作者：肯梦

当 AI Agent 开始接入客服、运营、风控、运维等生产系统，一个问题很快暴露出来：模型具备推理能力，却未必看得见正在发生的业务。

订单状态、支付结果、用户行为、应用告警和设备数据每秒都在变化。这些事件分散在消息队列、数据库、对象存储等系统中，结构不同，业务含义也不统一。如果 AI Agent 只能读取静态知识库，就很难回答“刚刚发生了什么”、“问题影响了哪些用户”、“下一步该怎么处理”。

如何把实时事件持续接入、统一管理，并转换成 AI Agent 能理解、能查询、能调用的数据，正在成为企业建设智能应用时必须解决的问题。

阿里云 EventHouse 正是为这一场景设计。 它是 EventBridge 面向事件数据推出的云原生事件湖仓，帮助企业在一套 Serverless 事件数据服务中，完成实时事件的接入、治理、分析和 AI Agent 调用，打通 Data to Agent 的完整链路。

EventHouse 可以将 Kafka、RocketMQ、MySQL、OSS 等数据源中的结构化、半结构化和非结构化数据，统一抽象为标准事件模型，并通过 Catalog、Analysis 和 Luma 三层能力，完成事件数据的治理、分析与智能化使用。

Catalog：统一事件数据治理

很多企业并不缺数据，真正缺的是一张能看清数据位置、结构和关系的地图。

Catalog 可以自动发现并注册不同数据源的元数据，统一管理 Schema、访问权限和数据血缘。当上游业务新增字段或调整数据结构时，Catalog 可以记录 Schema 版本；当数据出现异常时，研发人员也可以沿着血缘关系追踪事件经过的生产、存储和分析环节。

Catalog 将兼容 Iceberg、Hudi、Delta Lake 等开放表格式，并支持数据库、表、列级别的细粒度访问控制。企业可以继续使用原有的数据存储和计算工具，不必为了接入 EventHouse 重建整套数据体系。

Analysis：实时与历史数据统一分析

完成统一治理后，EventHouse Analysis 可以直接对实时事件和历史数据执行查询，覆盖 Kafka、RocketMQ 等消息数据源，也支持 MySQL、PostgreSQL、Elasticsearch 等外部数据源的联合查询。

同一套 SQL 可以同时处理持续流入的事件流和已经归档的历史数据。 通过联邦查询，企业可以将 EventHouse 中的事件数据与 RDS 维表、OSS 日志等数据关联起来。数据不需要先复制到同一个存储系统，过滤条件还可以下推到源端执行，减少无效数据传输。

针对高频查询，EventHouse 支持通过物化视图预计算结果，实现毫秒级响应。针对 JSON、CloudEvents 等事件数据，列式压缩可以将存储成本较传统数据库降低 50% 以上。存储与计算资源彼此分离，计算能力可以根据业务流量弹性伸缩。

这解决了事件数据分析中长期存在的矛盾：事件产生得很快，传统分析链路却常常要等待采集、清洗和同步任务完成。

Luma：面向 AI Agent 的自然语言数据分析

在数据智能层，EventHouse 提供 AI 原生分析能力 Luma。用户可以直接用自然语言描述业务问题，Luma 会自动寻找相关 Catalog、数据表和字段，生成并校验 SQL，执行查询后返回结果。

通用模型知道如何生成 SQL，却不了解企业内部字段的业务含义。 比如一个名为 status_code 的字段，数字 4 究竟代表支付失败、订单关闭还是人工取消，模型无法自行判断。

Luma 的 AI 语义层允许企业为字段补充业务描述、同义词和计算逻辑。Data Agent 会结合这些信息理解问题，完成元数据探测、SQL 生成、校验修复和查询执行。如果用户的问题缺少时间范围或统计口径，它会先追问，再继续分析。

例如，运营人员可以直接提问：“最近半小时有没有异常刷单行为？”Luma 会根据已授权的数据范围，寻找交易表和用户行为日志，生成包含时间窗口、IP 聚合、设备信息的关联查询，并返回疑似异常账号及相关证据。

同时，Luma 支持 MCP 集成能力，可以将企业数据挂载到自建 Agent 或桌面 Agent 平台中，让 AI Agent 在授权范围内直接访问实时业务数据。

场景示例：电商交易监控

以电商交易监控为例，订单结果可能持续写入 RocketMQ，用户资料保存在 MySQL，支付网关日志存放在 OSS。传统做法往往需要分别查询、导出数据，再进行人工关联。链路复杂，临时问题也常常要等待数据团队排期。

接入 EventHouse 后，Catalog 可以将这些数据注册到统一目录中；Analysis 可以基于时间窗口实时计算交易成功率和延迟分布；当一分钟内失败订单超过设定阈值时，规则引擎可以触发告警。分析人员随后可以关联订单、用户和网关日志，继续判断异常来自某个支付渠道、特定地域，还是一次应用变更。

业务人员也可以直接向 Luma 提问：“过去十分钟，支付失败增长最快的是哪个渠道？”无需记住表名、字段名和连接关系，也能完成面向业务问题的数据分析。

EventHouse 正式商业化

自 2026 年 7 月 23 日起，阿里云 EventHouse 正式商业化，采用后付费方式计费。

已经使用公测能力的用户，建议尽快核对当前使用地域、事件数据规模、查询频次和费用预算。具体计费项、价格及出账规则，请以阿里云 EventBridge 计费文档 [ 1] 为准。

如果你的团队正面临以下挑战，EventHouse 可以为企业级 AI Agent 提供实时、统一、可治理的数据底座：

• 数据沉睡： 实时事件数据已积累到海量规模，却难以被高效分析和利用；
• 链路滞后： 跨数据源查询仍依赖复杂 ETL 流水线，分析结果总是滞后于业务；
• 智能断层： 希望让 AI Agent 直接接入业务数据，实现自主分析与智能决策；
• 落地门槛高： 希望以更低成本获得统一、实时、可治理的上下文供给能力。

👥 钉钉交流群：44552972

相关链接：

[1] 阿里云 EventBridge 计费文档

https://help.aliyun.com/zh/eventbridge/product-overview/eventhouse-billing-description