一句话看懂：Zilliz 联合创始人郭人通将在 2026 年 AICon 深圳站分享其内部如何用 AI Agent 构建“Agentic-Native”增长模式——让 Agent 承担重复认知与跨系统协调，支撑业务超线性扩张，同时避免支持团队线性膨胀。这提供了一个从工具到企业执行主体的 Agent 工程化实战案例，核心在于上下文预算管理、长期 Memory、Skills 封装和 Human-in-the-Loop 机制。
事件核心：发生了什么
Zilliz 联合创始人兼产品副总裁郭人通计划在 2026 年 8 月 21–22 日举办的 AICon 人工智能开发与应用大会·深圳站上，发表题为《Agentic-Native 增长：Zilliz 如何用 AI Agent 支撑超线性业务扩张》的演讲。他将首次系统公开 Zilliz 内部 Agent 从办公助手进化到企业超级员工的全过程：第一阶段作为知识问答与信息入口；第二阶段连接 CRM、工单系统等核心业务系统；第三阶段参与客户支持与内部工作流；第四阶段成为用户与企业之间的智能对接层。演讲重点涵盖四个关键工程实践——上下文预算管理与分层、长期 Memory 设计、Skills 工程化（将工具封装为可复用的业务能力）、Human-in-the-Loop 闭环，以及异步工作流构建。他还将讨论 Deep Agent Workflow 对数据基础设施提出的新要求，包括统一检索、离在线一体、权限感知与混合搜索。
为什么重要
当大模型能力趋同，竞争焦点正从单点模型切换为可规模化的智能系统。Zilliz 作为开源向量数据库 Milvus 的母公司，其自身实践表明：Agent 可以从“问答工具”升级为组织内嵌的执行单元，降低边际协调成本，支撑业务指数级增长而不必线性增加员工数。这一案例为“Agentic-Native 组织”提供了可验证的工程路径——用 Agent 承载重复认知与跨系统协调，让人更专注于创造与决策。同时，它反向推动了数据基础设施升级：企业级 Agent 需要 lake-native 检索、统一上下文管理和安全权限，这直接影响向量数据库、检索系统等底层的设计方向。
对用户/开发者/创作者的影响
开发者和技术负责人可以从 Zilliz 的工程实践中获得具体参考：如何做上下文分层（有限预算而非无限窗口）、如何构建组织级长期 Memory（超出单 Session 的企业上下文）、如何通过 Skills 将 API 和工具封装成业务能力以避免模型乱选工具，以及如何设计 Human-in-the-Loop 确保安全可控。企业决策者应评估：Agent 正从 Copilot（辅助）向 Operator（执行主体）演进，这意味着需要提前规划数据基础设施的离在线一体检索、权限控制和持续迭代能力。创作者和中小团队则可通过类似模式，利用现成模型和开放 Agent 框架，快速搭建面向特定领域的智能服务，降低运营人力成本。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
1. Zilliz 是否会开源或产品化其 Agent 框架（如 Skills 库、Memory 组件），从而影响开源 Agent 生态。
2. 其他向量数据库与 AI Infra 厂商（如 Pinecone、Weaviate）是否会跟进 Agentic-Native 数据基础设施方案。
3. 实际落地中 Agent 的成本-收益交叉点：什么规模的企业、什么场景适合引入，以及上下文预算管理的量化测量标准是否会出现。
来源：InfoQ CN
