允中 发自 凹非寺

量子位 | 公众号 QbitAI

“帮我搭个读书笔记网站，带登录和搜索，能导出的那种。”

如果你最近在Kimi K2.6的Agent模式里敲下这句话，5分钟后，你拿到的不再是一堆需要自己调试的Python代码，也不是一个只能看的静态Demo。

而是一个真实可访问的URL。

前端、后端、独立数据库、用户账号体系……全套齐备。你可以直接把链接甩给朋友，他注册后存入的数据，会稳稳地停留在你这套系统的独立数据库里。

比起v0或Lovable这些AI建站工具，Kimi实际上接管了用户从开发到托管、再到数据库运维的全生命周期。

这三条合在一起，在传统数据库的产品形态下，几乎是做不出来的：

路径A：单实例 schema隔离几百个租户行，几万个直接打爆查询规划器。爆款站还会连累所有邻居。Kimi工程团队也实际测过这条路：用一个大型PostgreSQL实例做多Schema隔离，单实例在万级规模时就开始扛不住，更不用说复杂的流控、故障半径控制、数据隔离这些更深一层的问题。路径B：一个用户一个RDS（托管关系型数据库服务）实例不管是RDS还是Neon/Supabase这种Serverless PG包装，本质都是为每个用户分配一个真实的PostgreSQL实例；到百万级租户，单是实例存在的基础月费就已不可接受。Kimi的选择，以及为什么是这个选择

Kimi后端最终落在了TiDB Cloud上。

Kimi工程团队做了三个关键决策，每一个都对应解决上面三条约束中的一条。

决策一：极致低成本——用Serverless Cluster的多租户能力，承接“每个用户一个独立数据库”

既然问题出在“每用户一个真实实例”，TiDB Cloud在这层走了另一条路：引入一层“虚拟数据库界面”。

长尾的、绝大多数时间没请求的租户，平台并不真实分配数据库实例；只在Agent/终端用户实际发起请求的瞬间，由一个常驻的DB Session Gateway维持数据库连接，其他资源全部走弹性供给。

落到Kimi K2.6的场景里，这意味着“百万用户的建站后端”在单位经济上跑得通。

为了更直观地呈现这种技术代差，我们将这一架构与以Supabase为代表的典型Serverless数据库，进行了对比：

下面是TiDB Cloud的多租户：

决策二：统一技术栈——vector SQL JSON把Agent的“写代码”难度压下来

Kimi K2.6建站Agent里，LLM写出来的典型查询经常在一条SQL里同时做多件事——按用户过滤、按标签筛选（JSON字段）、按向量相似度排序、按时间倒序。

在分离的栈里，同样的需求要LLM协调三个client、自己做事务、自己做结果合并……这在LLM写代码的场景下，错误率会指数级叠加。

而在TiDB里，这是一条SQL。

统一栈在这里的价值不是“性能更好”，而是让Agent有机会把代码写对的前提条件。

决策三：最小化摩擦——Warm Pool scale-to-zero让Agent在1秒内拿到完全准备好的数据库实例

Agent生成应用时，数据库的创建不能是一个需要等待几分钟的provisioning流程。

它应该像运行时资源一样：需要时立刻可用，用完后成本足够低。

TiDB Cloud通过Warm Pool预先维护一批已经完成底层准备的Starter实例。

Kimi需要新实例时，不再走完整创建链路，而是直接从预热池中分配；再叠加Starter scale-to-zero的能力，闲置实例的计算成本可以压到很低。

这让一用户一实例不仅在隔离和成本上成立，也在体验上成立——

Agent可以在1秒内拿到fully prepared instance，继续生成schema、写入数据、启动应用，而不需要把等待、轮询、失败重试写进自己的代码。

这不是Kimi一家的选择

Kimi K2.6的这次选型，如果是孤立事件，只是一则产品新闻。

但放在更大的坐标系里看，它是一条正在形成的行业曲线上的一个点。

一个平台侧的数据可以先交代：今天在TiDB Cloud上新建的集群里，超过90%是由AI Agent直接创建的，而不是由人类工程师创建的。这个比例一年前还远没有这么高。

数字背后是一批AI Agent团队在各自做完基建选型后，不约而同地走向了同一类架构。几个关键数据点值得放在一起看：

去年，某全球知名AI Agent平台的AI Agent选择TiDB作为其核心数据层，并在其技术博客和开发者社区公开了架构细节。

当时讲的是“Agent用数据库作为工作台”。

更早，Dify这家做LLMOps的低代码平台公司，过去为每个开发者租户分配独立数据库容器，规模做到一定程度后扛不住运维，最终把所有租户合并到一套TiDB Cloud上：基础设施成本降80%、运维负担降90%。

几个团队各自做完工程评估，得到的答案差不多。

这种聚合本身就是一种行业信号，通常意味着底层工程约束已经稳定到一定程度。

把视角再拉远一层，每一代AI基础设施其实对应着一种新的“计算单位”。

Web时代是用户，一个产品要扛几亿人同时来。

移动时代是会话，一个App要扛几亿个并发会话。

Agent时代是Agent自己，每个真实用户身边可能有10个、100个独立运行的Agent实例，每个都要有自己的状态、记忆、数据。

△图片由AI生成

Agent在跑起来时需要的不仅仅是数据库，还需要一个独立的sandbox来执行代码、一份独立的storage来存它的工作产物。

One agent, one sandbox; one storage, one database，这套“每个Agent一份独立运行环境”的架构，正在成为Agent原生应用唯一可行的假设。

Kimi、Dify、Plaud以及全球各地不断涌现的Agent团队，都不约而同地做出了相同的判断。

写在最后

新的默认标准正在形成。过去一年，TiDB的产品演进，正是在将这些共识逐一落实到具体产品中。

Kimi等团队的选型，正是这一趋势的独立验证。

当然，TiDB团队的目标，远不止数据库这一层。

△图片由AI生成

Agent作为新一代应用的核心计算单位，它需要的不只是一个数据库，还需要持久化工作产物的storage、维持跨session上下文的memory层，未来还会有更多组件。

TiDB正在沿着这条线，为Agent这一代应用补齐一整套通用的运行时基础设施：

mem9：是这条线上已经落地的第一个组件。Agent每次重启不应该从零开始，mem9为Agent提供持久、跨session可检索的memory层。drive9：是第二个组件，Agent的sandbox可以随时创建和销毁，但工作成果不能跟着消失。drive9为Agent Sandbox提供持久、共享、可挂载的workspace。

后续还会有更多组件落地。Agent-native应用的标准运行时，正在一块一块成型。

AI应用的上半场比模型，下半场比地基。

当Agent进入“为终端用户交付应用”的阶段，模型能力本身已经不是决定胜负的唯一变量。

能不能选对一套数据底座，让交付出去的东西在真实用户面前稳定跑起来，正在变成模型厂商的核心运营能力。