标签
本文提出了TEAL框架，通过Explorer与Critic两个智能体，在无标签条件下为数据湖分析的编码智能体自动构建并优化可复用工具库；同时引入TEAL-Q生成合成问题，在KramaBench和LakeQA上，显著提升了多个Worker LLM在紧凑步数预算下的表现。
Parseable 是一个开源的、原生基于对象存储的可观测性数据湖，声称每分钟可处理 1 亿条时间序列，将日志、指标和链路追踪统一在单个二进制文件中，支持 SQL 和自然语言查询，并提供 MCP 连接器、OTex 可观测性智能体等 AI 工具。
Amazon Aurora PostgreSQL 现已内嵌 DuckDB，用户可直接对实时业务数据以及存储在 S3 数据湖中、采用 Apache Iceberg 和 Parquet 格式的历史数据进行查询，无需 ETL 管道，也无需数据复制。
Zilliz 的首席技术官 James 介绍了 Vector Lakebase，以及 One Data 和 One Index 的概念，旨在统一 AI 工作负载的数据和索引管理，通过利用湖原生存储改变智能体检索信息的方式。
Clay 将智能体评估规模提升至每月3亿次以上，介绍了其四象限评估框架以及在生产与评估闭环中面临的挑战。
Databricks 推出 LTAP（湖事务/分析处理），这是一种新的架构，在数据湖中基于单一数据副本统一 OLAP 和 OLTP，消除 ETL 管道，并由 Lakebase 提供支持。这为 AI 应用时代的操作数据、分析数据和流数据提供了单一受管的基础。
本文提出了SANA，一个用于数据湖上探索式问答（EQA）的诊断消融框架，它将端到端代理失败分解为搜索、规划、数据分析和策略组件。在LakeQA和KramaBench上的评估显示，数据分析是一个持续的瓶颈，而搜索在大型场景中是一个主要限制。
LakeQA是一个新的基准，用于在百万级数据湖上进行探索性问答，评估跨文本、表格和知识图谱的多跳推理和组合能力。