# Intelligence is Free, Now What? <br> Data Systems for, of, and by Agents
- 来源：blog · http://bair.berkeley.edu/blog/2026/07/07/intelligence-is-free-now-what/

> 推理成本趋零，数据系统需为Agent重新设计：承载、管理、甚至由Agent生成。

## 概要

本文是伯克利多位数据库与系统领域教授（Parameswaran、Zaharia、Stoica等）的博客文章，核心观点是随着LLM推理成本快速下降（从$30/M tokens降至<$1，甚至<$0.1），Agent将成为数据系统的主要负载。作者提出三个研究方向：1）数据系统为Agent设计（Data Systems For Agents）：Agent产生大量重复或近似的查询，数据系统需要支持多查询优化、近似查询、批量查询接口，甚至主动提供反馈，以加速Agent的探索。2）数据系统管理Agent（Data Systems Of Agents）：为成千上万的Agent提供记忆、协调、容错的基座，强调结构化记忆（如按属性检索）、并发控制（如CRDT）、避免活锁等问题。3）Agent生成数据系统（Data Systems By Agents）：利用免费智能合成定制化的数据系统（如OLAP引擎、KV存储），但需解决规范不完整导致reward hacking问题，可通过验证Agent、形式化证明等方法。文章展望了Agent与数据系统的融合与共同进化。

## 对我的影响

1. **对情报平台与导购agent的启发**：结构化记忆（structured memory）概念可直接用于我的情报平台——按项目、标签、知识类型等维度组织论文笔记和技能，而非依赖全文检索。导购agent可借鉴此思路，存储用户偏好、商品属性等结构化记忆，提升检索精准度。下一步：尝试用Postgres或SQLite实现简单的结构化记忆层，并按属性存储和检索agent的经验。
2. **对agent产品的架构启示**：数据系统For Agents部分提到主动数据系统（proactive DB）可为agent提供性能反馈、物化视图等，这改变了我对数据层被动性的假设。在导购agent中，可让数据系统提前预计算常用查询结果（如热门商品、用户购物车摘要），减少agent的SQL查询次数，提升响应速度。
3. **对技术选型的影响**：文章指出文件系统+markdown作为agent记忆在当前规模可行，但大规模下会崩溃，这印证了我在构建agent技能库时应避免纯文件方案，应尽早设计结构化存储。同时，agent生成数据系统（如Bespoke OLAP）提示我未来可为特定负载定制查询引擎，但目前我的场景规模较小，暂不采用，保持关注即可。
4. **后续行动**：阅读文中提到的关键论文（如agentic speculation、structured memory、synthesizing key-value stores），并将结构化记忆概念原型化到我的情报平台中；同时关注Temporal等durable execution方案在agent编排中的应用。

---
*导出自 前沿论文情报台*