人手一个数据库，Kimi背后这套AI基建到底有多能扛？
Agent时代的数据库，怎么跑通商业化？
人手一个数据库，Kimi背后这套AI基建到底有多能扛？ – 量子位
首页
资讯
智能车
智库
活动
MEET大会
AIGC
扫码关注量子位
< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">
人手一个数据库，Kimi背后这套AI基建到底有多能扛？
思邈
2026-05-14
22:58:53
来源：
量子位
Agent时代的数据库，怎么跑通商业化？
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。
但在这种体验背后，真正的工程算力挑战才刚刚开始：
如果有100万个用户随口说了这句话，就意味着后台要瞬间承载100万个独立的生产级数据库——被真实用户长期读写。
在传统数据库的产品形态下，这种工作负载量几乎无法被承接。
那么Kimi究竟是如何在成本、规模与性能的“不可能三角”中，实现这种
“人手一个数据库”
的奢侈配置？
为什么“传统答案”都不成立
AI建站这一类场景，对模型厂商来说有一个基本的经济结构：
算力消耗集中在Agent生成代码的那几下，服务上线后是按月收订阅费。
一旦运行起来，托管的基础设施成本（web服务器、带宽、数据库）相对算力成本要低得多，厂商的利润空间主要靠这一部分。
但这套商业模式有一个前提：
基础设施成本必须能压得下来。
把Kimi K2.6这个场景的工程约束拆解开，有三条特别刺眼的要求。
第一条：数据库实例的粒度，是“每终端用户一个”
十万用户，就是十万个数据库。一百万用户，就是一百万个。
而且绝大多数实例会长期处于极低活跃，用户建完一个站之后，可能很久不再打开。
按传统云数据库的定价模型，一个最小实例大约每月十几到二十美元。乘以百万，账单天文数字。问题不是数据库贵，是
商业模型无法规模化
。
第二条：数据库的schema是LLM现场生成的
（注：schema指数据库模式，是定义数据怎么存的逻辑结构。）
过去二十年，schema设计是一个需要DBA（数据库管理员）、需要review、需要版本管理的慢决策流程。
在Kimi K2.6这里，schema是LLM对用户一句自然语言的翻译，例如“读书笔记需要什么字段？”“评分存整数还是文本？”，瞬间就能决定。
更棘手的问题是，
用户会继续对话
。
下一次用户说“帮我加一个收藏功能”，Agent又要动一次表结构。
这时候数据库里已经有了真实用户数据。Schema一旦改错，轻则查询失败、用户报错，重则写入紊乱、数据不可恢复。
第三条：负载分布是“零-峰两极”
大多数站建完就闲置。但只要有一个站被小红书推荐、被X平台热转，瞬间并发可以跳到百倍以上。
所以，数据库必须同时扛住
“绝大多数近乎零、少数瞬间爆量”
的极端曲线，而且要做到
爆量租户不能拖垮其他所有租户
。
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%。
△来自Dify官网
今年，Kimi K2.6把TiDB用到了更复杂的场景——Agent直接向终端用户交付数据库驱动的完整应用。
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。
版权所有，未经授权不得以任何形式转载及使用，违者必究。
Agent
Kimi K2.6
TiDB Cloud
数据库
思邈
Auto Research时代，47个没有标准答案的任务成了Agent能力必测榜
2026-05-13
具身大模型R1时刻：LIBERO终结者，99.9%背后的物理推理新范式
2026-05-11
00后下场整顿Agent：啥都不学就能用好AI，这才是正确打开方式
2026-05-07
香蕉和GPT Image之外的第3条路：华人15人团队造出AI生图黑马
2026-05-06
扫码分享至朋友圈
相关阅读
开源Agent模型榜第一名，现在是阿里通义DeepResearch
超越OpenAI Deep Research、DeepSeek-V3.1
闻乐
2025-09-18
Agent
AI开源
通义
@CEO，你的下一个私人助理何必是人类
本地部署，开箱即用
闻乐
2025-09-17
Agent
AI一体机
00后下场整顿Agent：啥都不学就能用好AI，这才是正确打开方式
低提示词，挑战主流模型的交互逻辑
邓思邈
2026-05-07
00后
Agent
胖鹅AI
Meta华人实习生搞出超级智能体！自己写代码实现自我进化
Agent实现改进方法的自我迭代
henry
2026-03-31
Agent
元学习
微盟七天七夜找回删库数据，决定赔付商家1.5亿，痛定思痛全面上云
十三
2020-03-02
全上云
微盟
数据库
小红书让智能体们吵起来了！联合复旦推出大模型专属群聊工具
AI争夺家产继承权？
衡宇
2024-04-30
Agent
复旦大学
热门文章
原生Agent杀入画布！一站式搞定专业创作，全程可控、不抽卡
2026-05-07
两项AI政策发布，范式智能战略布局与产业方向高度契合
2026-05-09
太初元碁携龙虾一体机亮相北京科博会
2026-05-09
阶跃最新语音模型位列 Artificial Analysis 评测榜中国第一
2026-05-09
不更新参数就能强化学习！OpenAI翁家翌提出新范式：决策只需AI手搓一个.py 文件
2026-05-09
关于量子位
加入我们
寻求报道
商务合作
扫码关注量子位
追踪人工智能新趋势，报道科技行业新突破
量子位 QbitAI 版权所有©北京极客伙伴科技有限公司
京ICP备17005886号-1
本文来源：量子位