摘要：Teradata在2026年9月22日将代理AI产品Tera升级为agentic coworker，新增Tera Context Engine、Harness与Agent Skills，使多步骤数据工作的代理执行更高效。其关键策略是减少对大模型推理的调用，用确定性检索替代概率推理，从而降低企业代理工作负载成本。官方数据显示，Tera在SWE-bench Pro上较Claude Code节约73% token、总成本低58%，但均为厂商自测结果。分析师提示需综合权衡工作流成本、开发者职责与平台依赖。
企业级数据工作正在尝试交给代理AI自动执行，但每个步骤都依赖大模型推理，代价不菲。Teradata给出的解法很直接：减少模型调用。据InfoWorld报道，Teradata正通过这种方式帮助企业控制代理工作负载的成本。
2026年9月22日，Teradata在圣迭戈宣布将旗下代理AI产品Tera升级为“agentic coworker”，并新增三组关键组件：Tera Context Engine（厂商中立的上下文与编排层）、Tera Harness（智能执行层），以及面向数据工程、数据分析和数据科学的Agent Skills。
升级后的Tera不再局限于Teradata自身的数据平台，而是可跨云、本地和主权环境运行，用户可自行选择模型与运行位置。Tera隶属Teradata的Autonomous Knowledge Platform，配套AI Studio（含AgentStack、Enterprise Vector Store等）使用。
Tera控制成本的核心逻辑，是把工作负载从昂贵的概率推理转向确定性检索。官方将其称为“确定性查询经济学”（Deterministic Query Economics），并宣称由此带来“更好的每次模型交互经济性”。
在作者看来，这一思路的本质是：并非所有数据工作步骤都需要大模型“思考”，相当一部分可以通过确定性的查询与检索完成。将这两类任务分流，比优化单次模型调用更能直接影响企业账单。
Teradata公布的官方数据显示，Tera在SWE-bench Pro上比Claude Code少消耗73%的token，速度快42%，总成本低58%；在data-eng-bench上比Snowflake Cortex Code每任务成本低53%。
需要说明的是，这些数据来自厂商自测，未经第三方独立验证，实际效果仍需在生产环境中检验。
InfoWorld原文援引分析师观点称，节省下来的模型调用成本，需要与更广泛的工作流成本、开发者维护职责以及平台依赖等因素进行权衡。也就是说，仅凭基准测试中的token节省，不足以断言整体拥有成本必然下降。
代理AI要从演示走向生产，推理成本是无法回避的问题。Teradata的路线——把部分工作从“让模型思考”改为“让系统查询”——为成本敏感型企业提供了一条务实路径。但官方基准之外的真实表现、多平台绑定的自由度，以及开发者的运维负担，仍是在选型时需要逐一确认的变量。
滇公网安备 53252802528133号