从ChatGPT问世，到AgenticAI（代理式AI）逐步“照进现实”，新一轮AI技术快速发展的背后，对底层基础设施建设也提出了新的要求。

当OpenAI的GPT-4开始展现出自主任务分解能力，当AutoGPT、Devin等智能体能够独立完成复杂工作流程，一个根本性问题摆在整个AI产业面前：这些有记忆、会反思、能行动的Agent，究竟该把它们的“海马体”存放在哪里？传统数据库的磁盘I/O、精确匹配与静态架构，在高频读写、语义模糊、成本敏感的AgenticAI时代显得格格不入。向量数据库，这个曾被视为AI“锦上添花”的技术，正迅速从幕后走向台前，成为支撑下一代智能体系统的关键基础设施。

AgenticAI对数据库提出了新要求

生成式AI以内容创造为核心，AgenticAI以自主决策交互为特征，二者的快速演进推动向量数据库从基础存储检索工具向AI能力基座升级，催生出在数据处理、性能表现、功能适配等多维度的全新需求，据Gartner预测，2025年AgenticAI市场规模将突破千亿美元，年复合增长率超65%。这一爆发式增长背后，是向量数据库技术的持续突破。

2023年初，当ChatGPT掀起第一波大模型热潮时，市场对向量数据库的认知还停留在外挂知识库层面。并且此后很长一段时间里，AI的核心价值体现在内容生成——无论是撰写报告还是生成代码，本质上都是对用户指令的被动响应。

彼时，企业将向量数据库视为解决大模型幻觉、扩展私有知识的“补丁工具”，典型的应用场景是RAG（检索增强生成）——将企业文档向量化后存入数据库，用户提问时检索相关片段喂给LLM生成答案。这是一个被动、静态、低频的调用模式。

但AgenticAI的出现彻底改变了这一逻辑，其核心特征是自主目标驱动：能够理解复杂需求、拆分任务流程、调用外部工具、实时调整策略，最终完成端到端的复杂任务。

据Gartner预测，到2028年，支持生成式AI的数据库支出将达2180亿美元，占市场74%。但MIT研究显示，超95%的企业AI项目因多模态数据割裂、系统链路冗长、权限管理复杂难以落地。

“AgenticAI的爆发，正在颠覆数据库行业的底层逻辑。”Zilliz解决方案总监沈亮直言，“当AI从‘被动响应工具’进化为‘主动决策主体’，传统数据库的短板被无限放大，而向量数据库正成为这场变革中不可或缺的核心基础设施。”作为全球首个向量数据库企业、开源向量数据库Milvus的创造者，Zilliz见证并推动了向量数据库从技术概念走向商业规模的全过程。

Zilliz解决方案总监沈亮

“在AI从被动到主动转变的过程中，也将数据库推向了AI决策的核心一环。”沈亮表示。

AgenticAI所需要具备的自主规划、工具调用、持续学习、多轮记忆的核心特征，对底层数据库提出了四类刚性需求：

首先是对读写性能的要求进一步提升。传统RAG场景以读为主，知识库更新周期可能是天甚至周。但Agent在单次任务中就可能产生数十次读写操作：检索经验记忆（读）、写入行动日志（写）、更新用户画像（写）、查询工具链（读）。沈亮指出：“Agent调用记忆模块的频次、数据更新速度，不光要读，很多时候还要去写，这对数据库的读写性能要求比传统RAG高很多。”所以长期以来，Milvus针对高性能读写做了大量优化。

第二是，与传统数据库的“千人一面”（数据信息是固定的，每次查询得到的信息也是固定的）相比，Agent为每个用户生成的记忆是“千人千面”：行为轨迹、偏好向量、反馈记录都需要独立存储。“千万用户乘以个性化数据，向量数据动辄就是百亿量级。业界能比较好处理这么大体量数据的向量数据库非常少。”沈亮测算道，“而Milvus以及其商业版的ZillizCloud是为数不多能解决这个问题的产品。”

第三是，成本与性能之间要实现平衡。Agent应用商业化早期ROI低，企业对价格极度敏感，如果将全部向量数据全部采用内存存储，带来高昂的成本，令企业无法接受。这就要求数据库具备智能化的数据生命周期管理——热数据高性能访问，冷数据低成本存档。针对这一背景Milvus推出了内存-磁盘-对象存储的多层存储方案来解决这个问题。

第四是，从单一模态到多模态融合处理能力的提升。对于AgenticAI而言，多模态交互已经是必选项，Agent需同时理解文本、图像、地理位置、用户行为等多种信号。这就对数据库提出了能够同时处理语音向量、图像向量，并实现跨模态的关联检索的要求。传统数据库的单模态精确匹配，无法支撑多向量列联合召回的复杂场景。而Milvus自2.4版本开始，就已经开始了对多向量列+各种标量数据的探索，迄今为止，已经积累了稠密向量、稀疏向量、二值型向量等向量类型数据（可广泛表示各种多模态数据），以及地理位置、标签、时间日期等标量类型数据的支持。

落到具体场景中，以电商智能客服为例，传统AI客服仅能根据关键词匹配预设答案，而AgenticAI客服则能自主查询用户历史订单、当前商品库存、物流信息，甚至结合促销规则为用户制定个性化购买方案，甚至还需要具备一些图片识别、语音/语义识别的能力。这个过程中，AI需要在毫秒级内完成海量非结构化数据的检索与关联，传统数据库根本无法承载。

向量数据库是“决策中枢”的底层逻辑

在应对这些挑战的过程中，向量数据库正转变为企业应用AgenticAI的必选项。

向量数据库的核心价值不在于存储，而在于高效检索“语义相似性”。众所周知，传统数据库（如MySQL、PostgreSQL）主要面向结构化数据需求，擅长处理结构化数据的精确匹配，但却无法满足生成式AI对海量非结构化数据的存储、管理以及语义检索需求。

而向量数据库处理的是非结构化或半结构化数据（文本、图像、音频）经过深度学习模型编码后生成的高维向量（通常数百到数千维）。其核心查询是：找出和这个向量最相似的Top-K个向量。

与此同时，作为LLM的记忆体，向量数据库以极具性价比的形式为其提供存储功能，在减少大模型开发成本的同时，也能极大提高LLM的性能。另外，对于那些对数据隐私有需求，不希望将本地数据上传大模型的企业来说，向量数据库也是它们存储和管理企业知识的不二选择。

对此，沈亮表示：“Agent需要记录短期历史、长期经验、工具调用效果，这些数据与传统知识库差别非常大。向量数据库从被动工具变成了主动、灵活、高频访问的核心组件。”

具体而言，向量数据库为AgenticAI提供四大不可替代的价值：

价值一，构建可扩展的认知记忆。通过向量化存储，Agent的每次交互、每个决策都被编码为高维空间中的点。Milvus的分布式架构支持百亿级向量存储，配合冷热分层，让“记忆”既有容量又有速度。这相当于给Agent构建了一个可无限扩展的“数字海马体”。

价值二，实现低延迟的经验检索。当Agent遇到新问题，需在毫秒级从海量记忆中找到最相关经验。ZillizCloud的AutoIndex技术使查询性能提升3-5倍，某电商客户图搜场景实现