以上地区，拥有 2 亿以上全球用户，数据库管理横跨欧洲、美国、东南亚和中国大陆四大区域。NineData 在不同区域统一承载数据库 DevOps、AI 和数据复制能力，帮助其管理数十种数据库类型，满足全球数据管理、安全合规与审计要求。
大模型企业 MiniMax 采用 NineData 统一管理多云环境中的数据库，并支持向量数据库治理和 AI 数据开发。例如：1 名 DBA 可管理上千个数据库实例，整体效率提升约 10 倍；可以实现平台全面快速上线，以支撑 AI 模型的快速迭代。
某跨境支付服务商业务覆盖 200 多个国家和地区，使用多个云厂商和多种数据源，核心需求是欧洲、美国、东南亚与中国大陆之间的全球数据同步。NineData 通过在不同地域部署 Worker 和私网连接，构建跨云、跨区域的数据复制链路，满足长距离数据流动需求。
中国移动云案例中，基于 NineData 构建了覆盖多区域的数据复制服务体系，支撑多元业务场景的数据同步需求，支持迁移上云、跨云迁移、跨区域迁移、数据容灾和异地多活等场景。
杭州银行则面向 Oracle 国产化升级和生产数据分发需求，借助 NineData 的实时复制与数据对比能力，构建 Oracle 与 PG、TiDB 之间的双向数据复制，实现不停机、可回滚的国产化迁移；同时将生产库数据复制到中间归集库，降低下游分析业务对生产库的压力，并以周期性数据集成替代原有 DataX 场景。
这些案例的业务背景不同，但共同指向同一个问题：企业需要一个能够同时处理多数据库、多地域、多云和多角色访问的数据管理平台，而不是继续叠加彼此割裂的单点工具。
八、总结
从本次 DTCC 分享可以看到，数据库管理正在经历一次从工具、流程到平台的系统性升级。
NineData 不仅要让人更高效地使用数据库，还要让 Agent 能够在安全、稳定、可审计的边界内使用数据库。对企业而言，真正重要的不是简单地接入一个 AI Agent，而是建立一套可以持续约束、验证、审计和回滚的数据库执行体系。
资料来源：NineData DTCC 2026 演讲 PPT、活动介绍及会后整理。
