长按二维码,关注官方公众号
加速 Agentic Memory：在 PB 级数据湖上实现 Parquet 查询 1000 倍性能提升
在 Agentic AI 技术迅猛发展的当下，Agentic Memory 作为支撑 AI Agent 自主决策、持续学习的核心基础，其性能直接决定了 Agent 的响应速度与智能水平。当前，PB 级 Parquet 数据湖已成为 Agentic Memory 的主流存储载体，但基于云对象存储的直接查询存在显著延迟，严重制约了 Agentic 工作流的高效运转。
本次演讲将聚焦如何通过 Alluxio 技术突破 Agentic Memory 的性能瓶颈，详解其作为超大规模数据湖加速层的核心机制。在不依赖专用硬件、不改变数据格式与存储架构的前提下，Alluxio 实现 Parquet 查询 1000 倍性能提升的技术路径，以及如何为 Agentic AI 应用提供亚毫秒级响应的底层支撑，助力构建高效、敏捷的 Agentic 系统。
演讲提纲：
1. Agentic AI 驱动型组织直接在云对象存储上存储和提供 Parquet 文件的普遍方式，以及给Agentic 应用所带来的挑战
2. 应对挑战的常见解决办法
3. 加速 Agentic Memory，实现 Parquet 查询 1000 倍性能提升，Alluxio系统架构及优化设计
4. 低延迟存储方案的成本对比
4. 未来工作展望
听众收益：
- 了解针对加速 Agentic Memory的Alluxio 架构和工作原理，并学习核心优化技术；
- 了解针对 Agentic AI 的数据湖查询性能优化实践，掌握查询优化的方法并了解实际案例。
本科毕业于上海交通大学电子系，随后取得香港中文大学信息工程博士学位，毕业后加入新加坡高级数字科学中心（美国伊利诺伊大学在新加坡的研究所）从事科研工作，在计算机网络和分布式系统领域相关的顶级国际会议发表多篇论文。加入Alluxio前，傅正佳曾在新加坡科技公司Bigo Technology担任机器学习研发总监。
