AI热榜 随着大语言模型从单纯的聊天机器人逐步进化为具备推理、规划与行动能力的自主智能体，它们已经能够自主编排复杂的应用栈。
然而，这些智能体如今面临着一个最严峻的障碍：数据库。
“数据库是智能体当下面临的最难攻克也最为关键的挑战，它对准确性与性能有着严苛的要求。
”卡内基梅隆大学计算机科学副教授 Andy Pavlo 在加州山景城计算机历史博物馆举办的 Percona Live 2026 大会上向与会者说道。
在一场关于 AI 与开源基础设施交叉领域的讨论中，Pavlo 提出，虽然编码智能体能够轻松套用标准的数据结构，但数据库仍然是各类系统里最难实现自动化开发与优化的部分。
“举例来说，如果智能体在生成 UI 组件时出现幻觉，页面只是看起来略有偏差，但如果它在生产数据库中编造出错误查询或配置变更，整个系统都可能彻底瘫痪。
”Pavlo 说道。
这才是真正值得警惕的。
多智能体的拉锯战 Pavlo 指出 AI 影响数据库的两种主要方式：调优智能体和编码智能体。
调优智能体主要破解数据库优化里的“玄学难题”——自动调整系统参数、物理设计（如索引）和查询执行策略。
以往，数据库管理员需要耗费数年积累经验与直觉才能判断出最优配置来提升系统性能。
Pavlo 表示，目前的难题在于这类专用智能体往往是独立运行的。
参数调优智能体无法感知索引调优智能体的工作状态，容易让系统陷入局部最优：性能虽优于默认配置，但远未达到理想水平。
卡内基梅隆大学针对多轮及顺序调优进行了相关研究，通过创建协调框架来解决这一问题，但即便如此，也面临着“维度灾难”的问题。
卡内基梅隆大学数据库研究团队率先提出了自驱动与机器学习驱动的数据库优化理念。
顺序调优与多轮调优是其自主数据库管理系统（DBMS）项目的核心模块。
🔗 原始来源
如果你要核对细节，可以再看原文： InfoQ AI原文链接