datainfra前沿动态 · Vol.51

DuckDB v2.0 预览：从嵌入式分析库走向可作服务器的全功能数据库，CONNECT/Quack 开启 DuckDB 服务器元年；dbt Core v1.12 GA：Rust v2 解析器 5-10x 提速成为通往 v2.0 的桥头堡；AWS 为 Amazon MQ for RabbitMQ 补齐 IAM OAuth 2.0/LDAP/mTLS 认证体系，消息中间件进入免凭据时代；阿里云 Quick BI AIPro 以 AI-native 架构重构 BI，从可视化产品升级为智能分析引擎

本期聚焦四条 DataInfra 动态：DuckDB 官方发布 v2.0 预览博客，一次性亮出十大核心特性——Quack 网络协议与 CONNECT 语句让任何 DuckDB 进程都能成为服务器、VARIANT 全链路成为一等公民、触发器、NEAREST 向量连接、异步 I/O、存储格式 v2.0、自研 PEG 解析器（含 spark 方言兼容模式）、告别 ICU 以及稳定 C API 与自定义扩展仓库，标志着'DuckDB 作为服务器'元年的开启；dbt Core v1.12 正式 GA，引入可选的 Rust v2 解析器（大项目 5-10x 提速）作为 dbt Core v2.0 的低风险试金石，同时带来 on_error 上游失败控制、独立 vars.yml、JavaScript/Python UDF 增强与新 Semantic Layer 规范；AWS 在同一天连发四篇博客，为 Amazon MQ for RabbitMQ 补齐 IAM OAuth 2.0、LDAP、HTTP、mTLS 全套认证方案，客户端可用 IAM 角色经 AWS STS 换取短期 JWT 直连 broker，消除静态凭据并实现三层多租户隔离；阿里云 Quick BI 发布 AIPro Edition，以 AI-native 架构从数据接入到交互分析全面重构 BI，支持会话式深度分析、智能监控、MCP 集成与 Skills Marketplace。

DataInfra DuckDB DuckDB v2.0 Quack CONNECT VARIANT 异步I/O PEG解析器 dbt dbt Core v1.12 Rust Parser 语义层 Apache Ossie AWS Amazon MQ RabbitMQ IAM OAuth 2.0 mTLS 免凭据认证 阿里云 Quick BI AIPro AI-native BI

本期追踪到四条 DataInfra 动态，落在分析引擎、转换工具链、消息中间件与 BI 产品四个层面，但它们共享同一条主线：分析技术栈正在为 AI 时代做一次”底层重构”——从单机到服务器、从 Python 到 Rust、从静态凭据到身份即服务、从可视化到 Agent 原生。2026 年 8 月 17 日，DuckDB 官方发布《A Preview of DuckDB v2.0》预览博客，Mark Raasveldt 与 Hannes Mühleisen 一次性亮出 v2.0 的十大核心特性：Quack 网络协议 + 全新 CONNECT 语句让任何 DuckDB 进程都能通过网络提供服务、任何其他实例都能附加并路由查询，被作者称为”DuckDB 作为服务器”的元年；VARIANT 类型全链路成为一等公民、触发器补齐事务型数据库能力、NEAREST 向量连接把 top-k 相似搜索变成连接子句、全引擎异步 I/O 让远程存储读取提速、存储格式升级到 v2.0、自研 PEG 解析器带来首个方言兼容模式 SET dialect_compatibility_mode = 'spark'、彻底告别 ICU、稳定 C API 与自定义扩展仓库让扩展”一次编写、长期有效”。同日，dbt Labs 宣布 dbt Core v1.12 正式 GA：引入可选的 Rust v2 解析器（大项目 5-10 倍提速）作为通往 dbt Core v2.0 的低风险试金石，并带来 on_error 上游失败控制、独立 vars.yml、JavaScript/Python UDF 增强、全新 Semantic Layer 规范与 Apache Ossie 支持。AWS 也在 8 月 17 日连发四篇博客，为 Amazon MQ for RabbitMQ 补齐 IAM OAuth 2.0、LDAP、HTTP、mTLS 全套认证方案：客户端用 IAM 角色经 AWS STS 换取短期 JWT 直连 broker，从 sub 声明提取身份、以 scope aliases 映射 vhost 权限，实现无静态凭据 + 三层多租户隔离。而阿里云则在 8 月 17 日宣布 Quick BI AIPro Edition 发布：以 AI-native 架构从数据接入到交互分析重构每一个环节，把 Quick BI 从可视化分析产品升级为”理解业务语言、结论可追溯、能驱动行动”的智能分析引擎。四条动态共同指向：当 AI 成为数据消费的第一入口，分析技术栈的每一层——引擎、工具链、消息、BI——都在从”为人类设计”重写为”为 AI 设计”，而这次重构的技术底色是 Rust、服务器化与身份即服务。

DuckDB v2.0 预览：CONNECT 与 Quack 开启”DuckDB 作为服务器”元年，十大特性重塑嵌入式分析库

事件概述

2026 年 8 月 17 日，DuckDB 官方发布《A Preview of DuckDB v2.0》，作者为两位创始人 Mark Raasveldt 与 Hannes Mühleisen。这是自 v1.5（2026 年 3 月发布）以来积累超过 10,000 次提交后的一次重大版本预告：v2.0（代号”Cyanoptera”，取自肉桂色鸭）将于 2026 年秋季正式发布，绝大多数功能已可在 preview builds 中体验。文章的核心信号是——DuckDB 不再只是”进程内嵌入式分析数据库”，而是同时可以作为服务器运行的全功能数据库系统。

v2.0 的定位转变集中体现在两个新原语上：Quack 扩展实现 DuckDB 原生网络协议，任何 DuckDB 进程都可以通过网络提供数据库服务，任何其他 DuckDB 实例都可以附加并路由查询；全新的 CONNECT 语句取代此前预览版中 remote.query($$...$$) 的变通方案，一行 CALL quack_serve(token = 'my_token') 起服务、ATTACH 'quack:server.example.com' AS qk (TOKEN 'my_token'); CONNECT qk; 连客户端，查询在服务端执行、结果流式返回。更值得关注的是远程下推优化器：CONNECT 不仅限于 Quack，还能直接向 PostgreSQL 和 MySQL 推送 SQL——CONNECT 'postgres://localhost/mydb'; SELECT count(*) FROM orders; 会在 PostgreSQL 服务端执行，而非拉取整表数据。

技术解析

  • 服务器化能力栈：v2.0 让 DuckDB 从第一天起就具备的事务性、多连接、完整 MVCC 与事务隔离能力在多租户、长时间运行部署中充分发挥，并配套改进了指标层（PR #22799）、日志与可观测性，让用户能了解 DuckDB 实例的实际运行状态——这是从”嵌入式库”走向”被运维的数据库”的关键拼图。

  • VARIANT 成为一等公民：v1.5 首次引入的 VARIANT 类型在 v2.0 全链路完善——支持从存储直接进行 shredded 执行（PR #20912）、提取下推到扫描阶段（PR #22478）、Parquet 的 shredded VARIANT 读写，新增 variant_type()、variant_keys()、variant_contains() 函数族；作者还预告 v2.0 之后将用 VARIANT 作为 JSON 类型的底层实现，现有 JSON 工作负载无需修改查询即可受益。

  • 触发器与 SQL 方言：完整实现 BEFORE/AFTER、FOR EACH ROW/FOR EACH STATEMENT 与转换表（REFERENCING OLD/NEW TABLE），典型用例是审计表；SQL 侧新增 NEAREST 连接（INNER JOIN ... APPROX NEAREST 2 BY SIMILARITY array_cosine_similarity(...)，把 top-k 相似性搜索变成连接子句）、CTE 内 DML、嵌套 Schema（如 finance.reports）、$x 变量语法、JSON 变更函数（json_set/json_insert/json_replace/json_remove）、递归 CTE 的 USING KEY 聚合等。

  • 异步 I/O 与全面查询加速：全引擎引入异步 I/O，使 I/O 层与查询处理层独立扩展，Parquet（PR #23662）、CSV（PR #23961）、自有文件格式（PR #24654）相继覆盖，远程/网络存储是最大受益者；递归 CTE 引擎重写后单源可达性基准（百万边图）从 v1.5.4 的 4.90 秒降至 0.12 秒（约 40 倍加速）；行组剪枝（zone maps + Parquet Bloom 过滤器）扩展到 structs/lists/decimals/UUIDs/IN 过滤器；分区感知查询规划让 DuckLake、Iceberg、Hive 分区 Parquet 的既有分区被规划器充分利用。

  • 存储格式 v2.0 与全新解析器：默认存储格式升级到 v2.0.0——缓冲管理的 ART 索引（索引按需分页加载，大型索引表可即时打开）、列元数据延迟加载、DICT_FSST 字符串压缩默认启用；自研 PEG 解析器（PR #22194）取代长期使用的 PostgreSQL 派生解析器，扩展可以接入语法本身，并带来首个方言兼容模式 SET dialect_compatibility_mode = 'spark'。

  • 告别 ICU 与扩展生态重构：彻底移除 ICU 库，icu 扩展自行实现时区/日历/排序规则（时区数据直接从 IANA 构建，压缩至约 45 kB），MacBook 微基准测试中 2500 万行时区转换 2.2 倍加速、500 万行德文排序过滤 2.6 倍加速；扩展构建从”不稳定的 C++ API”迁移到大幅扩展的稳定 C API（C API 由声明式、带版本的规范生成，CI 校验防 API/ABI 漂移），并推出自定义扩展仓库（CREATE EXTENSION REPOSITORY my_repo FROM 'https://extensions.example.org'，支持 RSA 签名验证与密钥轮换），让扩展”一次编写、一次编译、长期有效”。

行业影响

DuckDB v2.0 的行业意义远超一次版本升级：它标志着”嵌入式分析引擎”这个品类开始长出”服务器”形态。过去几年 DuckDB 以”跑在数据身边”的姿态席卷单机分析，MotherDuck 等托管服务则替它补齐了服务器侧能力；如今 v2.0 把服务器能力内建进引擎本身，与 PostgreSQL/MySQL 的远程下推并列，意味着 DuckDB 的定位从”分析库”扩展为”分析型数据库系统”。对 DataInfra 从业者而言，有三个信号值得关注：一是**“spark 方言兼容模式”的出现——DuckDB 开始主动兼容 Spark SQL 方言，这是”单机分析引擎 + 迁移工具”双重叙事的延伸；二是 VARIANT 与异步 I/O 说明半结构化数据与远程存储性能已成为分析引擎的默认战场，与 Iceberg v3 Variant 类型（Vol.48 报道）形成跨生态呼应；三是稳定 C API + 自定义扩展仓库**把扩展生态从”社区自发维护”推向”企业可治理的自托管”，这将是分析引擎进入企业核心系统的关键一步。

相关链接

dbt Core v1.12 GA：Rust v2 解析器成为通往 v2.0 的桥头堡，on_error 与语义层演进同步落地

事件概述

2026 年 8 月 17 日，dbt Labs 宣布 dbt Core v1.12 正式 GA（作者 Grace Goheen 与 Sara Gawlinski）。这一版本”一次做两件事”：为现有 dbt Core 用户带来实打实的改进——UDF 增强、更简洁的 Iceberg catalog 与 Semantic Layer 规范、大量体验升级；同时引入可选的 Rust 解析器（--use-v2-parser 标志），让团队以低风险方式开始为下一个大版本 dbt Core v2.0 做准备。dbt Core v2.0 正在以与 dbt Fusion 引擎相同的 Rust 基础重建，v1.12 的 Rust 解析器正是其”最基础的部分”的提前预览。

同期，dbt Labs 还发布了 Insights 文章《Model for the token, not the table》（Britton Stamper，8 月 17 日），用内部 Gong 案例展示”为 token 建模”的新范式：直接从 Gong MCP 拉取原始通话记录会燃烧大量上下文（一次账号历史约 30 通电话消耗约 240,000 tokens 并撞上 API 限流），而 Fivetran 将 Gong 数据持续灌入 Snowflake 后，dbt 模型用仓库原生 AI 函数（Snowflake Cortex COMPLETE / Vertex AI batch / Databricks AI Functions）把 10,000-token 的通话转写压缩为 500-1,000 token 的结构化摘要，数据体积压缩 20 倍以上、token 消耗降至 1/74、以 99% 更低的成本为 AI Agent 供给上下文——压缩作为增量 dbt 任务在数据入仓时执行，1,000 通电话的批量压缩成本低至几十美元。

技术解析

  • Rust v2 解析器（5-10x 提速）：dbt 在编译/运行前需要读取项目文件、理解资源与配置、解析依赖并构建 DAG，项目越大这部分耗时越成为开发循环的负担。v1.12 的 --use-v2-parser 标志把这项工作交给为 v2 构建的 Rust 解析器（而非 v1.x 的 Python 解析器），大项目上可提速 5-10 倍；完全 opt-in、去掉标志即可回退，是低风险的兼容性试金石——官方明确呼吁社区开 issue 反馈差异，在 v2.0 GA 前补齐缺口。

  • on_error 上游失败控制：回应 2020 年社区提出的诉求（#2142），允许下游模型在上游失败但结果仍可用时继续运行——例如低频变化的维度表刷新失败，日汇总仍可用其上一版本继续处理新交易。on_error 接受 skip_children（默认，跳过所有下游）与 continue（下游继续运行）两个值。

  • 变量与即席 SQL 体验：支持项目根目录独立 vars.yml（回应 2020 年 #2955），变量在项目文件解析期间即可用，可在 dbt_project.yml 内引用（如 +schema: "{{ var('schema_name') }}"）；dbt run-operation --sql "grant select on {{ ref('fct_orders') }} to role reporting" 让一次性 SQL 无需先创建命名宏。

  • UDF 能力扩展：JavaScript UDF 支持 Snowflake 与 BigQuery（函数体放 .js 文件）；Python UDF 新增 Databricks（需 Unity Catalog）；overloads 属性让一个函数接受多种参数签名；Python UDF 可通过 packages 配置声明公共 PyPI 依赖、由仓库在创建函数时安装。

  • 新 Semantic Layer 规范与 Apache Ossie：v1.12 引入最新 Semantic Layer YAML 规范——语义定义直接嵌套在模型中（entity/dimension 在列级别定义、简单指标替代 measures），而非独立的顶层资源；同时支持用 Apache Ossie（原 Open Semantic Interchange）文档定义语义模型并生成 osi_document.json 产物，语义上下文更易编写、更可跨生态移植。

  • 适配器与快捷改进：Snowflake 支持 Iceberg v3 与动态表调度控制、Redshift 支持 query_group 会话参数、Databricks 支持 Unity Catalog 行过滤器；另含原生私有包（基于现有 SSH 配置直装 GitHub/GitLab/Azure DevOps 私有仓库）、简化 catalogs.yml、可组合选择器、latest_version_pointer_enabled_by_default 等。

行业影响

dbt Core v1.12 的深层信号有二。其一，dbt 的”Rust 化”路线图正式公开铺路——v1.12 让团队在 v1.x 时代就能试用 v2 的 Rust 解析器，把”大版本迁移”拆解成”先试解析器、再清弃用、再迁移”的渐进路径，这与此前 Vol.50 报道的 dbt State 一起，构成 dbt Labs 在”引擎层（Rust + 状态感知）“与”上下文层（为 token 建模）“双线并进的完整图景。其二，“Model for the token, not the table”把转换层的价值主张从 BI 扩展到 AI 上下文工程——当 Agent 开始以远超人类的频率消费数据，“token 效率”成为与查询性能同等重要的设计约束，而 dbt 的答案是用既有建模能力 + 仓库原生 AI 函数做批量压缩，让数据团队继续充当”上下文的中枢”。这与 Vol.44 报道的”从 analytics engineer 到 context engineer”一脉相承，也解释了为什么 dbt 会把语义层规范与 Ossie 这类开放格式纳入 v1.12：语义上下文即将成为跨生态的资产，dbt 想站在它的定义与分发中心。

相关链接

AWS 为 Amazon MQ for RabbitMQ 补齐 IAM OAuth 2.0/LDAP/mTLS 认证体系：消息中间件进入免凭据时代

事件概述

2026 年 8 月 17 日，AWS 在 Big Data Blog 连发四篇博客，系统性地为 Amazon MQ for RabbitMQ 补齐了认证与授权能力：IAM 认证（OAuth 2.0）、OAuth 2.0/LDAP/HTTP 三种后端对比、mTLS 与 SSL 证书认证，以及全套认证与授权选项的选型指南。这套系列的核心突破是——客户端可以用 AWS IAM 身份直接连接 RabbitMQ broker，彻底告别 broker 本地的静态用户名/密码凭据。

最具技术含量的是 IAM + OAuth 2.0 方案（该系列第三篇）：客户端应用（Lambda 函数、ECS 任务、EKS Pod 或 EC2 实例）用附加在其上的 IAM 角色调用 AWS STS，STS 评估 IAM 策略后签发一个签名 JWT（有效期 5 分钟至 1 小时），客户端把 JWT 作为 OAuth 2.0 bearer token 传给 broker，broker 通过 AWS STS 的 JWKS 端点验证签名、过期时间与 audience，再从 JWT 的 sub 声明提取调用方的 IAM 角色 ARN，经 scope aliases 映射为 RabbitMQ 权限。要求 RabbitMQ 3.13/4.2+ 并先启用 IAM 出站联合（outbound federation），每次 token 签发与策略评估均记录在 AWS CloudTrail。

技术解析

  • IAM 作为 OAuth 2.0 提供者的关键细节：需授予 sts:GetWebIdentityToken / sts:TagGetWebIdentityToken 权限；由于 STS JWT 把身份放在 sub 声明而非标准 scope 声明，必须设置 auth_oauth2.additional_scopes_key = sub，再用 auth_oauth2.scope_aliases 将 IAM 角色 ARN 映射到具体 RabbitMQ 权限（rabbitmq/read:*/*、rabbitmq/write:*/* 等）；vhost 级隔离在 broker 层通过 scope aliases 强制执行，而非依赖 IAM 策略条件。

  • 三层多租户隔离：IAM 层用 trust policy 限制哪些主体（Lambda/ECS/EKS Pod）可以代入租户角色；broker 层用 scope aliases 确保每个角色 ARN 仅获得自身 vhost 的权限（如 TenantARole 仅 rabbitmq/*:tenant-a/*）；审计层由 CloudTrail 记录每次角色代入与 STS token 请求。租户越权访问时 broker 直接返回 NOT_ALLOWED - access to vhost 'tenant-b' refused。

  • mTLS 与证书认证：支持 SSL 证书认证（EXTERNAL SASL 机制实现无密码登录）与双向 TLS（mTLS）验证，面向需要证书级身份验证与合规审计的场景；HTTP 认证则对接现有 Web 身份基础设施。

  • 选型维度：IAM (STS OAuth 2.0) 的凭据由 IAM 角色自动管理、原生集成 CloudTrail 审计；外部 IdP OAuth 2.0 适合已有统一身份源的企业；用户名/密码则作为回退（auth_backends.2 = internal）保留。

行业影响

这条动态的意义在于云上消息中间件的身份体系正在”IAM 化”：把消息队列的接入身份收敛到云厂商统一的 IAM 身份平面，客户端无需再维护 broker 专用凭据，权限模型、租户隔离与审计日志全部与云上其他资源对齐。对 DataInfra 从业者而言，它延续了 Vol.46 报道的 AWS Kinesis Agent 调优、Vol.49 的 OpenSearch GPU 向量索引之后 AWS 持续夯实数据服务底座的动作；而”消息中间件认证与 IAM 打通”正是事件驱动架构走向多租户规模化时最常踩的治理坑——静态凭据泄漏、权限蔓延、审计盲区。当 Kafka（MSK）与 RabbitMQ（Amazon MQ）都完成身份体系的上云收敛，事件驱动数据架构与企业身份基础设施的边界将彻底消失，这也会反过来推动自建 RabbitMQ 集群的用户重新评估”身份即服务”的迁移价值。

相关链接

阿里云 Quick BI AIPro Edition：以 AI-native 架构重构 BI，从可视化产品升级为智能分析引擎

事件概述

2026 年 8 月 17 日，阿里云开发者社区发布《Quick BI AIPro Edition Launches: Turning Data into an Engine for Enterprise Growth》。文章披露：8 月 1 日，灵鹿（Lingyang，阿里云智能集团旗下）的 Quick BI 已完成向 AI-native 架构的升级并发布新版本 AIPro。与”传统 BI 叠一层 AI 界面”的做法不同，AIPro 从数据接入到交互分析，把 AI 作为基础能力重构每一个环节——用户无需会看报表、无需写代码，只需用自然语言描述目标即可获得准确结果、洞察与可执行建议。

AIPro 在 Quick BI 既有智能问答（Smart Q）能力之上，构建了一个”可在组织内复用、可被有效治理、能转化为行动”的 AI 驱动分析系统：理解业务语言、结论与分析过程可追溯、驱动业务行动、支撑企业增长——Quick BI 由此从可视化分析产品转型为智能分析解决方案。目前 AIPro 已正式开放，首月赠送 125,000 credits 免费试用。

技术解析

  • 五大能力跃迁：Analytics Up——自动解读字段含义、智能匹配数据表，支持多轮追问与深度下钻，最终输出”带归因逻辑与决策建议的完整分析报告”而非一组数字；Comprehension Up——企业级语义理解（行业术语、企业业务逻辑、行业/企业定制分析模板），并用 agent memory 系统记录个体分析偏好；Action Up——从结论层延伸到执行层：自动生成可编辑的多格式分析产出、定时智能监控自动发现运营数据异常并通知、通过 MCP connector 把分析结果直接集成到 OA 系统工作流中更新数据或创建任务；Credibility Up——每个结论可解释、可追溯到源数据与计算逻辑，行列级权限保障数据安全，私有化部署版支持配置私有大模型并让数据留在组织内部；Growth Up——分析方法可发布到企业 Skills Marketplace 供团队复用，Data Marketplace 支撑跨部门数据共享，让经验沉淀为组织资产。

  • 与 Agentic 数据栈的衔接：AIPro 的 MCP connector 允许分析结果直接进入 OA 系统执行动作，这与本期 dbt 的”dbt MCP server 作为 Agent 统一入口”、Vol.50 报道的阿里云 Agentic DB Day（AIDBS 自然语言调起数据库）形成呼应——分析结果不再是终点，而是业务动作的输入。

  • 行业落地案例：制造业产线质检（从发现异常到定位根因缩至分钟级，行业可视化模板可固化为可复用 skill）、金融投资分析（满足访问控制、数据追溯与合规审计要求，AI 分析进入生产环境）、零售连锁渠道巡检（每周自动巡检全渠道销售数据、输出带归因的异常分析）、互联网公司业务协同（多数据源单会话深度归因，开放能力可集成进企业自建 AI 平台）。

行业影响

Quick BI AIPro 是国内云厂商把 BI 从”报表工具”推向”Agent 原生分析层”的又一标志性动作，与 Vol.50 阿里云 Agentic DB Day 的”双 50%“叙事同频：当访问数据库的流量 50% 来自 Agent，BI 的形态也必须从”人类拖拽看板”转向”Agent 可调用的智能分析服务”。AIPro 的可解释性（结论可追溯到源数据与计算逻辑）、行列级权限、私有化 LLM 与 Skills Marketplace，本质上是在回答 Agent 时代 BI 的三个核心问题：分析过程是否可信、数据边界是否可控、分析能力是否可复用。它与 Vol.47 报道的 Looker 语义层 + Gemini Enterprise、Vol.49 的 BigQuery Graph measures 共同表明：全球与国内的 BI/语义层玩家不约而同地把”可治理的语义上下文 + Agent 可消费的接口”作为下一代 BI 的标准配置，而中文源侧，阿里云正以 Quick BI AIPro + AIDBS + Agentic DB 的组合拳，把”AI 分析”从单点功能整合为云上数据智能的统一入口。

相关链接

编者评

本期四条动态看似分属引擎、工具链、消息中间件与 BI 四个不同层，实则构成同一趋势的四个切面：分析技术栈正在为 AI 时代做”底层重构”，而重构的技术底色是 Rust、服务器化与身份即服务。DuckDB v2.0 把”嵌入式分析库”重写为”可作服务器的全功能数据库”——CONNECT/Quack、异步 I/O、稳定 C API 与自定义扩展仓库，让单机引擎长出企业级形态；dbt Core v1.12 把转换工具链推向 Rust 解析器与 v2.0 路线，同时用”为 token 建模”把转换层的价值主张从 BI 扩展到 AI 上下文工程；AWS 把消息中间件的认证收敛到 IAM 身份平面，让事件驱动架构与企业身份基础设施的边界消失；阿里云 Quick BI AIPro 把 BI 从”人类看板”重写为”Agent 可调用的智能分析引擎”。把这四条并置，能读出一条清晰的行业轨迹：上一阶段（2023–2025）分析栈的竞争焦点是”数据规模与查询性能”；2026 年起，焦点正在切换到”分析栈能否被 Agent 原生消费、被企业身份原生治理、以更便宜的 token 成本供给上下文”——DuckDB 的 VARIANT 与 Iceberg v3 Variant（Vol.48）、dbt 的 token 效率建模、AWS 的免凭据认证、Quick BI 的 MCP 集成，都是这一切换在不同层的落地。值得持续跟踪的下一站：DuckDB v2.0 正式版（2026 秋季）的破坏性变更细节与 spark 方言兼容的实际覆盖度、dbt Core v2.0 的 Rust 化进度（v1.12 解析器是试金石）、AWS 是否会把 IAM 认证方案同样下沉到 MSK Serverless、以及 Quick BI AIPro 的”Skills Marketplace”能否像 Salesforce 的 app ecosystem 一样形成真正的分析能力生态——当这四层重构完成，AI 时代的分析技术栈将不再需要”为 AI 加一层适配器”，因为每一层都已经是为 AI 设计的。