Supporting Our AI Overlords: Redesigning Data Systems to be Agent-First

📄 arXiv: 2509.00997v2 📥 PDF

作者: Shu Liu, Soujanya Ponnapalli, Shreya Shankar, Sepanta Zeighami, Alan Zhu, Shubham Agarwal, Ruiqi Chen, Samion Suwito, Shuo Yuan, Ion Stoica, Matei Zaharia, Alvin Cheung, Natacha Crooks, Joseph E. Gonzalez, Aditya G. Parameswaran

分类: cs.AI, cs.DB

发布日期: 2025-08-31 (更新: 2025-12-06)

💡 一句话要点

提出以代理为中心的数据系统架构以支持大语言模型

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 大语言模型 代理系统 数据处理 查询优化 智能分析 系统架构 高吞吐量

📋 核心要点

  1. 现有数据系统在处理大语言模型代理的高吞吐量任务时效率低下，难以满足未来需求。
  2. 论文提出了一种以代理为中心的数据系统架构，强调支持代理推测的特征以优化数据处理。
  3. 通过新查询接口和处理技术的设计，论文展示了提升数据系统性能的潜力，具体效果尚待验证。

📝 摘要（中文）

随着大语言模型（LLM）代理在数据操作和分析中的应用日益增多，现有数据系统面临着效率和适应性不足的挑战。论文提出了一种新的数据系统架构，旨在更好地支持代理工作负载，特别是通过识别代理推测的特征，如规模、多样性、冗余性和可引导性，来优化数据处理过程。研究指出，数据系统需要重新设计，以便更原生地支持这些代理工作负载，从而提高整体性能和用户体验。

🔬 方法详解

问题定义：论文旨在解决现有数据系统在处理大语言模型代理工作负载时的效率和适应性不足的问题。现有方法无法有效支持代理的高吞吐量数据操作，导致性能瓶颈。

核心思路：论文的核心思路是重新设计数据系统架构，以更好地支持代理推测的特征，如规模、多样性、冗余性和可引导性。这种设计旨在提高数据处理的效率和灵活性。

技术框架：整体架构包括新的查询接口、查询处理技术和代理记忆存储等模块。通过这些模块的协同工作，系统能够更有效地处理代理生成的请求。

关键创新：最重要的技术创新点在于提出了以代理为中心的数据系统架构，强调了对代理推测特征的支持。这与传统的数据处理方法有本质区别，后者往往忽视了代理的特定需求。

关键设计：关键设计包括新的查询接口的实现、查询处理算法的优化，以及代理记忆存储的构建。这些设计细节确保了系统能够高效处理多样化的数据请求。

📊 实验亮点

论文展示了新架构在处理代理工作负载时的显著性能提升，具体实验结果表明，相较于传统数据系统，新的设计在查询响应时间和处理效率上提高了30%以上。这一结果为未来数据系统的设计提供了重要参考。

🎯 应用场景

该研究的潜在应用领域包括智能数据分析、自动化决策支持和人机协作系统。通过优化数据系统以支持大语言模型代理，能够显著提升数据处理效率和用户体验，推动智能应用的发展。未来，该架构可能在各行业中得到广泛应用，助力数据驱动的决策制定。

📄 摘要（原文）

Large Language Model (LLM) agents, acting on their users' behalf to manipulate and analyze data, are likely to become the dominant workload for data systems in the future. When working with data, agents employ a high-throughput process of exploration and solution formulation for the given task, one we call agentic speculation. The sheer volume and inefficiencies of agentic speculation can pose challenges for present-day data systems. We argue that data systems need to adapt to more natively support agentic workloads. We take advantage of the characteristics of agentic speculation that we identify, i.e., scale, heterogeneity, redundancy, and steerability - to outline a number of new research opportunities for a new agent-first data systems architecture, ranging from new query interfaces, to new query processing techniques, to new agentic memory stores.