企业 AI 应用从试验走向生产的挑战
过去一年，RAG、企业知识库、智能 Agent、多模态检索和训练数据治理等场景，对底层数据系统提出了更高要求：同一份非结构化数据既要在在线服务中完成低延迟语义检索，又要支撑数据探索、质量治理和批量分析。
而传统架构把这些需求拆到了数据湖、向量数据库、训练链路和检索服务里。为了让数据进入 AI 应用，企业需要反复搬迁数据、维护多份副本、重建索引，并持续处理同步和一致性问题。
火山引擎 Milvus Vector Lakebase 正式上线
面向这一需求，火山引擎基于 Milvus 向量数据库能力，引入湖原生存储与弹性计算架构，正式发布火山 Milvus Lakebase ：让同一份语义数据服务在线检索、交互式探索和批量分析，帮助企业构建面向 AI 的统一数据底座。
本次公测重点开放 On-Demand 形态：数据存在湖上，查询或者分析的时候再调用计算资源，任务结束后释放资源。对于历史知识库、周期性评测等低频大规模的数据任务，企业无需为其长期保留专用查询资源。
随着 On-Demand 形态的推出，火山引擎 Milvus 目前提供三种产品形态，以匹配不同业务场景及其负载：
- Dedicated 更适合持续在线、高并发、低延迟的核心业务；
- Serverless 更适合轻量接入和弹性验证；
- On-Demand 则面向大规模、低频、阶段性的语义检索与分析任务。
Vector Lakebase，面向 AI 时代的语义数据底座
Vector Lakebase 是一个以语义数据为核心的数据平台，从场景和数据源两层来看：
场景覆盖
Vector Lakebase 作为数据平台可服务在线检索、交互式探索和批量分析三种不同的业务场景：
- Real-time Serving： 为对延迟要求极高的生产服务提供实时检索功能；我们常见的电商推荐、企业知识库，都是典型的在线实时检索。
- Iterative Discovery： 用于交互式和多步骤探索的迭代发现；比如，AI 开发者需要分析 feedback data 和底层 corpus，找到服务质量下降的原因。agentic system 也可能自动探索日志和用户行为，定位知识缺口、策略问题或数据稀疏区域。
- Batch Analytics： 用于离线数据挖掘和数据集优化的批量分析。自动驾驶的数据挖掘，模型训练中的数据去重，都是典型的代表。
数据覆盖
数据既可放在数据库实例中管理，也支持外部湖仓作为底层数据源：
- Managed Collection： 数据托管在火山 Milvus 实例内，平台负责存储和索引。
- External Collection： 直接关联对象存储中的湖仓文件，就地建索引，不搬数据。
火山 Milvus Vector Lakebase 核心能力
On-Demand 形态
如何解决场景覆盖范围，火山引擎推出 On-Demand 产品形态，On-Demand 实例的 Query 计算节点按需启动，应对交互式探索和批量分析两种偏离线的查询场景，当查询、分析或回归任务发生时再拉起计算资源，任务结束后释放资源。冷数据检索、周期性回归、离线语义挖掘等低频大规模任务，可以通过 On-Demand 减少长期保留专用计算资源带来的空转。
External Collection
为了扩大数据覆盖范围，基于 Milvus 3.0 的 External Collection能力，On-Demand 形态提供 Managed Collection & External Collection 两种数据源选项，支持直接关联火山 TOS 对象存储中的 Parquet 文件，原地引用湖存储文件、进行索引构建，无需将数据复制到 Milvus 的情况下进行检索。
两项能力配合使用，冷数据可以留在湖仓，进行按需查询 / 分析。训练数据治理、Corner Case 挖掘等场景也不再需要为一次性任务预留常驻资源。
On-Demand 形态典型业务场景
- 自动驾驶 Corner Case 挖掘： 在海量视频片段、场景标签和向量数据中，按需检索事故、badcase 或模型退化后的相似场景，适合问题定位期间的短时高算力任务。
- 企业历史知识库冷数据召回： 面向历史文档、归档工单、会议纪要和长尾知识库，保留随时可查的语义检索能力，同时减少为低频冷数据维护常驻查询资源。
- 大规模训练数据治理： 对文本、图片、视频等 embedding 数据进行相似去重、聚类、质量分层和样本筛选，为训练、微调和评估提供更高质量的数据输入。
- AI 产品质量分析： 围绕用户 query、模型回答、召回 chunk、用户反馈和质检结果，集中探索失败回答模式，帮助 RAG、Agent 或 Copilot 产品定位知识缺口与优化方向。
On-Demand+External Collection 如何使用
在公测阶段，客户可先联系火山引擎客户经理申请开通。完成开通后，典型使用路径可以概括为：
1. 准备数据源： 确认对象存储的数据路径、数据格式、schema、向量字段和主键字段，并确保数据组织方式符合接入要求。
2. 配置访问权限并创建外部数据连接： 在控制台集成中心页面完成存储集成、IAM 授权和网络连通性配置，让平台能够安全读取指定 bucket、path 或湖表数据。
3. 创建 External Collection： 关联外部数据源，配置 collection 名称、向量字段、标量字段、数据格式和 schema 映射。
4. 创建实例下 Query 集群： 创建 Query 资源，配置弹性规则。
5. 同步数据： 触发数据 refresh，数据准备完成后即可进入检索流程。
6. 按需发起查询： 通过统一 endpoint 访问，平台根据查询任务拉起所需计算资源；任务结束或空闲后，计算资源释放。
让 AI 数据基础设施跟上应用迭代速度
AI 应用的质量，越来越取决于数据能否被持续发现、持续修正和持续复用。火山引擎 Milvus Vector Lakebase 希望帮助企业把语义数据从"检索时的后端组件"升级为"AI 应用全生命周期的基础设施"。
目前，火山引擎 Milvus Vector Lakebase 已正式上线公测。 正在建设 AI 搜索、企业知识库、智能 Agent、多模态检索、数据湖语义分析或训练数据治理工作流的客户，可联系火山引擎客户经理申请开通。