[播客精华稿] E81. 你是大模型的受益方，还是被吞掉方？AI应用的护城河与基础设施机会 ft. TiDB 唐刘
什么样的公司会受益于 AI 大模型，什么样的公司会被模型吞掉？
如果你还没有订阅，请在下方输入你的邮箱，和 8,500+ 位聪明好奇的人一起，每周免费获取我们对于 AI 和 Web3 应用的最新案例和深度解析，帮助你做全球化时代的超级个体！
如果你有任何建议、反馈或者合作的想法，欢迎联系我们 [email protected], 每封邮件我们都会及时回复。
视频版本：YouTube
欢迎大家在各个收听渠道给我们留言、评价和转发哦，非常感激！
下面是本期播客的精华稿
当 Agent 可以写代码、搭网站、生成业务系统，软件的价值正在被重新评估：原本需要采购的 SaaS，可能被 Agent 快速生成；原本由人操作的系统，也开始由 Agent 自主调用。
数据库会因此变得不再重要吗？现实可能恰恰相反。
一家 M 开头的头部 AI Agent 平台曾向 TiDB 提出一个听起来很疯狂的需求：能不能低成本提供 100 万个数据库？数据库的问题解决后，对方又问，能不能再提供 100 万个云盘？
这不只是数据量变大，而是数据库的“用户”变了。过去，数据库服务人和预先写好的业务系统；现在，Agent 会自主创建、访问和销毁数据库，还要管理上下文、状态、权限、文件与运行环境。数据库不再只是存放业务数据的后台组件，而可能成为 Agent 最核心的 Source of Truth。
这一期，Day1Global 邀请到 PingCAP 一号员工、TiDB Chief AI Officer 唐刘。从 11 年前解决 MySQL 分库分表的运维噩梦，到今天探索 Agent 的统一存储层，我们聊了 TiDB 的六次产品演化、FDE 为什么在 AI 时代重新走红、AI 基础设施和应用层还有哪些机会，以及一个创业者必须回答的问题：你做的产品，是大模型进步的受益方，还是六个月后会被模型吞掉的一层？
本文为 Day1Global 播客精编文字稿，基于最终录音稿整理。为便于阅读，内容在不改变原意的基础上做了口语顺滑、结构重组和术语统一，非逐字稿。
本文目录
一、11 年前的愚人节：为什么要再做一个数据库
二、从分库分表到 Agent-first：基础设施不断接管复杂度
三、AI 不会削弱数据库，反而会让它更重要
四、Agent 和人使用数据库，有什么根本不同
五、六次产品演化：从存数据到“把 Agent 自己存进去”
六、FDE 为什么成为 AI 公司的关键角色
七、TiDB 的新定位：Agent 背后的统一存储层
八、Memory、Sandbox、权限与评测：基础设施还有哪些机会
九、你是模型的受益方，还是被吞掉方
十、回答问题与完成任务之间，隔着一整套系统
十一、AI 变化越快，越要关注不变的东西
一、11 年前的愚人节：为什么要再做一个数据库
Star：11 年前的 4 月 1 日，Max 邀请你一起做一个开源分布式数据库。你的第一反应是什么？
唐刘：第一反应就是：Are you kidding me？
那是愚人节，而且我们当时从来没有在线下见过，只在网上聊过。更重要的是，那时国内做数据库内核和开源基础软件的人很少，我们之前也没有完整做过数据库。现在回头看，这件事能走到今天，反而很有意思。
但决定做 TiDB 的原因其实很朴素：我们遇到了一个真实而且非常痛的问题。
十几年前，中国互联网公司普遍使用 LAMP 架构，也就是 Linux、Apache、PHP 和 MySQL。业务小的时候，一台 MySQL 足够；但互联网业务增长太快，数据越来越多、访问并发越来越高，一台机器很快就扛不住了。
这时大家只能做分库分表。你可以把数据库想成一本账本：订单、用户、商品、支付记录都写在里面。一本账本装不下，就拆成很多本；访问压力太大，也分散到不同账本上。
问题是，账本拆开之后，复杂度没有消失，而是被转移给了业务开发和运维团队。跨库查询、数据路由、扩容和故障处理，都会变成工程师的噩梦。
我们当时的想法就是：能不能把这些不该由应用开发者承担的复杂度，下沉到基础设施？让开发者只关注业务，而不是天天处理分库分表。
某种程度上，中国互联网的发展史，也是一部“悲催的 MySQL 运维史”。TiDB 最初要解决的，就是这个问题。
二、从分库分表到 Agent-first：基础设施不断接管复杂度
Star：TiDB 的 11 年，好像也对应了数据库和互联网基础设施的演化。
唐刘：是的。TiDB 的发展史，本质上是一部不断把复杂度下沉的历史。
最初，我们解决的是 MySQL 分库分表。后来企业把系统搬到云上，数据库从本地自运维走向 Cloud Native 和托管服务；再往后，Serverless 出现，用户希望按需使用、按量付费，不再长期预留固定资源。
到了 Agent 时代，变化更大。数据库的使用者不再只是人和固定业务系统，而开始变成 Agent。它需要存的不只是结构化业务数据，还包括 Memory、State、文件、Workspace 和工具调用记录。
所以数据库正在从“存数据的系统”，演化成 Agent 的统一存储空间。TiDB 的历史，也可以看作互联网和 AI 基础设施迭代的一条缩影。
三、AI 不会削弱数据库，反而会让它更重要
Star：一方面，AI 产生了更多数据；另一方面，市场又担心 AI 会替代软件，数据库公司也受到冲击。AI 到底还需不需要数据库？
唐刘：我的判断是：AI 不会削弱数据库，反而会让数据库变得更重要。
AI 的确会压缩很多业务系统。过去企业购买 SaaS，是因为自己开发一套报销、人力或 CRM 系统太贵。现在，Agent 写代码和构建应用的能力越来越强，一些中间层业务软件可能被快速生成，成本也会下降。
但业务系统被压缩之后，企业的数据不会消失。客户信息、订单、权限、流程状态和历史上下文，仍然是公司的核心资产，必须有地方可靠地保存。
因此，数据库会成为 Agent 的状态、上下文和业务事实最核心的 Source of Truth。
不过，传统数据库只提供 CRUD，也就是增删查改，已经不够了。Agent 还需要 Memory、State、文件系统、Workspace、权限、审计和恢复能力。未来有竞争力的数据库，不只是“一个库”，而是可扩展、面向多种数据形态，并且把 Agent 当作一等公民的统一存储引擎。
四、Agent 和人使用数据库，有什么根本不同
Star：当数据库的用户从人变成 Agent，使用方式会发生什么变化？
唐刘：至少有四个明显区别。
第一，Agent 的访问更高频、更动态，也更不可预测。人会按照界面和固定流程操作，工程师也会给业务系统制定数据库最佳实践。但你只会告诉 Agent 一个目标，至于它查多少次、怎么组合查询、什么时候写入，往往无法预先确定。
第二，Agent 需要更完整的上下文。人脑会记住大量背景信息，但 Agent 要完成下一步任务，必须重新读取历史、状态、环境和相关数据。它需要保存和召回的内容，通常比人多得多。
第三，生命周期更短。人创建的数据库往往长期运行；Agent 可能为一个任务临时创建数据库，任务结束后立即销毁。大量数据库会进入“用后即焚”的状态。
第四，Agent 不只需要知道“数据在哪里”，还要知道当前状态是什么、自己拥有什么权限、下一步可以做什么，以及之前发生过什么。因此，可追溯、可审计、可监控和可恢复会变得非常重要。
也就是说，Agent 对数据库的要求不是更低，而是更高，而且与过去完全不同。
五、六次产品演化：从存数据到“把 Agent 自己存进去”
Star：这些变化并不是凭空想象出来的。你们服务 AI 客户时，经历了哪些具体需求？
唐刘：我们大致经历了六个阶段，而且几乎每一步都是客户推着我们往前走。
第一个阶段，是存储 AI 应用产生的海量数据。一家头部大模型公司在用户快速增长后，发现原来的 PostgreSQL 很难承载大量对话和应用元信息，分库分表又拖慢研发，于是迁移到 TiDB。这时我们以为，AI 公司使用数据库和互联网公司没有本质区别，核心仍然是可扩展性。
第二个阶段，是“一位用户一个数据库”。Dify 提出，他们不希望把所有 SaaS 租户放在同一张表或同一个数据库里，而是希望每个用户拥有独立数据库。这样可以更好地隔离故障和数据，避免一个租户影响其他租户，也更容易独立计费。对 TiDB 来说，挑战从“把一个数据库做大”，变成了“同时管理几十万甚至上百万个数据库”。
第三个阶段，是让 Agent 自主管理数据库。一家头部 AI Agent 平台希望为海量用户生成彼此完全不同的网站和业务系统。每个应用都有独立的数据模型，数据库的创建、表结构设计、查询代码和生命周期，都由 Agent 自主完成。
这一刻，我们意识到：数据库已经不是给人设计的，而是要给 Agent 设计的。Agent 必须成为数据库的一等公民。
第四个阶段，是把文件也放进来。一家智能录音硬件公司原本把音视频放在对象存储，把摘要、标签和逐字稿等元信息放在数据库。但两套系统之间容易出现一致性问题，元信息会遇到扩展瓶颈，文件读取还需要额外的缓存和热点治理。
客户问我们：能不能把文件和元信息放进同一个体系？这推动 TiDB 从传统数据库进一步走向文件系统和统一存储。
第五个阶段，是云盘和 Workspace。Coding Agent 通常运行在无状态 Sandbox 中，一旦沙箱中断，任务环境和中间状态就可能丢失。因此客户需要一个可以挂载到沙箱的持久化云盘，还要针对 Git、代码克隆、提交和大量临时文件进行优化。
这时，TiDB 不再只是保存数据和文件，而开始成为 Agent 的运行时 Workspace。
第六个阶段，是 Agent Stack。头部 AI 公司有能力自己搭建模型调用、Sandbox、Memory、存储、监控、计费和审计系统，但大量中小企业没有这样的研发能力。它们希望获得一套按需使用的基础设施，只需要关注自己的 Agent 业务逻辑。
因此，我们开始与生态伙伴一起整合数据库、文件系统、Sandbox、Agent Core 和其他开源组件，为开发者提供更完整的 Agent Infra 入口。
Star：所以一开始是存海量数据，后来是几百万个数据库，再后来是存文件、存运行环境。到最后，已经不只是“存数据”了，有点像把 Agent 自己存进去。
唐刘：对，这个比喻很准确：把 Agent 自己存进去了。
六、FDE 为什么成为 AI 公司的关键角色
Star：这些需求都来自客户。为什么 FDE，也就是前向部署工程师，在 AI 时代又变得重要？
唐刘：我甚至会说，如果一家 AI 公司没有 FDE，很难把产品真正交付给企业客户。
AI 产品太新，客户往往不知道自己究竟需要什么，厂商也无法提前定义完整答案。传统企业的链条是：产品经理收集需求，研发开发，市场包装，解决方案团队培训，再由销售交付。这个流程在成熟行业可以运转，但在 AI 时代太慢了。
客户可能早上提出需求，晚上就希望看到结果。FDE 的价值，就是让有工程背景的人直接进入客户现场，理解业务、调整方案，甚至现场修改产品，再把反馈快速带回研发。
TiDB 在 AI 业务线上，很多销售就是资深研发转过去的。因为客户本身高度技术导向，技术人员和技术人员直接交流，更容易建立信任，也更容易识别客户没有说清楚的真实问题。
AI 时代最重要的是 Speed matters。跑得快不代表永远不犯错，但反馈足够快，就有更大的调整空间。
对程序员来说，这也是一个变化：单纯写代码的价值会下降，但理解业务、发现问题，再借助 AI 快速交付的价值会提高。有工程背景的销售和 FDE，会越来越重要。
七、TiDB 的新定位：Agent 背后的统一存储层
Star：在 AI 生态里，TiDB 怎么定位自己？
唐刘：我们的本质没有变，仍然是帮助用户保存、查询和管理数据。但数据库的用户已经从人转向 Agent，所以产品边界也要变化。
我们希望 TiDB 成为 Agent 和 AI 应用背后的 unified storage layer，也就是统一存储层。
Agent 产生的 Memory、State、Workspace、文件、权限信息和工具调用记录，都应该能够被保存、查询、恢复和治理。开发者不需要分别搭建很多套系统，也不需要自己处理复杂的状态和上下文管理，只要专注于 Agent 的业务逻辑。
11 年前，我们希望消除程序员分库分表的噩梦；未来十年，我们希望消除 AI 开发者管理状态、上下文和记忆的噩梦。
八、Memory、Sandbox、权限与评测：基础设施还有哪些机会
Star：除了存储，你还看好哪些 AI 基础设施方向？
唐刘：第一是 Memory。真正有价值的记忆系统不只是抽取事实和做摘要，而要和 Agent 的推理、工作流以及客户业务深度结合。它很难做，但一旦进入核心业务，粘性也很高。
第二是安全的 Sandbox。Agent 要执行代码，就需要隔离的运行环境。如果能在保证安全的前提下，提高单机调度密度、降低成本，商业价值会很明显。
第三是企业级能力，包括身份认证、权限、可观测性、数据治理和审计。很多早期 Agent 更像玩具，但进入严肃业务后，企业一定会要求安全、合规和可控，而这些往往也是客户最愿意付费的部分。
第四是评测。一个 Agent 到底做得更好了还是更坏了？一个任务是否真正完成？很多时候，不运行就无法判断；但直接在线上运行，又可能造成损失。如何建立可靠的评测和验证系统，是一个长期机会。
九、你是模型的受益方，还是被吞掉方
Star：面对客户提出的各种需求，你们怎么判断一个方向值不值得做？
唐刘：AI 领域有一个必须回答的问题：你到底是模型进步的受益方，还是会被模型吞掉的一层？
大模型迭代太快。你今天解决的问题，六个月后可能直接变成模型的原生能力。很多过去需要复杂编排和 Prompt Engineering 的任务，现在只要把目标说清楚，Agent 就能自动完成。
所以做 AI 产品时，要判断模型越强，你的价值是越大，还是越小。
我认为真正的护城河可能来自几件事：第一，别人没有的私有数据和上下文；第二，深度融入企业工作流，成为日常运营的一部分；第三，形成完整的产品生态和解决方案；第四，拥有持续触达客户的渠道，以及快速反馈、快速交付的执行力。
但最核心的判断仍然非常直接：有没有人愿意为你解决的问题付钱？如果没有，作为公司就很难长期成立。
应用层已经出现不少真实价值，包括应用生成平台、企业 AI Workforce、Coding Agent、Agent Payment、AI 搜索、智能硬件和情感陪伴。但这些领域最终能留下多少公司，取决于它们能否建立模型能力之外的壁垒。
十、回答问题与完成任务之间，隔着一整套系统
Star：过去一年，你对 AI 最大的一次认知变化是什么？
唐刘：以前我们更关注模型能不能回答问题、Prompt 怎么写。后来我越来越觉得，真正困难的事情不是让 AI 想明白，而是让它把事情做完。
回答一个问题和完成一个任务，中间差得非常远。
完成任务需要上下文、工具、权限、状态和运行环境，还要有失败恢复、审计和人机协作。模型只是其中一部分。模型越强，围绕它的系统能力反而越重要。
这也是为什么我现在更关注 Agent 的运行环境，而不是只关注模型本身。只有当这些环节被补齐，Agent 才能从“会回答”走向“能交付”。
十一、AI 变化越快，越要关注不变的东西
Star：未来十年，有哪些东西不会变？
唐刘：第一，商业本质不会变。你做的东西，最终要有人愿意付钱。即使未来主要用户变成 Agent，也要有 Agent 或其背后的组织愿意为价值买单。
第二，数据的价值不会变。AI 生成的数据会越来越多，单条数据的密度可能下降，但真实业务数据、历史上下文和高频访问的数据会更加重要。
第三，对简单性的追求不会变。无论用户是人、开发者还是 Agent，系统越简单，越容易被正确使用。
第四，可靠性和可信任性不会变。用户不会因为产品由 AI 构建，就接受丢数据、权限泄露或任务乱执行。
Star：你最后推荐了《系统之美》。它为什么对你影响很大？
唐刘：这本书让我不再只看单点问题，而是把问题放进完整系统里，看反馈回路、延迟和杠杆点。
做数据库和基础设施时，一个看起来很小的设计，可能同时影响可靠性、性能、可运维性、开发者体验，甚至公司最终会长成什么样。AI 也是如此。一个 Agent 很快做出功能，并不代表系统已经完整；状态如何保存、权限如何管理、过程能否审计、失败能否恢复，都会影响最终结果。
真正重要的不是优化某个局部，而是看清系统如何运转，以及改变系统的杠杆点在哪里。
AI 的变化会让人焦虑。新的模型、框架和各种“Engineering”概念不断出现，可能几个月后又被替代。缓解焦虑的一种方式，是少追逐短期名词，多关注长期不变的价值链：理解客户、解决真实问题、可靠交付，并持续创造有人愿意付费的价值。
写代码可能不再是程序员唯一的核心竞争力，但在需求、产品、交付和运维构成的完整系统里，人仍然可以创造很大价值。
免责声明：本文仅为播客内容整理，不构成投资、技术选型或商业决策建议。
我们每周 1-2 封邮件，深度解析Web3和AI应用，帮助你做全球化时代的超级个体，创造属于自己的故事，拥有自己的个人品牌
如果你觉得我们的内容对你有帮助，请订阅我们的播客和Newsletter，并多多推荐给朋友。你的支持是我们创作内容的最大动力。
最后欢迎通过打赏或付费订阅来支持我们
打赏地址
捐赠平台：Web3Brand @ Giveth (平台会奖励$GIV)
ETH：0x0D66A74b64198F3a27298e1a08007FDcAcF08fD3
BTC：bc1qp26ljfpzmu4p3tvgrrmdx7h4cuzz5c9gqv54hr
Doge: DEN9XmHCXvbLQAKrZUZZHZBSyyY1uhpNs4
SOL: 6KDaycLzxyzVdFsgieoCVjJKYEmffB8FztVmYZAiSmQQ
TON: UQDmT8U8AUVvjOCmfQemABi1auZn6unACxGVDeU9t1cqJ0ee