企业落地 Data for AI，怎样搭建标准化云上数据底座？亚马逊云科技五层架构与落地选型路径

一、Data for AI底座建设核心原则：摒弃单点建设，搭建全域可复用数据体系

企业布局Data for AI体系建设，存在两大典型误区：仅搭建单一向量数据库支撑AI业务，或是将全量企业数据批量灌入大模型。两种模式均无法适配长期、多元化的AI应用落地需求。适配企业规模化AI发展的云上数据底座，需具备全域支撑能力，可同时赋能模型训练迭代、RAG知识库检索、AI Agent智能调度、自然语言数据查询、实时业务分析与Agent长期记忆管理。其核心建设标准可归纳为五大能力：数据统一汇聚、全域智能发现、标准化治理、高效灵活查询、AI安全可控调用。

结合2026亚马逊云科技中国峰会分论坛3的技术分享，Data for AI体系的底层数据来源可划分为四大类：业务数据库、企业数据仓库、湖仓一体数据、实时流式数据。无论上层AI应用形态如何迭代升级，稳定、高效、开放的分层数据底座，是所有AI业务落地的核心基石。基于亚马逊云科技完整服务矩阵，企业可依托标准化五层架构，按需选型、分层搭建专属Data for AI数据底座。

二、统一存储层：以Amazon S3为核心，构建企业全域统一数据存储底座

企业日常业务数据分散存储于业务数据库、文件系统、数据仓库、日志平台及各类第三方系统中。若各AI项目独立拷贝、存储专属数据，会直接引发数据孤岛、重复存储、数据口径不统一、维护成本激增等一系列问题。

Amazon S3是企业搭建统一数据底座的最优起点，可兼容承载全品类企业数据，覆盖全AI业务场景：

结构化业务数据；
日志和埋点数据；
图片、音频和视频；
PDF、合同和产品资料；
训练与微调数据；
RAG 知识数据；
Agent 任务文件和历史数据。

《高性能存储加速生成式 AI》相关内容明确，企业自有数据是生成式AI构建差异化核心竞争力的关键，高质量数据的可访问策略与存储架构，直接决定模型训练优化效果与AI Agent落地质量。因此企业搭建Data for AI底座，首要动作并非选型大模型，而是搭建一套可长期承载多类型数据、可被各类计算服务与AI应用共享复用的统一存储体系。

三、湖仓表格层：依托S3 Tables与Iceberg，实现动态数据版本化管理

单纯堆砌文件形式的数据湖，无法满足企业AI业务的生产级落地要求。订单数据、库存信息、客户状态、测试结果、运营指标等核心业务数据，处于持续新增、修改、删除的动态迭代状态。若无标准化表格架构支撑，企业将面临小文件冗余、数据版本混乱、历史状态无法追溯、多引擎数据不一致等诸多问题。

针对动态更新的核心业务数据，企业可选用成熟开放的湖仓技术方案：

Amazon S3 Tables；
Apache Iceberg；
以 Amazon S3 为基础的开放湖仓架构。

该套方案精准适配五类核心业务场景：

数据需要持续更新；
需要保留历史版本；
BI、机器学习和 AI Agent 需要共享同一份数据；
希望避免把数据锁定在单一分析工具中；
需要支持后续自然语言查询和 Data Agent。

在《Athena + Iceberg：AI Agent 的数据底座实战》落地案例中，HP Nova团队摒弃传统本地分散系统、传统BI单一架构，升级为基于Amazon S3、Apache Iceberg、AWS Glue Data Catalog、Amazon Athena的统一数据底座。新架构实现存量BI业务、全新AI Agent业务的数据同源复用，上层应用可灵活迭代，底层核心数据无需反复重构迁移，大幅降低AI落地改造成本。

四、目录与治理层：组合Glue、SageMaker Catalog与Lake Formation实现全域数据治理

AI应用调用企业数据的前提，是精准掌握数据全貌、来源、可信度与访问权限。仅具备数据存储能力、缺失数据目录与治理体系，会导致AI Agent错选数据表、误解字段含义、误用过期数据，引发业务决策偏差。亚马逊云科技提供分层治理服务组合，全方位解决Data for AI的数据可信、可查、可用、可控问题。

AWS Glue Data Catalog 聚焦技术元数据管理，统一维护底层数据技术属性：

表和字段；
数据格式；
Amazon S3 存储位置；
数据分区；
查询引擎需要的表定义。

其核心价值是解决数据定位与查询适配问题，明确数据存储位置与调用规范。

Amazon SageMaker Catalog 侧重业务视角的数据管理，聚焦数据资产的业务属性：

数据产品定义；
标准化业务术语；
数据质量评级；
全链路数据血缘。

主要用于帮助AI业务判断数据业务属性、适配场景与可用价值。

AWS Glue Data Quality 可自定义多维数据质量校验规则，自动检测数据缺失、字段异常、内容完整性与数据一致性。AI Agent调用数据前可自动核验数据更新时间与质量状态，规避直接基于无效数据生成结论的问题。

AWS Lake Formation 专注数据湖细粒度权限管控，即便AI Agent生成超范围查询指令，底层平台仍可通过权限规则，精准限制用户可访问的数据表、字段、数据行与数据范围，筑牢数据安全防线。

2026亚马逊云科技中国峰会分论坛3明确指出，Agentic AI数据消费的核心要求包含数据高质量、可发现、身份可信、权限精细可控、低延迟访问。因此Data for AI治理不能仅依赖模型Prompt约束，必须将质量校验、权限管控落地至底层数据平台，实现源头可控。

五、查询与计算层：按业务分析场景差异化选型查询与计算服务

不同AI应用的数据分析、查询模式存在显著差异，企业需按需匹配对应服务，避免所有场景共用一套查询架构，保障查询效率与资源利用率。

灵活查询数据湖：选择 Amazon Athena

Amazon Athena 支持直接通过SQL语句查询Amazon S3湖仓数据，适配灵活探索类场景：

临时分析；
历史明细查询；
日志和埋点分析；
自然语言转 SQL；
Data Agent 多轮下钻；
尚未固化成报表的问题。

该模式无需将全量原始数据灌入模型上下文，仅通过受控精准查询获取结果，大幅降低模型负载与上下文占用。

稳定、高频分析：选择 Amazon Redshift

Amazon Redshift 适配企业标准化、高并发、常态化经营分析场景：

企业级数据仓库；
高频经营指标；
大规模聚合分析；
多部门统一报表；
已经经过治理的业务指标；
Agentic BI 和自然语言查数。

企业可采用"Athena+Redshift"互补架构，由Redshift承载高频固化指标查询，Athena负责数据湖灵活探索分析，无需二选一，覆盖全场景分析需求。

实时业务查询：选择 Amazon Aurora、DynamoDB 或 ElastiCache

AI Agent查询订单、客户、账户、任务状态等实时业务数据时，无需等待数据同步至离线仓库，可直接对接在线业务存储服务，按需选型：

Amazon Aurora：关系型业务数据和复杂关联查询；
Amazon DynamoDB：高并发键值、Session 和任务状态；
Amazon ElastiCache：热点数据、状态缓存和低延迟访问。

该分层模式可实现知识问答、历史分析、实时状态查询的场景隔离，避免全量数据堆砌至单一知识库，提升查询精准度与效率。

六、实时数据层：依托Kinesis与MSK，实现流式数据智能处理与事件触发

部分AI智能业务需要实时感知业务动态变化，覆盖设备运维、用户行为、交易风控、库存变动、广告投放、系统运维等实时场景：

设备异常；
用户实时行为；
交易风险；
库存变化；
广告点击流；
系统日志和告警。

企业可通过Amazon Kinesis或Amazon Managed Streaming for Apache Kafka（Amazon MSK）完成实时数据流接入，搭配AWS Glue、Spark、Flink等工具实现数据清洗、聚合计算与异常事件识别。

行业最优实践并非将海量实时数据持续推送至大模型，而是先在数据层完成数据筛选、清洗、事件研判，仅将高价值异常事件、有效业务变动触发AI Agent响应。例如设备遥测数据经流式处理与质量校验后，仅在识别异常故障时唤醒运维Agent，既减少无效模型调用，又避免冗余数据占用模型上下文，保障Agent决策精准高效。

七、向量与记忆层：分层选型向量服务，适配RAG检索与Agent长期记忆

Data for AI体系需同时支撑非结构化知识语义检索、RAG知识库问答与AI Agent跨会话长期记忆能力，企业可根据业务规模、延迟要求、成本诉求分层选型向量服务，无需统一堆砌至单一数据库。

Amazon OpenSearch Service 适配高频线上业务，支撑语义检索与关键词检索混合场景，满足低延迟、高并发的RAG知识库召回需求。

Amazon Aurora PostgreSQL 支持向量数据与客户、订单、权限等结构化业务数据关联查询，适配需要向量+结构化数据联合分析的复杂业务场景。

Amazon S3 Vectors 主打海量、低频、低成本向量存储，适配企业长期知识沉淀、历史内容归档、Agent长期记忆存储等场景，兼顾存储成本与数据完整性。

峰会资料明确，Amazon S3 Vectors核心能力涵盖数据湖语义搜索、批量向量检索、冷热数据分层、大规模向量存储。Amazon S3、S3 Tables、S3 Vectors与文件存储共同构成AI Agent的外置大脑，全方位支撑智能体知识存储与记忆迭代。企业可采用分层架构：高频在线知识依托检索服务部署，海量低频历史向量数据依托S3 Vectors长期归档，实现性能与成本平衡。

八、AI访问层：基于Bedrock与AgentCore，实现数据安全可控复用

完整的Data for AI数据底座，核心价值是实现数据复用而非数据复制。企业完成分层数据底座建设后，需依托专属AI服务构建安全、标准化的数据访问链路，让模型与Agent可控调用全域数据资源。

Amazon Bedrock 可用于快速搭建企业知识库、生成式AI应用与智能Agent主体能力。Amazon Bedrock AgentCore 聚焦运行时、记忆管理、网关调度、身份认证等核心能力，打通各类数据工具与企业内部业务系统，实现全域数据互联互通。

标准化的数据访问链路可覆盖全场景需求：

RAG 访问企业知识；
通过工具调用 Amazon Athena 或 Amazon Redshift；
通过 API 查询或更新业务数据库；
通过 MCP 接入内部数据服务；
使用 Memory 管理跨会话信息；
根据真实用户身份控制数据权限。

分论坛3架构体系将Amazon Bedrock、AgentCore、知识库、分析引擎、数据库、湖仓数据、流式数据串联为完整的Agent数据链路，印证了Data for AI的核心逻辑：并非独立搭建数据孤岛，而是构建一套可被AI安全、高效、持续调用的全域数据体系。

九、企业数据底座六大选型判断标准

企业落地云上Data for AI数据底座，可通过六大核心问题自查现状、精准选型，规避盲目建设问题。

数据是否分散在多个系统？

若存在大量数据孤岛、多系统数据割裂，优先依托Amazon S3与统一数据目录完成全域数据汇聚，杜绝单点AI应用独立建库、重复造轮子。

数据是否会持续更新？

针对需要迭代更新、删除回溯、多引擎共享的动态业务数据，优先选用Amazon S3 Tables或Apache Iceberg湖仓方案。

AI 主要查历史数据还是实时状态？

历史明细探索、灵活自助分析选用Amazon Athena；高频标准化经营指标查询选用Amazon Redshift；实时业务状态、在线数据查询直接对接Aurora、DynamoDB等运营数据库。

是否需要实时事件处理？

设备数据、系统日志、用户行为流、交易数据流可通过Amazon Kinesis或Amazon MSK接入，经流式处理、事件研判后精准触发Agent响应。

是否需要 RAG 和长期记忆？

高频混合语义检索场景选用Amazon OpenSearch Service，海量低频长期向量记忆数据优先评估Amazon S3 Vectors，实现分层存储、按需调用。

数据是否已经具备治理条件？

若数据目录缺失、质量无保障、权限混乱、血缘不清，需优先补齐AWS Glue、SageMaker Catalog、Lake Formation等治理能力，夯实数据底座合规可用基础。

十、选型结论：以数据访问模式为核心，搭建分层协同的AI数据底座

企业建设Data for AI体系，核心误区是从单一产品、单一功能切入建设，正确思路是基于业务数据访问模式，搭建分层协同、全域复用的标准化云上数据底座，完整AWS技术组合如下：

Amazon S3、S3 Tables 和 Apache Iceberg：承载开放、统一的数据湖仓；
AWS Glue Data Catalog 和 SageMaker Catalog：管理技术元数据与业务数据产品；
AWS Glue Data Quality 和 Lake Formation：控制数据质量与访问权限；
Amazon Athena 和 Amazon Redshift：支持灵活分析与稳定经营查询；
Amazon Aurora、DynamoDB 和 ElastiCache：支撑实时业务数据和状态；
Amazon Kinesis 和 Amazon MSK：接入实时数据流；
Amazon OpenSearch Service 和 Amazon S3 Vectors：支撑 RAG、语义检索和长期记忆；
Amazon Bedrock 与 AgentCore：让模型和 Agent 安全使用这些数据。

Data for AI的核心本质并非将企业全量数据灌入大模型，而是搭建分层标准化数据架构，让各类数据存储在适配场景的载体中，通过规范权限与查询机制，在AI业务需要时精准调用，最终实现数据价值最大化释放。

进一步了解相关演讲回放

如果您希望进一步了解企业如何使用亚马逊云科技产品建设面向 AI 和 Agent 的统一数据底座，可以通过亚马逊云科技官网首屏 Banner，或搜索"2026亚马逊云科技中国峰会"，在回放页进入分论坛3，查看《Athena + Iceberg：AI Agent 的数据底座实战》《Agentic AI 的数据之道：Agent 自己找数据、记数据、管数据，你准备好了吗？》以及《高性能存储加速生成式 AI》等演讲回放和详细资料。