在 2026 云栖大会上，阿里云日志服务 SLS 宣布全新升级。在持续夯实的实时数据底座之上，SLS 本次全新发布三大 Agent 原生能力，即面向 Agent 运行数据对象的 SLS SessionStore、面向业务上下文的 SLS 语义层，以及面向 Agent 原生接口的 SLS MCP Server 与可编排 Skills 体系；同时推出面向业务人员的对话式智能体 SLS DataAgent。这标志着 SLS 从面向人的日志与可观测数据平台，升级为面向 Agent 的智能数据引擎。
一、Agent 进入生产系统，SLS 在实时底座之上构建 Agent 原生能力
随着 Agent 逐步进入生产系统，应用与数据的关系正在改变。在传统应用中，用户是人与确定性程序，通过控制台或 API 操作，行为是固定流程与可预测结果，数据形态是单行的 Log、Metric 与 Trace Span。在 Agent 应用中，用户变成 Agent，它持续读取数据并调用工具，行为是多步骤的决策与执行，数据形态扩展为 Session 与 Trajectory。Agent 既是数据的新用户，也是新的数据生产者，在使用数据的同时产生运行事实。Agent 数据的价值也从调用记录演变为理解任务。数据范围从一次调用的 Request，扩展到跨多轮、跨模型、跨工具的 Session 与 Trajectory，还原一次完整任务的执行过程；理解深度从字段、状态码、响应结果等技术事件，扩展到业务对象、关系与规则口径，以及任务目标、过程状态与判断证据。
面向 Agent 时代，一个智能数据引擎需要具备四个核心特性，即高效实时、Agent 数据对象、业务语义上下文与 Agent 原生接口。围绕这四个特性，SLS 持续升级实时数据底座，覆盖实时接入、统一存储与索引、实时分析与计算、实时处理四个环节，具备实时、统一、可关联、可验证的特性，统一承载日志、指标、链路、事件等通用观测数据，Message、Tool Call、Step 等 Agent 运行数据，以及用户、订单、资产等业务数据。与此同时，全新发布的 Agent 原生能力，让 SLS 更好地为 Agent 供给可信、可理解的数据，新发布面向会话级数据组织的 SLS SessionStore 与面向业务语义的 SLS 语义层，并推出面向业务分析的 SLS DataAgent；并且让 Agent 更便捷、更安全地使用 SLS，新发布 SLS MCP Server 与可编排的 Skills 体系。
二、SLS SessionStore：首次把 Agent 运行数据组织成事实资产
要让 SLS 为 Agent 供给可信数据，首先要把 Agent 的运行过程组织好。在此之前，Agent 的推理、模型调用与工具调用散落在 Trace 与日志之中，字段不统一、事件难配对，一次完整任务难以还原，更难被评估与复用。本次全新发布的 SLS SessionStore 面向会话级组织 Agent 数据，Agent 的原始过程数据进入后，系统自动完成字段归一、事件配对与任务过程还原，首次将其沉淀为可复用的 Session 事实资产。
在数据组织上，SessionStore 底层是 Raw 事实层，支持 Managed 直写与 Ref 关联已有 Logstore 两种方式；中间通过 Schema Profiler 与 Mapping Profile 完成字段归一化、事件配对与任务过程还原；上层输出三种语义视图，即还原消息、模型、工具与步骤的 Trajectory 视图，呈现多轮交互与任务结果的 Session 视图，以及刻画成本、效率、工具与资源的特征视图。SessionStore 支持 OTel Trace、OTel Log 与 LLM Gateway Log 等多种数据类型，自动完成字段映射、配对与排序，并通过 SQL 对 Session、Trajectory 与 Raw 数据做查询分析与过程还原，支撑观测、审计、标注与评估等场景。相比企业自行从原始 Trace 加工会话数据，SessionStore 的优势在于零改造与自动化，已有 Logstore 通过 Ref 关联即可纳入、无需迁移，字段归一与事件配对自动完成，一次组织即可同时支撑排障、评估与成本分析等多类视图。
确保 Agent 的每一次运行都被还原为可回看、可评估、可复用的数据资产，为下游的观测分析、质量评估与持续优化提供可直接消费的输入，而不必每次都从原始 Trace 里重新拼接一次任务。
三、SLS 语义层：让 Agent 读懂数据背后的业务
数据组织好之后，还要让 Agent 读懂其中的业务含义。通用 Agent 能读出字段与数值，却读不懂这些字段在特定业务里代表什么、指标该用哪种口径计算、异常阈值定在哪里，回答因此容易答偏，口径也容易各处不一致。本次全新发布的 SLS 语义层正是补齐这一层能力，它从运行数据中自动提取事实模型，按业务域组织统一语义，形成 SLS 数据资产、事实模型、业务模型到 Agent 准确回答的完整路径。
这一路径分为四步。其一，运行事实入口，从 SLS 数据资产中自动发现字段、指标与术语，数据资产涵盖索引配置、Dashboard 与告警、Scheduled SQL 等既有分析资产。其二，事实模型，由 LLM 自动提取全部 Logstore 的 Schema（字段定义）、Metric（指标口径）与 Terms（业务术语）。其三，业务模型，即 Context Model，按业务域框选 Logstore，继承事实语义并补充面向场景的业务上下文，统一跨 Project 的业务口径。其四，Agent 集成，SLS DataAgent 开箱即用，企业自有 Agent 通过接口接入，Copilot 与工具通过工具调用消费。语义层的优势在于自动与可复用，事实模型由 LLM 从真实运行数据中自动提取，不必人工逐个定义，业务模型继承事实语义再补充场景上下文，一次建模即可被多种 Agent 共同消费。
企业不必为每个 Agent 各自维护一套业务口径，同一个问题在 DataAgent、自有 Agent 与第三方工具处都能得到一致、可解释、可追溯的准确回答。
四、SLS DataAgent：让自然语言问题直达可核对的业务结论
在 SessionStore 与语义层之上，本次一并推出的 SLS DataAgent，把 SLS 的供给能力直接转化为面向业务人员的分析结论。它是面向业务人员的对话式数据查询与分析能力，建立在 SLS 实时运行数据之上，由 ContextModel 支撑，在企业治理体系内运行，将自然语言问题转化为查询计划、分析结果与可核对的结论。
DataAgent 的差异化在于数据原生。通用 Agent 具备强大的推理力，但面对企业运行数据时，往往无法独立判断字段在特定业务里代表什么、指标该用哪种口径计算、服务与资源与业务如何关联、什么数值才算异常。缺的不是模型，而是上下文。DataAgent 生长在数据发生的地方，把持续变化的运行数据变成可理解、可信任的实时上下文。
以一个游戏客服场景为例。当玩家提问"充值为什么没到账"，若 Agent 直接查询原始日志，面对的是 pay_status=success、deliver_status=failed、error_code=BAG_FULL、item_id=WPN_LEG_001 等碎片字段，跨 Logstore 关联复杂、业务口径不统一，只能给出可能是发货失败、但原因与是否可补发均不确定的回答。而 DataAgent 通过 SLS 语义层查询，语义层已将 BAG_FULL 翻译为背包已满、WPN_LEG_001 翻译为裂天刃，最终给出有证据的业务结论，即支付已成功，因背包已满导致发货失败，清理背包后可按规则重试发货。SLS 语义层在真实数据与 Agent 之间补上业务翻译，让字段值变成可解释的业务结论。
在能力结构上，DataAgent 由三层支撑。感知底座扎根 SLS 实时运行数据，覆盖 Log、Metric、Trace、事件、告警与资源状态；理解中枢绑定 ContextModel，读懂实体、指标口径、关系、异常与已验证的分析路径；行动运行时在治理内执行任务，支持多源触发、动态装配上下文、调用工具与分级审计。行动分三个等级，即只提供分析与建议、经人工确认后执行，以及在明确规则与权限下自动执行。ContextModel 并非一次性生成的静态模型，用户的确认、纠正、新 Query 与处置经验会持续汇入 Context Evidence，经验证与治理后增量更新模型，使 DataAgent 越用越准。在业务场景中，绑定相应 ContextModel 的 DataAgent 可持续输出业务进展、趋势解释、机会点与风险提示，并作为共享能力被营销 Agent、运营 Copilot 与业务工作流复用。
五、生态协同：AgentLoop 与 STAROps 构建在 SLS 之上
SLS 的实时数据底座与全新发布的 Agent 原生能力，也支撑着上层的智能体应用。AgentLoop 基于 SLS 构建企业 Agent 质量评估调优闭环，通过采集探针或 OpenTelemetry 接入 Agent 运行日志与 Trace，由 SLS 承担实时存储、数据加工与查询分析，并基于 SessionStore 组织 Session 与推理轨迹，持续沉淀可复用的运行数据资产，形成观测、评估、实验与持续优化的闭环，覆盖 Coding、运维、客服、游戏等多类 Agentic 应用。
STAROps 基于 SLS 构建全域智能运维闭环。SLS 提供 STAROps 所需的实时运行数据与查询分析能力，统一承载日志、链路、事件与变更，完成实时存储、加工与检索；UModel 在此基础上组织实体、关系拓扑与数据关联，为推理诊断与恢复验证提供可追溯上下文，支持自然语言查数、告警根因分析、变更影响分析与跨产品故障定位。
对上层应用而言，SLS 提供了现成的实时数据与查询分析能力，AgentLoop 与 STAROps 无需各自搭建数据链路，即可把精力集中在评估与运维逻辑本身，这也正是同一套底座能同时支撑质量闭环与运维闭环的原因。
六、SLS MCP Server 与 Skills 体系：全新发布，让 Agent 更好地使用日志服务
除了向上支撑 Agentic 应用，SLS 也将自身能力以标准协议开放给更广泛的 Agent。过去 Agent 调用日志服务，需要自行封装 OpenAPI、管理 AccessKey，还要处理地域与权限，接入门槛高，密钥泄露风险也大。本次全新发布的 SLS MCP Server 让 Agent 通过标准协议、以 OAuth 免密方式安全使用日志服务。它基于 OAuth 登录，在本地运行 Proxy，以 OAuth 凭证代为调用 SLS OpenAPI，并基于 RAM 控制权限，无需填写 AccessKey，敏感配置自动脱敏，访问时自动匹配 Region、免地域限制。MCP Server 提供资源发现、日志分析、告警诊断三大类标准能力，相比自行封装 OpenAPI，MCP Server 的优势在于安全与免改造，以 OAuth 代调用、RAM 控权、敏感配置脱敏，任意支持 MCP 的 Agent 都无需管理密钥、无需改造接入逻辑，即可在权限边界内安全调用日志服务。对开发者而言，过去繁琐的对接工作由此收敛为一次标准协议连接。
在 MCP 之上，SLS 同步发布可编排的 Skills 体系。一个编排 Skill（alibabacloud-sls-agent-workflow）作为入口，负责意图识别、流程编排、安全门禁与证据收口，串联多个专业 Skill 分域执行，包括 LoongCollector 采集运维、索引配置管理、查询分析、智能分析与 SDK 指导。相比让 Agent 自行摸索每一个操作，Skills 体系的优势在于把专家经验固化为可编排的标准流程。用户以自然语言描述目标，编排 Skill 持续拆解任务，各专业 Skill 分域执行并返回状态、证据与资源结果，最终把用户目标转化为可执行、可确认、可验证的完整任务。
七、结语
从持续升级的实时数据底座，到本次全新发布的 Agent 原生能力，日志服务 SLS 完成了面向 Agent 时代的一次关键升级。一方面，新发布的 SessionStore 让 Agent 运行数据可组织、可还原，新发布的语义层让数据事实可被业务理解，新推出的 DataAgent 让业务人员用自然语言直达可核对的结论；另一方面，新发布的 MCP Server 与 Skills 体系让 Agent 通过标准协议安全调用 SLS。AgentLoop 与 STAROps 等智能体应用则构建在同一套底座之上。当每一份运行数据都有一个懂它的智能体，企业构建 AI Native 数据底座就有了实时、统一、可关联、可验证的基础。
