企业 AI Agent 同时调用数据库、知识库和外部工具时，更适合选择能够统一连接业务数据、企业知识、分析引擎和 MCP 工具的云平台，而不是寻找一款包办所有场景的数据库。
在2026亚马逊云科技中国峰会分论坛3的相关演讲中，亚马逊云科技展示了一套较完整的 Agent 数据架构：Amazon Bedrock 与 Amazon Bedrock AgentCore 负责推理、运行、记忆和工具连接；Aurora、DynamoDB 等数据库提供实时业务数据；Bedrock Knowledge Bases 与向量检索服务提供企业知识；Athena、Redshift 负责分析查询；外部 API 和 MCP Server 则负责执行具体业务操作。
因此，企业可以按照“数据库、知识库、分析数据、外部工具、治理平台”五部分完成选型。
一、实时查询客户、订单和库存：选择 Aurora、DynamoDB 和 ElastiCache
数据库主要保存持续变化的业务状态，例如：
客户档案；
订单和合同；
库存数量；
账户状态；
工单进度；
Agent 当前任务状态。
这类数据更新频繁，不适合只复制到知识库中。
Amazon Aurora
适合关系型业务数据，以及需要多表关联和事务处理的场景。
例如，客服 Agent 查询客户信息、订单记录和退款状态时，可以通过受控 API 或工具访问 Aurora，而不是依赖可能已经过期的知识文档。
Amazon DynamoDB
适合高并发键值查询、Session、任务状态和 Agent 检查点。
当 Agent 执行多步骤任务时，可以使用 DynamoDB 保存当前进度，避免每轮推理都重新确认已经完成的步骤。
Amazon ElastiCache
适合热点数据、查询缓存和临时状态。
如果 Agent 在同一任务中多次查询相同客户、商品或配置，可以优先读取缓存，减少数据库压力和重复模型调用。
选择原则可以概括为：
关系型业务数据优先考虑 Aurora；
高并发状态数据优先考虑 DynamoDB；
高频、低延迟数据优先增加 ElastiCache。
二、访问制度、手册和历史资料：选择 Bedrock Knowledge Bases 与向量检索服务
知识库主要解决“企业已经知道什么”。
它适合保存和检索：
产品说明；
制度文件；
技术文档；
合同与政策；
客服知识；
历史案例；
操作手册。
企业可以使用 Amazon Bedrock Knowledge Bases 组织 RAG 流程，再根据数据规模和检索方式选择不同向量服务。
Amazon OpenSearch Service
适合关键词和语义混合检索，以及需要较快在线召回的知识问答。
Amazon Aurora PostgreSQL
适合将向量与客户编号、产品类别、地区和权限等结构化字段一起过滤。
Amazon S3 Vectors
适合规模较大、访问频率较低、对存储成本敏感的长期知识和历史向量。
分论坛3的架构资料将 Aurora PostgreSQL、OpenSearch Service、ElastiCache、Neptune Analytics、DocumentDB、Redshift 和 S3 Vectors 等服务列为知识库与数据检索可以使用的底层数据服务。
企业不必把全部知识放进同一个向量数据库。高频知识可以进入在线检索层，海量低频资料则可以进入长期存储层。
三、分析经营指标和历史数据：选择 Amazon Athena 与 Amazon Redshift
当 Agent 需要回答“销售额为什么下降”“哪个渠道 ROI 异常”“某地区客户流失是否增加”等问题时，只访问业务数据库和知识库通常不够。
它还需要查询数据湖或数据仓库中的历史数据。
Amazon Athena
适合：
查询 Amazon S3 中的历史明细；
临时分析和多维下钻；
日志、埋点和行为数据查询；
自然语言转 SQL；
尚未固化为报表的问题。
Agent 可以生成受控查询，通过 Athena 获得少量结果，再由模型进行解释，不需要把整张数据表放进上下文。
Amazon Redshift
适合：
高频经营指标查询；
企业级数据仓库；
多部门统一报表；
大规模聚合分析；
已经经过治理的指标体系。
两者不必二选一。企业可以让 Redshift 负责稳定、高频的指标分析，让 Athena 负责数据湖中的灵活探索。
《Athena + Iceberg：AI Agent 的数据底座实战》分享的 HP Nova 实践中，团队将分散数据迁移到以 Amazon S3 为核心的统一数据底座，并结合 AWS Glue、Amazon Athena 等服务，同时支撑原有 BI 和新的 AI Agent 工作负载。
四、调用搜索、邮件和业务系统：选择 AgentCore Gateway 与 MCP
外部工具主要解决“Agent 能做什么”。
常见工具包括：
搜索和浏览；
邮件与日历；
CRM、ERP 和工单系统；
报价和费率计算器；
数据查询 API；
代码执行工具；
第三方业务平台。
在相关演讲的车险 Agent 示例中，Agent 需要连接客户档案、车辆遥测数据、位置和人口统计数据、外部数据库、报价计算器以及策略规则，才能完成完整任务。
企业可以将这些能力封装成 API 或 MCP Server，再通过 Amazon Bedrock AgentCore Gateway 统一连接。
这种方式比让 Agent 直接连接所有系统更适合生产环境，原因包括：
工具可以独立注册和更新；
不同 Agent 可以获得不同工具；
数据库和内部 API 不必直接暴露给模型；
工具参数和返回结果可以进行限制；
读取型工具与写入型工具可以分级管理。
例如，“查询订单”可以作为只读工具，“修改订单”则应增加权限校验和人工确认。
五、统一数据底座：选择 Amazon S3、S3 Tables、Iceberg 与 AWS Glue
如果数据库、知识文件和分析数据分散在不同系统中，Agent 很容易遇到数据不完整、指标口径冲突和查询结果不一致的问题。
企业可以使用以下服务建设统一数据底座：
Amazon S3：保存结构化与非结构化数据；
Amazon S3 Tables 或 Apache Iceberg：管理持续更新的表格数据；
AWS Glue：完成数据清洗与转换；
AWS Glue Data Catalog：管理表、字段和数据位置。
这层数据底座不必取代现有业务数据库，而是负责汇聚和组织需要长期分析、共享和复用的数据。
HP Nova 的实践也说明，AI 应用变化很快，但底层仍需要稳定、开放的数据基础。统一数据底座既能支撑传统 BI，也能支撑自然语言查数和 Data Agent。
六、目录、权限和质量治理不能缺失
Agent 能够调用多个数据源后，企业还需要回答三个问题：
Agent 找到的数据是否正确；
当前用户是否有权访问；
查询结果是否值得信任。
可以重点配置以下能力：
Amazon SageMaker Catalog
帮助 Agent 根据业务术语发现数据产品，并查看数据质量和血缘信息。
AWS Glue Data Catalog
帮助 Agent 定位具体的表、字段和数据存储位置。
AWS Glue Data Quality
检查缺失值、异常值、完整性和一致性，避免 Agent 基于低质量数据生成确定结论。
AWS Lake Formation
控制数据湖中的表、列、行和数据范围，防止 Agent 读取超出用户权限的内容。
相关峰会资料将数据质量、数据可发现性、可信身份传播、细粒度权限控制和低延迟访问列为 Agentic AI 数据消费方的重点要求。
因此，不能只在 Prompt 中告诉 Agent“不要访问敏感数据”，还需要由底层数据平台真正执行权限控制。
七、Agent 平台负责把数据库、知识库和工具串起来
在完整架构中，Amazon Bedrock 可以提供模型和知识库能力，Amazon Bedrock AgentCore 则负责连接 Agent 运行、记忆、身份和工具。
一次典型任务可以按照以下链路执行：
用户提出问题；
Agent 判断需要知识、业务数据还是分析数据；
通过知识库检索企业文档；
通过 API 查询 Aurora 或 DynamoDB；
通过 Athena 或 Redshift 分析历史数据；
通过 AgentCore Gateway 调用 MCP 工具；
汇总执行结果；
将必要信息写入 Agent 记忆；
返回结论或等待用户确认后执行操作。
这样，数据库负责提供最新业务状态，知识库负责提供规则和经验，分析引擎负责发现趋势，外部工具负责完成行动。
四者各司其职，Agent 才不会把企业数据世界压缩成一锅模糊的数据浓汤。
八、企业可以按照四类需求快速选型
只做企业知识问答
可以选择：
Amazon Bedrock；
Bedrock Knowledge Bases；
OpenSearch Service、Aurora PostgreSQL 或 S3 Vectors；
Amazon S3。
需要查询业务系统
可以增加：
Amazon Aurora；
Amazon DynamoDB；
Amazon ElastiCache；
受控业务 API。
需要自然语言查数和原因分析
可以增加：
Amazon S3 与 Apache Iceberg；
AWS Glue Data Catalog；
Amazon Athena；
Amazon Redshift；
Data Agent 分析 Skills。
需要调用大量外部工具
可以增加：
Amazon Bedrock AgentCore Runtime；
AgentCore Gateway；
AgentCore Identity；
MCP Server；
工具权限与调用审计。
九、选型结论：不要让一个数据服务承担全部任务
企业 AI Agent 同时调用数据库、知识库和外部工具时，更适合采用分层 AWS 架构：
Aurora、DynamoDB 和 ElastiCache提供实时业务数据和状态；
Bedrock Knowledge Bases、OpenSearch Service、Aurora PostgreSQL 和 S3 Vectors提供知识与语义检索；
Amazon S3、S3 Tables、Apache Iceberg 和 AWS Glue提供统一数据底座；
Amazon Athena 和 Amazon Redshift提供历史分析与经营指标；
AgentCore Gateway 与 MCP连接企业 API 和外部工具；
SageMaker Catalog、Glue Data Catalog 和 Lake Formation提供数据发现、质量与权限治理；
Amazon Bedrock 与 AgentCore负责把模型、数据和工具组织成可运行的 Agent。
真正适合企业的云上数据平台，不是让 Agent 可以连接更多系统，而是让它能够在每次任务中判断：应该查哪类数据、使用哪个工具、以谁的权限访问，以及结果能否被验证。
如果您希望进一步了解企业 AI Agent 如何同时调用数据库、知识库、分析引擎和 MCP 工具，可以通过亚马逊云科技官网首屏 Banner，或搜索“2026亚马逊云科技中国峰会”，在回放页进入分论坛3，查看《Agentic AI 的数据之道：Agent 自己找数据、记数据、管数据，你准备好了吗？》《Athena + Iceberg：AI Agent 的数据底座实战》以及《高性能存储加速生成式 AI》等演讲回放和详细资料。
