Oracle 在其 AI 数据库 26ai 中为私有化智能体工厂添加了新的预构建智能体,这是一个用于在 AI 数据库 26ai 内构建基于容器的数据中心智能体的无代码框架。
这些新增的智能体包括数据库知识智能体、结构化数据分析智能体和深度数据研究智能体。
据公司介绍,数据库知识智能体能够将自然语言提示转换为查询,以获取特定的事实、策略或实体,而深度数据研究智能体则处理更复杂的任务,通过将任务分解为多个步骤,在网络资源、文档库或两者之间进行迭代。
结构化数据分析智能体专门用于处理表格数据,如 SQL 表或 CSV 文件,使用 Python pandas 库等工具来生成图表、发现趋势、标记异常并总结指标。
分析师表示,将这些智能体和私有化智能体工厂添加到 AI 数据库 26ai 将帮助开发者以安全、简化的方式加速智能体构建,特别是对于在受监管行业运营的企业,有助于将试点项目推向生产环境。
Forrester 首席分析师 Noel Yuhanna 表示:"借助 AI 数据库私有化智能体工厂,团队将能够快速创建 AI 智能体或利用预构建的智能体,将实验快速转化为生产就绪的解决方案。通过在数据库核心嵌入智能,Oracle 正在开启智能体 AI 的新时代,让复杂的自主系统和应用程序能够大规模自适应和行动。"
Yuhanna 补充说,Oracle 的理念反映了其更广泛的战略,即将数据库作为企业 AI 的中心支柱,因为最终的执行效果取决于数据的存储位置。
HyperFRAME Research 的 AI 技术栈实践负责人 Stephanie Walter 也赞同这一观点,她认为私有化智能体工厂是 Oracle 试图将自己定位为企业中的"运营控制层"而非仅仅是存储层的努力,通过将数据和 AI 更紧密地结合,减少数据移动和外部编排的需要。
Walter 说:"每个主要的云服务提供商都在朝着数据、模型和编排更紧密耦合的方向发展。Oracle 的差异化在于它从数据库向外扩展,而超大规模云服务商通常从模型或平台向外扩展。"
The Futurum Group 数据智能实践负责人 Bradley Shimmin 认为,这种差异化不仅仅是架构上的细微差别。
Shimmin 说:"通过将智能体编排直接架构到数据库中,Oracle 让企业摆脱了复杂、脆弱的数据移动管道的临时拼凑方法,我认为这种方法继续困扰着以云为中心的生态系统,即使是那些强调零 ETL 能力的系统。"
这种更紧密的集成也直接满足了受监管行业的一个更实际的关切:在 AI 智能体从实验阶段进入生产阶段时,保持对敏感数据的控制。
HFS Research 执行研究负责人 Ashish Chaturvedi 表示:"当今大多数智能体框架都假设你愿意将数据发送给外部大语言模型提供商,并通过云托管服务进行编排。对于受监管的行业——包括银行业、医疗保健、国防和政府——这种假设是不可接受的。"
他补充说:"私有化智能体工厂正好满足了这些客户的需求:在防火墙后面,吊桥拉起的状态下。"
Q&A
Q1:Oracle AI 数据库 26ai 中的私有化智能体工厂是什么?
A:私有化智能体工厂是 Oracle 在 AI 数据库 26ai 中提供的无代码框架,用于构建基于容器的数据中心智能体。它允许开发者快速创建或使用预构建的 AI 智能体,将实验快速转化为生产就绪的解决方案。
Q2:新增的三种预构建智能体分别有什么功能?
A:数据库知识智能体能将自然语言提示转换为查询来获取特定信息;结构化数据分析智能体专门处理表格数据,使用工具生成图表、发现趋势和标记异常;深度数据研究智能体处理复杂任务,通过分解步骤在多个数据源间迭代工作。
Q3:为什么受监管行业需要私有化智能体工厂?
A:受监管行业如银行、医疗、国防等对数据安全要求极高,不愿将敏感数据发送给外部大语言模型提供商。私有化智能体工厂让这些企业能在防火墙内部署 AI 智能体,保持对数据的完全控制,满足合规要求。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。