当全球每秒超过10亿条事件数据从120个国家的330多座城市涌入,散落于不同数据库、流处理集群与对象存储中时,多数企业的数据团队都会陷入查询效率低、治理难度大的困境。Cloudflare拿出的解法,是一套名为Town Lake的湖仓架构统一平台,搭配AI驱动的Skipper智能体,把此前分散的数据访问逻辑彻底重构。

女性与Claude机器人协同办公 :黄昏时分的办公室内,一名女性与名为Claude的机器人并肩工作,
过去很长一段时间里,Cloudflare的运维、计费、安全与业务数据散落在Postgres、ClickHouse、Kafka、BigQuery与R2对象存储等不同系统中。跨系统分析需要手动同步多源数据,不仅耗时久,还容易出现口径不一致的问题。
Town Lake基于开源湖仓技术栈搭建,核心设计思路是不移动原始数据,直接通过统一SQL接口完成跨系统关联查询。这套架构保留了各底层存储的原有优势,同时让数据分析人员不用再反复切换不同查询工具。

演讲者在舞台上发言,... :一位男性演讲者站在舞台中央,手持麦克风,面向台下观众。背景大屏幕显示蓝
最具特色的是它默认的封闭治理模型:新接入的数据集在自动扫描加人工复核完成前,默认处于不可访问状态。内部服务Skimmer结合自动分类与AI分析能力识别敏感数据,人工审核确认后才会开放对应权限,从源头降低了数据泄露风险。
在统一数据底座之上,Cloudflare搭建了AI驱动的Skipper智能体,把普通员工的自然语言请求直接转化为经过校验的可审计SQL查询。它不只是简单生成SQL,还会把元数据、模式定义、数据转换谱系和运行时校验规则全部纳入上下文。
此前不少企业的AI数据查询工具准确率偏低,核心问题是缺少业务语义的深度支撑。Cloudflare通过把SQL转换逻辑和完整数据谱系纳入智能体训练素材,让它对业务场景的理解能力远超仅靠表结构元数据驱动的通用大模型。
每一次的Cloudflare请求背后都有大量的数据。我们的团队构建了Town Lake和Skipper,能在几秒内将简单的英文问题变成实际的洞察力。
这套组合落地后,此前需要资深分析师写复杂SQL、花数小时人工排查的任务,现在普通员工用自然语言提问,几秒内就能拿到合规的查询结果。
Cloudflare公开的运行数据显示,计费类工作负载占到了Town Lake全部查询量的53%,324名员工累计发起了9万多条相关查询,覆盖计费核对、客户支持调查和运营报表生成等场景。这个占比远超不少行业观察者的预期。
背后的核心逻辑其实很清晰:对于云服务厂商而言,计费数据是连接资源消耗、客户体验与营收核算的核心枢纽,此前分散在多系统中的计费相关数据,恰恰是跨域查询需求最旺盛的部分。统一数据平台最先解决的永远是业务侧最痛的刚需场景,而非技术团队自嗨的抽象分析需求。

Town Lake平台架构图 :展示Cloudflare Town Lake平台的分层架构与
从实际运行效果来看,简化智能体提示词、合并重叠查询工具的操作,进一步降低了查询出错的概率,普通员工不用掌握专业SQL技能,也能完成此前只有数据分析师才能完成的计费核对工作。
Rippletide的CEO Patrick Joubert曾指出,在统一分析平台之上放置内部AI智能体,最关键的是要把强制执行逻辑放在数据执行点附近。分布式的确定性校验机制,能让AI智能体安全地跨运维数据推理,不会让整个数据平台陷入不可控的状态。
Cloudflare的这套实践,恰好踩中了当前企业数据架构演进的三个核心趋势:
接下来Cloudflare还计划把Skipper和内部聊天、工单、开发工作流做更深层次的整合,同时扩展Transformer流水线,让业务团队能用SQL和元数据文件自主定义数据集,自动完成部署、监控与编目。后续更多Town Lake的工作负载还会逐步迁移到R2 SQL上运行,进一步降低查询的底层成本。
回头看,多数企业的数据平台建设,一开始总想着先做炫酷的通用分析功能,最后却发现没人用。Cloudflare的路径刚好反过来:先啃下计费这个最高频、最刚需的硬骨头,用实打实的业务价值证明平台能力,再逐步向外扩展覆盖更多场景。数据平台的生命力从来不是靠架构先进性定义的,而是靠它解决了多少真实的高频业务问题。当普通员工不用再找数据分析师排队等报表,用大白话提问就能拿到合规结果的时候,这套系统才算真正在企业里扎下了根。
#智能体#
更新时间:2026-08-11
本站资料均由网友自行发布提供,仅用于学习交流。如有版权问题,请与我联系,QQ:4156828
© CopyRight All Rights Reserved.
Powered By 61893.com 闽ICP备11008920号
闽公网安备35020302035593号