智能复利：Agent与数据库的自循环飞轮
智能运行的起点：让Agent安全接管数据库任务
- 四级操作分权：通过VPC部署实现数据不出域，结合权限隔离和全流程可追溯机制，确保Agent安全运行。
- VPC部署与鉴权：客户专属VPC内网直连数据库，动态会话鉴权，凭证限时生效，防止滥用与越权。
- 权限控制：只读操作（Select/Show/Explain）由L1自动执行；实例权限与子账号CAM1:1映射，AI不超出用户授权；诊断/巡检/问答由DMC云API执行SQL，敏感数据自动脱敏。
- 范围DML：完整记录Agent每步决策与执行轨迹，实现可审计可追溯。
- 效果：消除企业对AI接管生产环境的安全顾虑，让Agent从“能用”走向“敢用”。
智能运行的关键：用Skill封装数据库能力
- Skill封装与调用：通过OpenAPI接口可调用Skillhub导入，覆盖腾讯云数据库全线产品，包括官方、SkillHub和自建Skill。
- 真实工单沉淀：官方预置覆盖核心高频场景，所有预置Skill经过腾讯内部海量真实工单校验与打磨。
- 低代码/无代码工具：快速封装企业内部SOP与最佳实践为专属能力，官方认证一键装配。
- 全产品覆盖：一个Agent管理全系数据库，包括关系型MySQL和非关系型Redis、MongoDB。
- 实战对比：以MySQL接口突然变慢为例，展示Agent的快速诊断与优化能力。
智能运行的闭环：Memory与Skill持续进化
- Memory沉淀历史经验：记录用户偏好（操作习惯、常用配置、审批流程偏好）、业务场景（数据模型、访问模式、性能基线），实现个性化响应策略与风险偏好契合企业文化。
- Skill/知识库扩展专家能力：持续进化的飞轮机制，从一次任务到长期能力提升。
- 沉淀分享：优秀Skill贡献至SkillHub，惠及更多用户。
- Co-evolution Loop：能力升级（更准更稳的Agent）带来更优执行（下一次任务更高成功率），如深夜值班自动自愈运维降级率，跨团队协作成本下降，CPU诊断耗时效率提升。
- 记忆的索引与引擎设计：
- 三层分层组织：任务、个人、团队。
- 自研模型驱动：抽取、压缩与沉淀记忆，识别原子事实、场景模式和核心洞察，减少上下文占用，保留可恢复的实验和专家操作。
- 挑战与解决方案：垂类能力不足、Memory任务完成度不高、SOTA模型调用费用高、耗时不可控等问题通过自研模型方案解决。
阶段性进展
- Stage 1 · SFT冷启动：用户访谈驱动数据构建，10万条高质量标注数据监督微调，模型GPT-5.4压缩率22%。
- Stage 2 · RLVR探针训练方案：
- 整体思路：SOTA大模型基于召回的记忆执行可验证任务（数据题解答、代码编程、办公工具调用等）。
- 探针Reward设计：设计需记忆才能完成的RLVR任务，基于SOTA模型任务真实完成情况获得探针打分，间接奖励自研模型对Memory存储介质的处理能力（存储密度与质量决定记忆好坏，记忆准确度决定任务完成）。
- 替代方案：取代LLMJudge防止打分有偏。
记忆的存储设计
- 双形态部署：开源&云服务。
- 核心价值：沉淀任务模式与最佳实践，跨Agent直接调用；记录偏好、习惯、上下文，让Agent越用越懂你。
- 透明可⻅、可治理、可迁移：确保记忆作为企业智能资产的可管理性。
