6月5日2026腾讯云 AI 产业应用大会在北京举办腾讯云在大会上联动多家伙伴展示了腾讯云 Agent Runtime 五件套在产业落地的实践价值。2026年上半年多家云厂商集中发布 Agent 基础设施方案这意味着Agent 基础设施正从概念验证期进入规模化交付阶段。而当 Agent 真正进入生产环境一个新的命题随之浮现算力普惠之后存储正在成为下一个关键瓶颈。AI 上半场拼算力下半场拼存储。腾讯云存储总经理陈峥在接受媒体采访时表示。当天与他同台对谈的灵生科技合伙人蒋玉骅聚焦无本体数据采集世界模型合成数据两大方向面对的挑战更加具体数据孤岛、安全隐患、性能脱节、效率缓慢——传统存储方案撑不住 Agent 时代的需求。吸引了科技、数字化及AI产业垂直领域十多家媒体到场采访Agent时代存储范式的迁移成为全场热议的焦点。腾讯云存储产品总经理陈峥和灵生科技合伙人蒋玉骅两个不同视角指向同一个结论Agent 时代需要全新的存储范式腾讯云正以 Agent Bucket 破解命题。存储范式迁移的产业动因存储之所以在2026年成为焦点源于三条产业线索的同时作用。第一Agent 正成为云基础设施的重要使用者。一个简单的用户指令背后Agent 可能独立完成在线搜索、下载安装、编码清洗、生成产物等十余个环节耗时几十分钟甚至数小时。这种新的云上工作负载有三个传统架构难以满足的特征环境要独占、数据要隔离、身份要专属。传统云架构为人设计当服务对象从人变成 Agent每一层都需要重新定义。如何搭建专属 Agent 的独立云空间成为了 AI 时代的新命题。第二非结构化数据正在爆发。Gartner 预测2026年非结构化数据量将达到2023年的3倍。中国信通院2025年报告显示国内聚焦具身智能自研的企业已达325家但多数产品仍停留在展会演示阶段数据存储架构的落后是被严重低估的隐形瓶颈。AI 数据库领域的竞争焦点已从“能不能存”转向“能不能理解和检索”向量化、多模态融合和存算分离成为行业共识。第三算力瓶颈有所缓解后存储与算力的均衡成为新课题。陈峥的判断是过去行业对单点算力过度崇拜忽视了“统一数据底座”对计算的价值。为适配这一需要腾讯云对象存储完成了三级跳第一阶段做通用存储解决非结构化数据的成本与可靠性第二阶段进入 AIGC 时代通过分布式缓存让数据贴近算力提升 GPU 吞吐第三阶段推出 Agent Storage面向 Agent 这一新型计算主体解决分得开、记得住、找得到的问题。Agent Bucket为 Agent 设计原生存储底座Agent 时代的存储只解决存的问题远远不够。数据量大到一定程度光存着就是“死”的资产。陈峥在群访中强调光存数据没有价值。腾讯云 Agent Storage 的思路是构建统一数据底座让存储从被动存升级为主动理解、按需供给。这个底座由 Agent Bucket、Vector Bucket 和 MetaInsight 三层构成。其中Agent Bucket 是统一的数据接入层承接多模态数据打破数据孤岛。它兼具对象存储 COS 的安全可靠、超低成本、强劲性能与原生 S3 生态同时支持用户空间隔离、配额管理、外链分享等能力。音视图文统一存放标准化 Agent API 无缝对接大模型。当 Agent 开始规模化运行传统存储方案的三重限制浮出水面COS Bucket 上限200个撑不住海量智能体的空间需求前缀隔离依赖业务代码一个 Bug 可能导致跨智能体数据泄露单纯的存不能解决找的问题海量数据沉淀后价值无法释放。Agent Bucket 正是针对这些痛点设计核心能力拆解为四个维度——独立空间架构引入 Space空间逻辑抽象层在存储底座与业务应用之间建立映射关系。每个 Agent 或用户拥有独立的 Space平台级隔离不可越权可单独配置专属配额、空间限速等权益。一个 Agent 的数据空间其他 Agent 看不到也访问不了从架构层面消除了数据泄露风险。亿级用户原生支撑默认支持亿级规模对象 Key 通过哈希自动打散避免热点分片。传统方案下企业要为海量 Agent 创建管理成百上千个 Bucket运维复杂度线性膨胀Agent Bucket 用一个桶支撑亿级空间管理成本大幅下降。文件系统语义提供 POSIX-Like 文件管理与 Mountpoint 原生挂载契合智能体对工作空间组织的需求。让 Agent 无需适配对象存储的扁平化逻辑像使用本地文件系统一样自然地读写、组织数据。内容级去重与秒传内置 SHA-256 全量哈希实现跨租户全局去重和秒传。在 Agent 高频协作、多人编辑同一项目文件的场景下去重能力直接节省存储成本和传输时间。腾讯云存储高级产品经理王致铭在专场演讲中总结Agent Bucket 不是给 Bucket 改个名字而是为每一个 Agent 提供一个原生的独立空间。以腾讯自研的 WorkBuddy 为例这款 AI 原生桌面智能体已基于 Agent Bucket 实现了空间项目协作——团队可在统一云空间中协同开发、协同编辑产生的中间数据和读取数据统一存放同时每人又拥有独立的个人云空间。这套架构经过腾讯自身亿级 C 端产品的实战检验。灵生科技的数据闭环理解 Agent Bucket 的产品力最快的方式是看一个真实的客户实践。灵生科技专注于成为行业领先的具身数据引擎提供商核心产品包括“人本采集”高效数采方案及配套 LDP 数据平台、L 系列人形机器人等已在智能制造、无人零售等领域开启商用。蒋玉骅在群访中提及了目前世界模型主流范式中WAM世界动作模型负责机器人的泛化决策大脑输入位姿输出动作决策与未来视频预测AWM行动世界模型作为数据质量闭环筛选已有数据生成优于仿真数据的 EGO 或 UMI 数据回流到下一轮训练中。数据与模型构成双向驱动数据平台持续供给训练素材世界模型成熟后反哺数据筛选与质量提升。但这套数据闭环对底层存储提出了极为苛刻的要求。灵生科技创始人兼 CEO 杨洪兵在专场演讲中直言具身模型训练规模化后存储成为关键瓶颈。以下挑战急需攻坚数据孤岛多 Agent 管理困难机器人数量快速增长传统存储桶存在数量上限海量终端的数据独立存储成难题安全隐患本地磁盘缺乏冗余保护一旦发生硬件故障高价值训练数据面临不可逆损失性能脱节模型训练对非结构化数据的读取吞吐要求极高存储 IO 能力需要与 GPU 算力匹配避免昂贵算力闲置效率缓慢多台 GPU 服务器并行训练时数据需反复跨节点传输且海量数据无法精准取用拖累研发效率。腾讯云存储为灵生科技提供了标准解法——COS 作为统一存储底座采集数据全量写入降低本地磁盘故障导致的数据丢失风险GooseFS 分布式缓存提供多机共享能力和单客户端 40Gbps 吞吐性能有效克服 GPU 加载数据瓶颈让 GPU 资源跑满。蒋玉骅表示我们通过 COSGooseFS 分布式缓存加速方案有效提升业务效率把 GPU 资源跑满。Agent Bucket 为各个独立终端构建专属云空间Space实现用户粒度的独立隔离建立存储底座和机器人之间清晰的用户粒度管理。数据经专线写入腾讯云后再通过 GooseFS 推送到训练节点形成从采集到训练再到推理部署的完整数据闭环。MetaInsight 作为多模态数据检索引擎更能让 Agent 深度理解数据内容支撑从百万小时到千亿小时级数据资产的高效检索与智能理解让研究人员从海量碎片化数据中中精准定位特定动作、特定场景的数据片段将采到训的链路耗时大幅缩短。杨洪兵将落地价值总结为三个词数据独立隔离、训练效率大幅提升、真正打通了数据采集到推理应用的全流程。全栈底座上的产业加速Agent Bucket 不是一个孤立的存储产品它嵌在腾讯云 Agent Infra 的全栈体系中。陈峥在采访中做了拆解Agent Runtime 底层由五大产品体系一体化支撑——Agent 沙箱实现60毫秒极速冷启动CBS 云硬盘提供块存储级高吞吐读写Agent Bucket 提供亿级空间隔离Agent Memory 结合向量存储桶实现长效记忆长期记忆准确率提升至76.1%Token 消耗降低近60%Agent 安全网关以零信任机制管控访问权限。我们不是一个单点去做而是一套组合拳的形式来解决 Agent Infra 的问题。陈峥说。这套全栈体系已在多家头部客户中跑通——MiniMax 基于 Agent 沙箱对数十万开源项目做强化学习训练面壁智能依托 Agent 沙箱支撑 MiniCPM 大模型 RL 训练效率提升83%。灵生科技的实践则是从 COS 的数据可靠存储、GooseFS 的高吞吐加速到 MetaInsight 的智能检索再到 Agent Bucket 的独立云空间整套链路由腾讯云统一提供避免了多层拼凑的兼容性损耗。在存储成本治理层面腾讯云提供了从 SSD 高性能桶、HDD 标准存储、低频存储、归档存储到磁带存储的全链路冷热分层。灵生科技采用的策略是预训练阶段用低成本大体量的云端冷存储DataLoader 临近训练时流式下载到本地后训练阶段则用少量高精度标注数据量级小但精准。一个更广泛的趋势正在显现AI 的竞争维度正在从单一的模型参数竞赛转向基础设施与数据闭环的综合较量。无论是灵生科技在世界模型训练中探索的数据双向驱动模式还是腾讯云通过 Agent Bucket 构建的智能体记忆中枢都指向同一个方向——在算力普惠之后谁能更高效地管理、检索并利用数据谁就能跑得更快。对具身智能这个最前沿也最复杂的 AI 落地场景来说存储底座的成熟度正在成为产业加速的关键变量。腾讯云通过 Agent Bucket 给出的判断是Agent 时代的存储不只是把数据存好还要让数据被理解、被找到、被用起来。存储底座跟上了产业落地的齿轮才能转得更快。