瓦力不哭，Agent 不写 SQL

在Agentbase 登场进入倒计时" data-itemshowtype="0" linktype="text" data-linktype="2">老夫聊发少年狂：扎克伯格豪赌华人天才少年，Meta 下注数据智能未来；数据库退场，Agentbase 登场进入倒计时一文中，我写了这么一句话：

“AI Agent 开启另一个新数据智能时代。。。具体形态是什么，我不知道。但我敢赌，它不会长在 SQL 的世界里，而会生长在 agent 理解、纠正、完成我们任务的每一次尝试之中。”

有位网名叫 Walle （瓦力）的同学在文章下面认真回复到：

感谢他花时间留言，逻辑清晰、专业扎实，说了三件事：

• SQL 图灵完备，天下无敌，不可能被取代

• 各大厂商正忙着将 AI 功能接上数据库，不像文章说的那样：数据库要过时了

• AI 的问题在于太贵，AI 的商业价值和互联网不能同日而语

他的观点很具代表性。Walle 也是我最喜欢的机器人 ，所以我专门花了一天时间写这篇文章，来推敲。

他的这些话乍看都没错：SQL 优雅、强大、不会死。

企业们也在向数据库加 AI 功能，比如加上 AI 函数、接入 LLM 调用接口、甚至接入 GPT 帮用户自动补 SQL、引入向量索引查 embedding、接个 RAG，搞个 Copilot 等等——

这些努力值得肯定，但说到底，更像是在老电视上装了个机顶盒，让它能播点 AI 的节目，看起来“智能”了一点。底层逻辑却从没改变。

本质上——它们是数据库时代的思维方式：怎么在旧系统上“加点智能”。

我们先来看以下几个变迁。

AI Agent 的接口不再是 SQL query，而是自然语言：意图识别 → 行动计划 → 工具调用。

它可能最终会“生成”SQL 作为底层指令，但中间过程 Agent 并不需要理解 SQL 的逻辑语义。

所以不是说 SQL 不重要，而是编程范式正经历：

• 查询 query → 任务完成 action，

• 声明式→互动，

• 人工操作→ Agent 主导：

这是 Web2 → Agent Web 的本质变迁。

过去，人 query 数据、分析数据、决策。

今天，人说目标，Agent 去调数据、调用工具、解释反馈。

人的行为在变：这正是 Meta、OpenAI、DeepSeek 等正在构建的世界。

正如 Walle 所言，大家现在都在忙着向 DBMS 里加 AI 功能。

要我说，方向可能不太对！

Agent 已经具备主动调用工具 + 执行反思（self-evaluation）的能力，不再等待人类“命令”调用函数，而是通过任务分解（task decomposition）自行寻找路径完成目标。

特别要点出“还回来告诉你 why”，这和传统函数调用（黑盒响应）完全不同，是具备解释性/可溯源的 Agent Trace，即下一代智能系统的标准能力。

这是 AI Agent 体系中的关键转变。

在这种范式变化下，向老系统加更多的功能、函数、命令，有点南辕北辙。

大家以为 AI 贵，是因为模型算力太贵、token 太贵。

但真正贵的是——如何把 AI 安进你的系统里，怎么接数据、怎么落地。

这不是算法问题，是工程问题，是数据治理问题，是系统组织问题。

而且，新的智能数据系统（比如 memory routing + context planner + semantic structure）其实是一种更高层的资源调度结构，省掉的，不只是人力，是整个旧式工程栈的维护复杂度。

今天，AI 如果只是“查下表”，那当然贵。 但如果它能自动完成任务（代替一个团队的活），自动复用历史 trace（让同类任务成本趋近于 0），自动生成 memory + feedback → 成为知识系统，那它就是整个系统的智能“操作层” + “创造层”。

我们已经进入以 token 成本计价 + 智能行为重用的时代。别再用“function call 便宜 / AI call 贵”来判断系统价值了。

举个例子，泉州电商丑拖鞋小哥 5个人，4 个 agent，去年做了 3000 万，今年目标 5000 万，人效 300 万，利润 30%！AI Agent 带来的价值让他成为同行业的佼佼者。

不仅中小商贩在变革，行业巨头更是 all in agent! 

扎克伯格已经暗示 Meta 交互方式将不可避免地从信息流主导→ AI Agent 主导的 Chat 任务完成。

随之而来的将是每年额外千亿美金的AI Agent 收入来源，同时成为 AI 时代的数据智能的规则制定者！

这样看来，他花 140 亿美金招募 Scale 的 Alex + 10 亿美金从 OpenAI 挖一大批 AI 工程师打造超级数据智能，还贵吗？

是的，在底层，Agent 最终还是会调用函数、生成 SQL、调用 API，就像今天 Copilot 写代码，它也只是调用已有的函数、类、库一样，这没问题，也没什么神秘的。

但关键点不在“有没有写 SQL”，而在：

1）谁在写？什么时候写？写给谁看？

过去是人写 SQL 给数据库看。 

现在是 Agent 写 SQL，但人并不关心 SQL 本身——人在发自然语言指令，Agent 只是把它“编排”成可执行的动作链条，SQL 只是其中一环。

这叫 从 declarative 编程（声明你要什么）→  procedural 编排（AI 替你决定怎么做）。

2）“能不能写 SQL” ≠ “理解 SQL 语义”

Agent 的重点不是写 SQL，而是理解你的意图

假设我要：“查最近一周点击率最高的广告”

Agent 需要自动知道从哪个表查什么字段，再决定是否要先 join、再排序、是否分页...

这些步骤以前都要人做。

现在你只说“我想看看最近谁最火”，它就懂了。

所以重点是：AI 把“任务理解”这层做了，而不是“SQL 是不是还在底层”。

3）从行为看新范式：任务驱动 + 动态执行链条

过去是：静态函数库，谁调用谁。 

现在是：Agent 动态构建执行链，做 Planning + Tool Use + Memory Routing。

例1：你说“我想知道我的广告预算最划算的投放渠道”

Agent 接管：

• 拆成多步任务（调数据、算 ROI、生成结论）

• 自动调用 SQL/API/模型LLM/搜索工具/记忆库/分析函数/可视化组件

• 最后还给你一段解释：“我发现微博 ROI 是 1.7，抖音是 1.2，所以建议重点投微博。”

例2：“给我看最近涨停最多的个股”

Agent 接管：

• 任务分解：这涉及调用行情数据、历史涨停数据、按时间排序、设定阈值等

• 工具选择：哪些字段、表、API、函数模型能提供这些数据？

• 反馈执行链：根据目标调整路径、缓存中间结果、生成解释、复述结论

这个过程不像传统函数调用，是静态、封闭的。 而是：动态、反馈式、路径依赖式的 Agent Chain。

它可能在执行过程中：

• 调用 SQL，也调用 LLM

• 调用搜索工具，也调用记忆库

• 调用分析函数，也调用可视化组件

• 这套机制不是“能不能写 SQL”，而是：它能不能干完这活，还告诉你它为啥这么干。

所以，不是 SQL 不重要，而是 SQL 退居幕后——未来人类和系统的交互，中心从“数据结构”变成了“任务结构”。

4）Agent - 数据系统的共建者

当你要：“看下哪类用户最近最活跃”，你本质上不是想要一张表，而是：

• 一种趋势判断

• 一种面向业务决策的支持

• 一种可解释的结论，可能还需要图表、建议、推理路径

传统 BI 工具可能查几个表做可视化。

Agent 系统会说：“你等一下，我来跑下用户行为聚类 + 热点事件相关性分析 + 社交传播路径建模”。

Agent 系统本身会主动使用数据，也会生成新的数据（比如 plan、trace、memory），不是数据系统的“使用者”，而是“共建者”。

再举一个例子，当你和一个机器人对话说：“帮我找出过去一周热销产品里库存最低的”，它不会真的“学会 SQL”，而是：

• 识别你的意图；

• 拆解为多个子任务；

• 决定其中某步是否需要访问数据库；

• 如果需要，就调一个能生成 SQL 的函数模块来获取数据；

• 获取完数据继续往下走，比如生成一张图，发封邮件，甚至反过来修改库存。

我认为不是“取代”，而是“补位”。它们承担的是 SQL 无法完成的、面向 Agent 智能行为的职责。

MCP（Model Context Protocol）不是数据库协议，而是 Anthropic 提出的 上下文协调标准，用于让 Agent 在任务中调用外部工具、读取资料、跨系统协作——它像是 Agent 世界的“操作系统 API”。

Memory Routing，是智能系统里的“记忆调度器”——决定 Agent 在什么任务中调用哪段记忆、更新什么状态、丢弃什么无用历史。它让数据成为“过程”，而不仅仅是“表格”。

语义数据结构，不是新格式，而是 让 AI 懂得数据含义的表达方式。Agent 不关心“字段名”，而是需要知道：“这是什么单位？能被谁调用？它和当前任务目标的关系是什么？” 

这个转变不是一场技术比拼，而是 Agent-native 时代的范式变迁，从：

• 数据系统服务人类 → 数据系统服务 Agent；

• 人发 query → Agent 接 task；

• 靠规则写语法 → 靠意图拆解执行；

• 系统等你问 → 系统先给你答。

在这样的结构里，SQL 会继续存在，但不会定义智能的边界。

当 SQL 被“下沉”到 Agent 的 action layer，人类的工种也会变。SQL 不会死，但它的主导权在变。未来重要的不是谁写 SQL，而是谁定义 Agent 的目标和上下文。

而旧的角色，比如 BI 报表、分析师手动拉数、ETL pipeline 开发，都会逐渐自动化或融合。

我不是数据工程师出身，我只是站在趋势的第一性原理上思考。我尊重所有深耕数据系统的人，你们铺下的地基让今天的 AI 有了用武之地。

但时代的转向，不是因为工具不好，而是因为我们有了新的问题、新的目标。

人类将不再对着数据库编程，而是让 AI 去理解任务、执行任务，并回来说：“搞定，this is how I did it. ”。

人们喜欢 native 原生这个词，我的上一次创业就是围绕云原生。

在 AI 原生环境下的任务路径长这样：

人类说话 → Agent 理解 → 生成多轮交互、工具调用链。

中间可能包含 SQL，但你看不到。

Agent 在运行中自己更新 memory、记录行动路径（agent trace），甚至形成新的数据资产。

你用的是数据系统，但你和 SQL 不再有直接关系。

SQL 不会消失，但未来最重要的，不是“查数据”，而是“干成事”。 Agent 不写 SQL，而是写 Plan；不查表，而是完成任务。