Databricks Genie One MCP 正式发布，让任意 AI Agent 访问受治理的业务数据

Databricks 正式发布（GA）Genie One MCP，将 Genie Ontology 中的已批准指标定义、数据关系、来源权威性和权限控制接入 ChatGPT、Claude、Microsoft Copilot、Claude Code 等 MCP 兼容助手。

评估 AI 智能体数据库的 5 项标准包括分支隔离（branch isolation）与 serverless 等。该评估框架用于判断数据库是否适合承载 AI 智能体工作负载。

Databricks 提出 Genie Ontology，主张企业不必手工建模全部业务概念，而是"治理头部、学习长尾"：人工定义收入、合规规则、核心 KPI 等不能出错的概念，其余从组织实际运作中持续学习。其内部测试中，一个 AI 助手为产品顾问委员会生成简报时声称有 24 家客户参与，被追问后承认该数字是编造的。

Databricks 产品营销负责人 Richard Tomlinson 解释，AI analytics 与传统 BI 的关键差异在于由系统而非人完成分析路径：从仪表盘展示已测指标，到对话式提问，再到智能体自主调查。它依赖受治理的数据、共享业务上下文、权限感知执行和可验证证据四项条件，仅靠更强的模型无法实现。

Databricks 推出 Adaptive Instructed-Retriever，在保持前沿级搜索质量的同时将延迟降低 2 倍。该检索器面向企业数据智能体设计，兼顾准确性与速度，旨在解决此前检索方案在精度与响应时间上的权衡问题。

Databricks 宣布扩展 Genie Agents 能力，新增深度分析、文件推理等功能。此前公司在 Data and AI Summit 上宣布 Genie Spaces 演进为 Genie Agents。

Databricks 官方博客发布 Big Book of AgentOps，将 AgentOps 定义为构建、部署和运营智能体的操作规范，面向 AI 智能体的工程实践。

Databricks 为 Genie One 推出新功能，帮助用户将 AI 生成的洞察直接转化为实际行动。新功能聚焦于从"回答问题"到"执行任务"的延伸，使用户能在同一界面内基于分析结果触发后续操作，减少来回切换工具的成本。具体功能细节与可用性未在原文中详述。

Databricks 推出 Lakebase Postgres，将对象存储与 WAL 结合，解决智能体与传统 OLTP 数据库交互时的存储层瓶颈。新架构面向智能体时代设计，旨在提升数据读写效率与扩展性。

Databricks 发布 Governance Hub，提供智能、账户级的治理能力，覆盖整个 Databricks 资产。该功能旨在帮助 FinOps 负责人轻松下钻查看 Databricks 支出并识别成本驱动因素，从而提升治理效率与成本透明度。