《AI 驱动的数据基础设计》作者 Sanjeev Mohan：智能体绕过管道自建数据库，可观测性须内嵌架构
数据与 AI 咨询顾问 Sanjeev Mohan 在 KubeCon 北美大会上提出，AI 智能体作为一类全新的数据消费者，不再等待批处理管道完成，而是直接访问数据库、创建短期实例并并行测试不同推理链。他认为这种运行时上下文构建方式要求可观测性成为架构本身的一部分，而非事后附加，并预言将出现新型数据库来承载这一需求。
过去几十年，企业数据架构遵循一条固定路径：数据在业务系统中生成一次，然后经过提取、转换、编目和准备等管道环节，最终供人类消费批量报表。Sanjeev Mohan 认为这套模型的前提正在被打破。他的判断是：当成千上万个智能体同时运行时，它们不会等待管道完成——它们要直接访问数据库。
Mohan 描述了一种此前软件从未有过的行为模式：智能体会创建短期存活的数据库实例，在其中复制数据，并行测试不同的推理链，然后才选定一个行动。他举了一个贷款审批的例子：一个智能体在拒绝申请之前，可能同时查询人口普查记录和社会媒体数据。这立刻引出一个治理问题——那个决定如何被审计？
在他看来，这与过去的数据治理根本不同。过去的治理是确定性的：管好数据，然后让一个固定的报表仪表盘跑在上面。智能体的治理面对的是运行时不断变化的上下文。同一个任务，对不同的人（或不同的智能体实例），上下文可能完全不同。因此他说，可观测性和透明度必须成为架构本身的一部分，而不是事后焊在数据仓库外面的东西。
Mohan 由此推导出一个更远的结论：未来平台需要将结构化和非结构化数据融合在同一个收敛系统中，并且会出现新型数据库——专门用于保存运行时状态和构建运行时上下文的数据库。他目前尚未给出这类数据库的具体形态或实现路径，这一判断仍属于架构方向的提议。
需要指出的是，以上全部是 Mohan 在 KubeCon 北美大会 theCUBE 访谈中阐述的个人论点。他作为 SanjMo 咨询公司的负责人和《AI 驱动的数据基础设计》一书的作者，长期研究数据架构问题，但文中没有提供已部署系统的实测数据或独立验证。这一论点的价值在于它精确命名了一个约束条件：智能体对数据的需求模式与人类消费者不同，因此以人类消费为前提设计的管道架构会构成瓶颈。