datainfra前沿动态 · Vol.9

阿里云AgentLoop MemoryStore让AI Agent拥有企业级长期记忆；LoongCollector+ACS Agent Sandbox构建生产级Agent运行时平台；Jaeger v2.18.0引入ClickHouse存储实现追踪数据8.6倍压缩

第九期聚焦DataInfra三条动态：阿里云5月25日发布AgentLoop MemoryStore——完全托管的企业级Agent记忆管理产品，为OpenClaw等AI代理平台注入多维度记忆提取、智能更新、异步流水线和三层分层检索（向量→Rerank→Agentic Search），支持MCP Server接入和Mem0兼容SDK；同日阿里云发布LoongCollector+ACS Agent Sandbox生产级AI Agent运行时方案——ACS Agent Sandbox基于K8s提供安全沙箱隔离，LoongCollector以零拷贝架构和500MB/s单核吞吐提供日志/指标/链路全链路可观测，两者深度集成实现零侵入自动化注入；Jaeger v2.18.0引入ClickHouse作为存储后端——列式存储的重复值高压缩特性在追踪数据上实现8.6倍压缩比，原生ClickHouse SPM方法可直接计算服务性能指标，Qonto实测231TB未压缩数据压缩后仅占376GB（99.84%压缩率），查询窗口从2-3小时扩展至2周

DataInfra 阿里云 AgentLoop MemoryStore AI Agent记忆 OpenClaw MCP Mem0 LoongCollector ACS Agent Sandbox 可观测性 安全沙箱 Kubernetes Jaeger ClickHouse 追踪数据 列式存储 OTel 可观测性基础设施

第九期追踪到DataInfra领域三条重要动态：阿里云5月25日发布AgentLoop MemoryStore——这是首个将AI Agent长期记忆作为完全托管云服务的产品，多维度记忆提取（偏好/事实/摘要/场景）和智能更新机制解决了原生Agent记忆”只增不改”的痛点，三层分层检索（向量+BM25→Rerank→Agentic Search）在准确率上全面超越原生方案，异步流水线架构消除同步阻塞，MCP Server接入和Mem0兼容SDK降低了集成门槛；同日阿里云发布LoongCollector+ACS Agent Sandbox生产级AI Agent运行时方案——ACS Agent Sandbox基于K8s提供网络隔离/文件系统隔离/能力控制的沙箱环境，LoongCollector以零拷贝架构（Memory Arena+Zero-Copy）、事件池化复用和500MB/s单核吞吐提供日志/指标/链路全链路可观测，两者深度集成实现管控自动注入LoongCollector容器，为AI Agent构建安全+可观测的完整运行时保障；Jaeger v2.18.0引入ClickHouse作为存储后端——列式存储在追踪数据的重复值（服务名/操作名/状态码）上天然高效，8.6倍压缩比意味着更少的磁盘和更低的云账单，原生ClickHouse SPM方法可直接在存储层计算服务性能指标消除了trace与metrics存储的二选一困境，Qonto从Grafana Tempo迁移至ClickHouse Cloud后查询窗口从2-3小时扩展至2周且无需采样，同时通过ClickHouse MCP Server让AI代理用自然语言进行事件调查——这是Vol.6报道的Databricks OTel+Unity Catalog集成之后可观测性数据存储范式的又一次重大演进。

阿里云AgentLoop MemoryStore：AI Agent长期记忆从”本地文件”走向”托管云服务”

事件概述

5月25日，阿里云在官方博客发布AgentLoop MemoryStore集成方案。AgentLoop MemoryStore是阿里云推出的完全托管企业级Agent记忆管理产品，为OpenClaw等AI代理平台注入企业级长期记忆能力。OpenClaw原生记忆系统通过系统提示词、会话历史和本地Markdown记忆文件三层结构提供基础跨会话记忆，但存在记忆提取维度单一（仅简单摘要）、更新机制落后（只增不改）、检索精度有限和运维成本高等局限。AgentLoop MemoryStore通过多维度记忆提取、智能记忆更新、异步流水线架构和分层检索等核心能力，在准确率、可扩展性和易用性上全面超越原生方案。产品同时提供MCP Server接入和Mem0兼容SDK，降低了与现有Agent框架的集成门槛。

技术解析

  • 多维度记忆提取：原生OpenClaw仅对会话内容做简单摘要，AgentLoop MemoryStore通过多个专属Memory Agent从对话中提取四种维度的结构化记忆——用户偏好、事实陈述、会话摘要和场景记忆。提取用户偏好时能感知偏好变化并自动修改历史记忆，提取事实陈述时保留完整的时间、地点等上下文信息。支持MemoryStore级别和单条对话级别的自定义记忆抽取策略。
  • 智能记忆更新：原生系统对记忆只增不改——随着对话积累，旧有记忆逐渐失效乃至产生矛盾。AgentLoop MemoryStore在记忆写入时自动进行去重、冲突检测与合并更新，确保记忆库始终反映用户的最新状态，避免堆砌过时信息。这是Agent记忆从”追加写入”到”状态管理”的质变。
  • 异步流水线架构：记忆提取依赖大模型调用，耗时较长。采用异步流水线架构将记忆提取放入后台队列处理，业务写入立即返回，彻底消除同步阻塞带来的延迟风险。支持根据流量自动弹性扩缩容。
  • 三层分层检索：L1向量检索+BM25混合召回（基础语义和关键词检索）→L2 Rerank（重排序）→L3 Agentic Retrieve（借助大模型进行自主智能检索）。L3 Agentic Retrieve能深度分析记忆结构、挖掘隐藏在多跳关系中的答案，实现真正的个性化精准召回。
  • OpenClaw插件集成：封装为npm包openclaw-plugin-agentloop-memory，为Agent注册三个记忆操作工具（memory_recall语义检索、memory_store主动写入、memory_forget删除记忆），提供autoRecall（每轮对话前自动检索相关记忆并注入上下文）和autoCapture（每轮对话后自动提取有价值信息写入记忆库）两个自动化钩子。
  • 企业级安全与可观测性：支持agent_id/user_id/run_id多级数据隔离，完整审计日志，深度集成云监控体系提供内置监控大盘。

行业影响

AgentLoop MemoryStore的深层意义不是”又一个向量数据库产品”，而是AI Agent长期记忆从”本地文件”走向”托管云服务”的标志。此前Agent的记忆管理是开发者自行解决的问题——配置Embedding服务、维护向量数据库实例、设计记忆提取和更新策略，这些都是基础设施工作而非业务逻辑。AgentLoop MemoryStore将这些基础设施工作完全托管，开发者只需安装插件、配置端点即可获得企业级记忆能力。

这与Vol.8报道的华为CMS（Context Memory Storage）形成互补——CMS解决的是推理层的KV Cache共享问题（将GPU临时缓存变为集群共享资源），AgentLoop MemoryStore解决的是认知层的长期记忆管理问题（将Agent的”短期记忆+本地文件”变为托管的结构化知识库）。两者共同指向一个趋势：AI Agent的记忆正在从”应用内部状态”变为”独立基础设施服务”——推理记忆（KV Cache）有华为CMS和Vol.6的SGLang分层稀疏注意力，认知记忆（长期偏好/事实）有AgentLoop MemoryStore，两者分别服务于Agent的”快思考”和”慢思考”。

MCP Server接入和Mem0兼容SDK的设计也值得关注——这意味着AgentLoop MemoryStore不绑定特定Agent框架，任何支持MCP协议或Mem0 SDK的Agent都可以接入。这与Vol.7报道的Confluent MCP Server和dbt Developer Agent的思路一致：AI基础设施的竞争力不在于锁定用户，而在于最大化可接入的Agent生态。

相关链接

LoongCollector + ACS Agent Sandbox：AI Agent从”能跑”到”敢跑”的安全可观测运行时

事件概述

5月25日，阿里云在官方博客发布LoongCollector+ACS Agent Sandbox生产级AI Agent运行时方案。AI Agent与传统应用的根本差异在于行为不可预测（同一输入可能产生不同输出和工具调用链）和具备执行能力（不只是”说话”而是”行动”——访问数据、调用API、执行操作），这带来了两大核心挑战：运行时安全（Agent被允许做什么？谁来定义边界？）和全链路可观测（Agent做了什么？为什么这么做？效果如何？）。ACS Agent Sandbox基于Kubernetes提供安全沙箱隔离环境，LoongCollector作为统一可观测数据采集器提供日志/指标/链路全覆盖，两者深度集成构建了完整的AI Agent生产级运行平台。

技术解析

  • ACS Agent Sandbox运行时安全：基于K8s提供的沙箱环境实现三层安全保障——网络隔离（限制Agent的出站访问，防止SSRF/内网探测/敏感数据外传）、文件系统隔离（Agent无法访问宿主机文件系统，防止敏感数据持久化和泄露）、能力控制（限制Agent可调用的外部API和系统调用）。当客户服务Agent遭遇提示注入攻击时，沙箱能阻止其越权访问其他用户数据或触发退款API。
  • LoongCollector零拷贝高性能采集：针对AI Agent计算密集场景设计，可观测组件必须轻量不拖累业务——零拷贝架构（Memory Arena+Zero-Copy减少不必要的内存拷贝）、事件池化复用（高频对象池化降低内存分配与GC压力）、单核吞吐达500MB/s。
  • 一体化采集：日志（stdout/stderr+文件日志，自动关联K8s元信息如Pod/Namespace/Labels）、指标（原生Prometheus Exporter+系统指标CPU/内存/网络/磁盘I/O+GPU指标NVIDIA DCGM）、链路（完整OpenTelemetry支持）。
  • 端侧计算：在数据源头完成预处理降低传输与存储成本——高性能C++插件/SPL引擎，支持过滤、转换、聚合等复杂处理，在源头减少噪声与数据量。
  • 企业级可靠性：At-Least-Once投递语义、本地磁盘缓存（网络异常落盘恢复后重传）、自动重试+指数退避、反压限流、多租户Pipeline隔离、优先级调度、热更新/优雅变更（配置变更无需重启零中断）。
  • 深度集成零侵入：ACS管控自动为Sandbox注入LoongCollector容器——通过挂载共享文件路径采集日志、通过Pod网络进行Prometheus抓取或接收OTel数据。开发者无需修改Agent代码即可获得完整可观测能力。ConfigServer集中配置管理支撑万级Agent规模。

行业影响

LoongCollector+ACS Agent Sandbox的意义不是”又一个K8s安全方案”，而是首次为AI Agent构建了从运行时安全到全链路可观测的完整运行时平台。此前的AI Agent部署实践面临一个两难：要么在普通容器中运行获得便利但缺乏安全保障（Agent可能被提示注入攻击后越权操作），要么在严格隔离的环境中运行获得安全但丧失可观测性（无法追踪Agent的决策链和工具调用）。

这与Vol.6报道的Databricks OTel+Unity Catalog集成形成互补——Databricks解决的是数据层的可观测性问题（追踪数据写入Delta表成为Lakehouse一等公民），LoongCollector+ACS Agent Sandbox解决的是运行时层的可观测性和安全问题（Agent在沙箱中运行的同时保持完整可观测）。两者共同指向一个趋势：AI Agent的可观测性正在从”事后分析”走向”运行时原生”——Databricks让追踪数据成为可分析的数据资产，LoongCollector让可观测数据在Agent运行时实时采集和处理。

端侧计算的设计也值得关注——在数据源头完成预处理而非将所有原始数据传输到中心化存储再处理，这与数据基础设施中”计算下推”（predicate pushdown）的理念一致。当AI Agent产生海量可观测数据时，端侧降维是控制成本的关键。

相关链接

Jaeger v2.18.0引入ClickHouse存储：可观测性基础设施走向列式分析

事件概述

Jaeger v2.18.0引入ClickHouse作为存储后端——这是CNCF毕业的分布式追踪平台首次支持列式OLAP数据库存储追踪数据。追踪数据天生具有重复性（相同的服务名、操作名、状态码、标签反复出现），列式布局在重复值上天然高效。基准测试中spans表实现8.6倍压缩比，意味着更少的磁盘和更低的云账单。Jaeger同时引入原生ClickHouse SPM（Service Performance Metrics）方法，可直接在存储层计算服务性能指标，消除了此前trace与metrics存储的二选一困境。法国金融科技公司Qonto从Grafana Tempo迁移至ClickHouse Cloud后，231TB未压缩追踪数据压缩后仅占376GB（99.84%压缩率），查询窗口从2-3小时扩展至2周，且无需采样。Qonto还部署了ClickHouse MCP Server让Claude等AI代理用自然语言进行事件调查，将事故响应能力开放给非SRE人员。

技术解析

  • 列式存储在追踪数据上的天然优势：追踪数据的核心需求有两个——存储海量半结构化事件数据和快速跨多维度检索（服务名/操作名/标签/持续时间/时间范围/追踪ID）。Cassandra和Elasticsearch作为传统后端运营成本高昂——索引开销带来延迟和费用，扩展变得复杂，数据保留决策常常迫使用户做痛苦取舍。ClickHouse为高吞吐摄入、激进压缩和快速分析查询而生——“auth-service”或”payment-gateway”这样的服务名出现数十万次，在行式数据库中这种冗余无法压缩，在列式数据库中ClickHouse将相同值分组使其极易压缩。
  • 8.6倍压缩比的实测：spans表实现8.6倍压缩比。Qonto的实测更为惊人——ResourceAttributes和SpanAttributes数据达到99.84%压缩率：231TB未压缩数据压缩后仅占376GB，换算约节省每年7万美元S3存储成本。高基数（high-cardinality）数据的存储成本得以控制，工程师可以在span中加入完整的metadata而不必顾虑成本。
  • 原生ClickHouse SPM方法：可直接在存储层计算服务性能指标，无需将数据导出到单独的分析管道。此前在Tempo等方案中，trace存储和metrics存储是两个独立系统，需要在两者之间做取舍——保留完整trace则metrics计算需要额外管道，保留metrics则trace数据需要大量采样。ClickHouse的列式存储使聚合查询效率极高，在同一个存储引擎中同时服务trace查询和指标计算。
  • Schema设计：核心spans表按时间分区支持高效时间范围查询，服务名/操作名等低基数字段使用字典编码进一步压缩存储，标签以键值对数组形式存储利用ClickHouse的嵌套数据结构能力同时保持查询灵活性，追踪ID和span ID作为排序键确保相关span在物理存储上聚集加速追踪重建查询。
  • ClickHouse MCP Server赋能AI辅助排障：Qonto部署了ClickHouse MCP Server让Claude等AI客户端可以用自然语言进行事件调查——自动判断受影响的客户与地理区域，将事故响应能力开放给非SRE人员。这与Vol.7报道的Confluent MCP Server和dbt Developer Agent思路一致——用自然语言接口降低基础设施操作的门槛。

行业影响

Jaeger v2.18.0引入ClickHouse存储的深层意义不是”多了一个存储后端选项”，而是可观测性数据的存储范式正在从”专用时序/文档数据库”走向”通用列式分析引擎”。此前的可观测性架构是”采集→专用存储（Cassandra/Elasticsearch/Tempo）→仪表板展示”，存储引擎为追踪数据专用设计但分析能力有限。ClickHouse方案是”采集→列式OLAP→SQL查询+指标计算+AI辅助排障”，存储引擎是通用的分析引擎但恰好非常适合追踪数据的特征。

这与Vol.6报道的Databricks OTel+Unity Catalog集成形成呼应——Databricks将追踪数据写入Delta表成为Lakehouse一等公民，Jaeger将追踪数据写入ClickHouse成为OLAP分析的一等公民。两者共同指向一个趋势：可观测性数据正在从”监控系统的内部状态”变为”可分析的数据资产”，而列式存储（无论是Delta Lake的Parquet还是ClickHouse的原生列式格式）是这个趋势的技术基础。

Qonto的ClickHouse MCP Server实践则标志着可观测性操作正在从”人类看仪表板”走向”AI代理自然语言排障”——当追踪数据存储在支持SQL和MCP的分析引擎中时，AI代理可以直接查询和分析生产事故，将排障能力从SRE团队扩展到所有工程师。这与本期报道的AgentLoop MemoryStore（Agent记忆云化）和LoongCollector+ACS Agent Sandbox（Agent运行时可观测化）形成三角——AI Agent的记忆、运行时和排障三个维度正在同时云化和基础设施化。

相关链接

编者评

第九期的三条动态，与前八期的主线形成了又一个维度的深化。Vol.1-2确立了”AI原生基础设施”和”基础设施AI代理化”两条主线，Vol.3-4追踪到AI代理趋势渗透到治理层和存储/芯片层，Vol.5看到横切面基础设施为AI代理重新定义角色，Vol.6见证了AI推理基础设施的精细化，Vol.7看到湖仓格式插件化和AI代理成为基础设施原生操作者，Vol.8看到AI基础设施的系统性构建和湖仓事务模型的架构性重构。本期则看到了三条线索在”AI Agent基础设施化”这个焦点上的会聚。

AgentLoop MemoryStore将AI Agent的长期记忆从”本地Markdown文件”变为”托管云服务”，与Vol.8报道的华为CMS（推理层KV Cache共享化）共同构成了Agent记忆基础设施的双层架构——推理记忆（快思考）有CMS和Vol.6的SGLang分层稀疏注意力，认知记忆（慢思考）有AgentLoop MemoryStore。当Agent的记忆不再依赖本地文件和手动配置，而是作为可弹性扩缩容的云服务存在时，Agent的”个性化”从”每用户独立配置”变为”服务化按需供给”——这正是数据库从嵌入式到云托管走过的路。

LoongCollector+ACS Agent Sandbox则首次将AI Agent的运行时安全和可观测性作为统一平台设计——安全沙箱防止Agent越权操作，可观测采集器追踪Agent的每一步决策。这与Vol.6的Databricks OTel+Unity Catalog集成（数据层可观测性）和Vol.3的Unity AI Gateway（治理层安全）从三个层面构建了AI Agent的可信运行环境——运行时层（LoongCollector+ACS）、数据层（OTel+Delta表）、治理层（AI Gateway+Payload Logging）。

Jaeger+ClickHouse则标志着可观测性基础设施的存储范式从”专用引擎”走向”通用分析引擎”——当追踪数据存储在列式OLAP中时，8.6倍压缩比降低存储成本，原生SPM消除trace/metrics二选一困境，MCP Server让AI代理用自然语言排障。这与Databricks将追踪数据写入Delta表的逻辑完全一致——可观测性数据的最佳归宿不是专用的监控存储，而是支持SQL、压缩和AI接口的分析引擎。

将九期主线串联，一个清晰的演进图景浮现：DataInfra正在经历从”为人设计”到”为人+代理协同设计”的范式迁移，而2026年5月是这个迁移从”能力建设”到”效率优化”到”代理原生”到”代理基础设施化”的第四个阶段。Vol.1-3让基础设施支持AI代理（能力），Vol.4-6为AI代理重新设计基础设施（效率），Vol.7-8让AI代理成为基础设施的原生操作者（代理原生），Vol.9则让AI代理自身的基础设施需求（记忆、安全、可观测性）成为独立的产品品类（代理基础设施化）。当AI Agent的记忆、运行时和排障都成为云服务时，Agent不再是运行在基础设施上的”应用”，而是由基础设施全面支撑的”数字员工”——这个转变的深层含义是：DataInfra的最终形态不是”为数据服务的基础设施”，而是”为智能体服务的基础设施”。