Databricks 一口气补上 Agent 的三块短板：持久化、检索、从回答到行动

事件

2026 年 9 月 9 日，Databricks 集中发布了一批 agentic 基础设施更新，恰好对应企业 Agent 落地的三个卡点：

1）Agent 要能"扛住重启"——Temporal + Lakebase Databricks 与 Temporal 合作，用 Lakebase（Postgres）构建持久型 Agent。Temporal 存 Event History 驱动重放（replay），Lakebase 存应用侧状态（运行状态、消息、证据、审批状态、指标）。Worker 崩溃后，Temporal 能按记录的事件在另一个 Worker 上重建状态——已完成的工具调用不会被重复执行。参考实现是一个个人贷款授信 Agent：收集证据 → 套用政策 → 给出建议 → 等待人工核保。模型可以建议，但不能决定。

2）检索要"该多搜才多搜"——Adaptive Instructed-Retriever 新模型在 Instructed-Retriever-1（今年发布，官方称在企业问答上比传统 RAG 提升 70%+）基础上，加入自适应的多步检索：开发者设定顺序搜索的最大步数，模型自己判断这次请求值不值得多搜。证据够了就提前返回，需要更多证据才继续。训练用 CISPO 强化学习，奖励高质量轨迹、惩罚"多搜了却没提升"的步数；调整惩罚强度可以得到一族不同"质量—延迟"位置的 checkpoint。官方称在 7 个内部/外部基准上，质量比肩 Claude Sonnet 5、GPT-5.6 Luna、DeepSeek V4-Flash，延迟只有一半。它被定位为 Genie Code / Genie One / Genie Agents 的检索底座。

3）分析 Agent 要从"回答问题"走到"触发行动" 分析型 Agent 产品 Genie One 新增直接触发动作的能力，把"看板式问答"推进到"看到问题就执行"。

同期 Databricks 还分享了企业规模化 AI coding 的成本控管实务，并给出印度即时零售商 Zepto 用 Databricks + MLflow 搭建"评估优先"客服 Agent 的落地案例。

为什么值得关注

• 这三件事是同一个问题的三个面：企业 Agent 真正上生产的门槛不是模型够不够聪明，而是状态能不能持久、上下文能不能低成本取回、结论能不能安全地变成动作。
• "模型建议、人类决定"被写进架构：授信参考实现里，政策来自 Unity Catalog（治理源），模型输出建议，核保人审批。这套分工对任何高风险业务场景都可直接复用。
• 延迟是 Agent 体验的隐形天花板：多跳检索是 Agent 准确率的主要来源，也是最贵的部分。"何时停止搜索"变成一个可学习的策略问题，而不是拍脑袋的步数上限——这是检索从"工程配置"走向"模型能力"的信号。
• 对 AI work 的启示：如果你的 Agent 还活在一次会话里、崩了就重来、检索靠固定 top-k，那它离生产环境还差这三块拼图。

来源：Databricks 官方博客（Build durable agents with Temporal and Lakebase / Adaptive Instructed-Retriever，2026-09-09）、SiliconANGLE 报道