一句话看懂：OceanBase 团队以内部代号 Scout 的 Data Agent 方案，在国际 Data Agent Benchmark（DAB）上取得 90.62% 准确率并排名第一，成为该榜单首个突破 90% 的提交。更值得关注的是，它使用国产大模型 GLM-5.2，超过了多个基于 GPT、Claude Opus 和 Claude Fable 构建的方案。
事件核心：发生了什么
据 AIbase 报道，OceanBase 的 Data Agent 方案近日登顶国际 Data Agent Benchmark（DAB），准确率达到 90.62%，位列第一。该评测由 UC Berkeley EPIC Data Lab 与 Hasura PromptQL 联合发起，覆盖互联网/本地生活、金融股票、生物医药、知识产权、企业运营、政府公共管理、媒体娱乐等多个领域，涉及 PostgreSQL、MongoDB、SQLite、DuckDB 等多种数据库。
与传统 Text-to-SQL 主要考察“自然语言转 SQL”不同，DAB 更接近真实环境下的完整任务链：Data Agent 需要先理解数据、选择数据、规划分析路径，再执行查询与计算，最后验证结果。OceanBase 这次的提交代号为 Scout，技术上采用 DataLens 构建数据画像，再根据任务复杂度规划执行路径，并通过证据追踪与答案校验形成“理解—规划—验证—修复”的闭环。相关能力后续将整合进 OceanBase DataPilot。
为什么重要
DAB 考的并不只是底层模型，而是“模型 + Agent + 数据系统”的协同能力。模型负责理解与推理，Agent 负责任务规划与执行，数据系统负责数据发现、关联计算和结果验证。OceanBase 用 GLM-5.2 作为底层模型拿下第一，说明在复杂数据分析这类企业级场景中，国产数据库加国产模型的组合具备实际竞争力，而非停留在简单问答或演示层面。
对数据库行业来说，这释放了一个明确信号：当 AI Agent 成为数据的新使用者，数据库的角色正在从“把数据交给 AI”转向“帮助 AI 用好数据”。OceanBase 从数据库向 AI 数据平台演进，DataPilot 正是面向 AI 数据分析场景的产品方向，这次榜单成绩可以看作其 AI 能力的一次外部验证。
对用户/开发者/创作者的影响
对开发者和数据团队而言，DAB 的评测维度更贴近真实业务：跨库、跨领域、需要多步推理和结果校验。若 DataPilot 后续落地，可能降低企业搭建数据分析 Agent 的门槛，减少在提示词、数据关联和结果验证上的重复工程。对企业采购来说，国产数据库与国产模型的组合提供了新的选型参考，尤其在数据合规和本地化部署要求较高的场景。对内容创作者和普通用户，这类能力的直接体感可能来自更“能查数、会算数”的 AI 助手，而不是只会生成文本的聊天机器人。
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
目前公开信息显示，Scout 的技术能力将并入 DataPilot，但具体上线时间、开放方式和定价尚未披露。后续可观察三点：一是 DataPilot 能否从评测榜单走向真实企业工作流；二是 GPT、Claude 系方案及其他数据库厂商是否会在 DAB 或类似基准上跟进回应；三是国产模型与数据库的协同方案，能否在开源生态和 API 层面形成更完整的开发者工具链。
来源：AIbase
