6 位技术专家 · 六大硬核主题
一场数据库与 AI 的深度融合盛宴

📅 活动信息

• 时间：2026 年 7 月 10 日
• 地点：北京丽都皇冠假日酒店
• 主办：OpenAtom OpenTenBase 社区 × 腾讯云

开放原子技术沙龙 · OpenTenBase 城市行北京站成功举办。本次活动邀请 6 位来自数据库内核、AI 智能体、企业运维一线的技术专家，围绕多模融合知识底座、列存引擎、智能运维、Agent Memory、告警分析与 QClaw 实战六大主题展开深度分享，为现场观众带来了一场硬核数据库技术与 Agent 落地实践交织的技术盛宴。

活动伊始，OpenTenBase 社区执行总监臧秀涛介绍了社区发展情况。目前，OpenTenBase 社区已形成兼容 PostgreSQL 与 MySQL 的双内核架构，去年两个内核同步发布了最新版本，为拥抱 AI 时代打下坚实基础。未来希望有更多企业和开发者加入社区建设。

— 主题演讲 —

01 魏波：多模融合知识底座

让企业 AI 智能体少走弯路
北京晟数科技技术顾问 · 中国 PostgreSQL 分会副秘书长

魏波从一线智能问数项目经验出发，直击企业智能体落地的两大共性痛点——数据与知识的割裂和多模数据架构困境。他指出，传统“一类型数据一套库”的拼接方案（如 Milvus + Redis + ES + Neo4j + 关系型数据库）导致同步链路复杂、一致性差、运维成本高昂。

为此，他提出了“应用场景—智能体平台—知识中台—多模融合数据库底座”四层一体化架构，以基于 PG 生态的 OpenTenBase 为单引擎底座，通过 pgvector、tsvector、Apache AGE、TimescaleDB、PostGIS 等扩展，将关系、全文、KV、向量、图、时序、空间七种模态统一存储。

📊 三大场景推演

• 金融智能问数：复杂多表 SQL 准确率 80% → 90%
• 政务政策问答：准确率 90%+，办事指引完整度 96%
• 企业运维排障：根因定位准确率 65% → 85%，排障时间缩短 50%

最后，他给出了“底座收敛—中台沉淀—平台规模化”的渐进式落地建议，并描绘了 AI 厂商、PG 生态厂商、行业集成方三层生态协作的共建蓝图。

02 陈开旺：拥抱列存

TXSQL 在 AI 时代的进化与突围
腾讯云数据库研发工程师 · TXSQL 内核委员会成员

陈开旺从“AI 时代编程的本质变了吗”这一命题切入，对比了三种编程流水线——SQL 的“目标-规划-执行”范式、传统编程的“算法翻译”范式与 AI 编程的“意图-转换-执行”范式。他指出，大模型加速了“组装”和“代码生成”效率，但《计算机程序的构造和解释》（SICP）所定义的“原语、组装、抽象”三大编程要素从未改变，AI 改变的是编程的“速度”而非“本质”。

“调优是战术，列存是战略。调优能解决 90% 的问题，剩下 10% 必须依靠列存的暴力算力兜底。”

他系统拆解了 TXSQL 列存引擎的四大核心技术：

• 极致压缩 — 10:1~50:1 压缩比
• 列裁剪 — 减少 IO 吞吐
• 批量处理 — 减少虚表调用开销
• 向量化计算 — SIMD 指令集并行

⚡ TPC-H 100GB 基准测试

• 行存总执行时间约 6000 秒
• 列存仅 27.91 秒
• 综合性能提升约 215 倍

他同时直面 DDL 变更重建开销、行存与列存双形态数据校对一致性、HTAP 场景下 OLTP 高频点查与 OLAP 大规模扫描资源争抢等真实工程挑战，分享了以异步列存刷新结合智能调度器的解决方案。展望未来，TXSQL 将持续深耕列存与自治能力，同时探索扩展隔离框架。

“不恐惧 AI，不迷信 AI。用可调、可扩展的系统拥抱不确定的未来。”

03 陈卫星：大模型赋能智能运维

从救火队员到自治理
北京神脑资讯技术有限公司 CEO · OpenTenBase ACE

陈卫星以一个凌晨 2:00 数据库 CPU 飙升至 95% 的真实告警场景开场——值班 DBA 用了 40 分钟才定位根因，而基于大模型的根因分析 Agent 预计 3 分钟即可给出三个最可能根因及证据链。

“这 40 分钟和 3 分钟之间的差距，就是我们做这件事的意义。”

他构建了“感知—认知—决策—执行 + 反馈闭环”的四层智能运维架构，以及推理规划、记忆检索、自我反思、协作沟通等核心能力，并重点解读了四大关键技术：

• RAG 检索增强 — 基于企业私有知识作答，减少幻觉
• 思维链 CoT — 推理过程可视化，赢得 DBA 信任
• Multi-Agent 协作 — 规划者 + 执行者 + 审核者角色分工
• Prompt 工程 — 领域特化提示词模板化

🎯 五大落地场景实测

• 智能问答助手：响应时间 2 小时 → 5 分钟
• 告警根因分析：定位时间 40 分钟 → 5 分钟
• 慢 SQL 治理：3 个月自动优化 1.2 万条，性能提升 6 倍，DBA 救火量下降 70%
• 自动化巡检：从“每天 2 小时人工”压到“自动 5 分钟”
• 知识沉淀：Agent 自动生成“故障复盘报告”（时间线、根因、影响、方案、改进项）

他也坦诚分享了三大挑战的应对策略：大模型幻觉用 RAG + CoT + 证据链 + 强制人工审核化解；数据安全用本地化部署 + 敏感字段脱敏；组织适配从“能省时间”的小工具切入让团队尝到甜头。最后，他给出了从辅助诊断、半自动化、高度自治到全面自智的四阶段渐进路径。

“大模型不是替代 DBA，而是将 DBA 从重复劳动中解放。”

04 谭琬潼：Agent Memory 开源实践

让记忆成为 Agent 的能力底座
腾讯云数据库产品经理

“Agent 今天的瓶颈已经不是‘能不能做’，而是‘能不能接住已有的经验，别每次都从零开始’。”

谭琬潼详细拆解了项目“分层 + 符号化”的记忆设计哲学，与传统平铺向量方案的“无全局视角、语义干扰、黑盒不可审计”三大缺陷形成鲜明对比。

短期记忆将繁杂的工具日志和中间推理异步压缩为高密度 Mermaid 符号图谱，Agent 平时看图谱推理、需要细节时按 node_id 逐层下钻回完整原文，实现 100% 无损溯源。长期记忆构建了 L0 至 L3 的语义金字塔：

🔺 记忆金字塔

• L0 原始对话 — 最可信
• L1 原子事实 — 结构化提取
• L2 场景块（Markdown）— 场景归组
• L3 用户画像（persona.md）— 最浓缩

越往上越浓缩，越往下越可信，全程白盒可读。

本次分享的重磅亮点是首次公开的“团队记忆”功能——将记忆从“单 Agent 私有缓存”升级为“面向项目的人机协作资产系统”，包含四类核心资产：

• Chat Memory — 背景，来自历史会话
• LLM-Wiki — 知识，来自项目文档
• Code-Graph — 结构，来自代码依赖
• Skill — 方法，来自任务轨迹与 SOP

通过 Memory Hub 控制台实现组建 Team、生成资产、按角色分配、创建 Task 跑起来的完整闭环。项目以 MIT 协议完全开源（https://github.com/TencentCloud/TencentDB-Agent-Memory）、零外部 API 依赖、本地 SQLite + sqlite-vec 存储、clone 即跑，Roadmap 中已规划记忆可迁移、Skill 自动生成、可视化调试面板等方向，邀请社区共建 Agent 记忆底座。。

05 张松鹤：OpenCode + Skills + Grafana MCP

全开源的告警智能分析方案
敦煌网 DevOps 工程师

张松鹤针对基于告警文本（上下文不足、结论泛化）和基于 Dify 低代码工作流（配置繁琐、灵活性不足）两种常见方案的痛点，提出以 Skill 为核心的全新思路——Skill 之间可互相组合形成复杂工作流，具备四大优势：

• ✅ 可复用性强 — 同一套逻辑可用于 MySQL、Redis 等不同数据库
• ✅ 可输入人工经验 — 告警排查 SOP 直接编码
• ✅ 灵活可扩展
• ✅ 可调用外部数据源获取更多上下文

他以 OpenCode 作为 Agent Runtime，结合 Grafana MCP Server 拉取时序指标，通过 Skill 工作流编排实现“告警消息接收 → 自动匹配面板 → 根因分析 → 飞书推送”的完整闭环。

在 Skill 设计中，他将人工运维经验（如告警阈值——CPU 90% 算不算高、磁盘 IO await 20ms 是否异常）编码进 Skill.md，让 LLM 在分析时有明确参照系。部署采用 Headless 模式实现 7×24 小时运行，支持私有大模型。

💰 成本对比

• DeepSeek v4-flash 模型：单条告警分析成本仅 1 毛钱
• Claude sonnet-4.5：约 2 元
• 分析效果几乎没有差别

“AI 告警分析不替你做结论，而是把证据链整理好摆给你看。”

06 张瑞：QClaw × OpenTenBase 全流程实战

把数据库运维装进微信
腾讯云开发者社区技术产品运营 · QClaw 产品布道师 · OpenTenBase 核心贡献者

张瑞梳理了 AI 工具的三层应用分层——LLM 对话型工具（擅长思考辅助）、云端 Agent（擅长打包解决复杂任务）、本地/桌面 Agent（擅长接入真实工作环境），指出 QClaw 作为本地 Agent 框架的核心定位：不是“又一个助手”，而是通过网关连接 IM 实现远程控制、通过心跳机制打破“一问一答”限制，具备时间感知能力，并接入“龙虾管家-AI 安全沙箱”形成系统/网络/支付/Skills 多维防护的安全底座，数据全程不上传云端。

⚡ 运维效率对比

• 传统方式：VPN → 跳板机 → SSH → 敲命令
• QClaw：微信一句话 → 自然语言 → 智能体自动执行
• 平均耗时 15~30 分钟 → 30 秒

通过 OpenTenBase 专家包（Expert Package）的设计——集成提示词模板、专属知识库（RAG 精准检索）、意图路由、SQL 执行器等工具集——QClaw 实现了 10 个可执行 Skill 覆盖数据库全生命周期：

集群部署 · SSH 远程连接 · 备份恢复 · 集群运维
权限管理 · 慢 SQL 调优 · 插件治理 · 监控对接
日志分析 · 日常巡检

— 共 10 个 Skill 覆盖数据库全生命周期

他特别分享了工程落地中踩过的坑，并设计了“默认只读、展示计划再执行、红线机制、版本感知 + 验证闭环”四道防线确保智能体安全上生产。在四大实战场景中，展示了从建分布式表到慢查询分布式调优（命中分布键精准路由 vs 未命中全节点扫描、Broadcast/Redistribute 分析、聚合下推判断），再到集群全量诊断与精准运维、高可用与自动化巡检的完整闭环。

Workshop

TXSQL 实践

在 Workshop 环节，陈开旺老师从 TXSQL 源代码结构（https://github.com/OpenTenBase/TXSQL）入手，现场演示了项目的编译、构建和运行，并介绍了参与开源贡献的主要流程。最后，他通过一个实际例子，介绍了如何利用 AI 编程工具高效为 TXSQL 扩展功能。

总结

本次 OpenTenBase 城市行北京站，6 位专家沿着“数据库内核进阶”与“AI 智能体落地”两条主线，从列存引擎的百倍性能跃迁到多模融合知识底座的四层架构设计，从智能运维的四层闭环到 Agent Memory 的分层记忆探索，从全开源告警分析方案到 QClaw 全流程实战，为参会者呈现了数据库与 AI 深度融合的当下图景与未来路径。

活动现场气氛热烈，演讲后的 Workshop 环节更是让与会者亲自动手体验了项目实操。

OpenTenBase 社区将继续推动技术生态共建，助力企业与开发者在 AI 时代走得更稳、更快。

OpenAtom OpenTenBase 社区
GitHub: github.com/OpenTenBase
— 关注我们，获取更多技术干货 —