“逛这个展会快把我逛哭了。当你看到这些企业里有一家的产品还不如我们国内产品的时候，会觉得自己很光荣；当你看到有 10 家企业都是这样的时候，会觉得有点奇怪；但当发现有 50 家企业都不如我们的时候，会突然觉得很悲哀，为什么他们仍然可以活得好好的？”

郭炜在旧金山峰会现场

2026 年 6 月，旧金山 Snowflake 峰会会场，郭炜苦笑着面对自己的镜头，说出了上面那段话。 他在现场看到了大量规模不大的 SaaS 公司和基础软件公司，他们致力于各自的细分场景，在 AI 强烈冲击软件行业的当下，依然能够找到愿意付费的用户。

“在这里，几乎每一把锤子都可能找到自己的钉子。 ”

这种反直觉的现象，让他开始重新审视国产基础软件的出路，当然也包括他自己的白鲸开源。

郭炜，业内人称郭大侠，与数据打了 20 多年交道的开源老炮。北大毕业，师从数据仓库泰斗唐世渭，读书时帮老师翻译过 Inmon 的《数据仓库》第一版。之后他进入了 Teradata，做的是当时最先进的 MPP 分布式数仓。再往后在 IBM、中金、万达电商、联想研究院、易观一路做数据，并于 2017 年创立 ClickHouse 中国社区开展开源技术布道。

2021 年起郭炜创立白鲸开源至今，围绕 DolphinScheduler 和 SeaTunnel 两大 Apache 顶级开源项目开展商业化运营与技术布道，前者他是项目发起人，后者则是作为导师。

今年 6 月至 7 月，郭炜作为公司一把手深入美国硅谷和西雅图，先后参加了 Snowflake Summit 和 Databricks Data+AI Summit 两大数据巨头举办的科技峰会，同时密集拜访了六十多位当地创业者、投资人、科技公司高管，切身感受到“AI 正在创造一个新的全球化窗口”。

这次访谈就发生在郭炜回国之后不久，带着开篇的那段疑问，我们和他聊了近一个小时，在当下 Data+AI 和 AI+Data 的“神仙打架”格局中，做开源基础软件的中小企业应该如何找准自己的市场定位，然后活下来。

旧金山见闻：SaaS 可以没有了，但数据还在

这次从旧金山回来，郭炜参加的两场技术峰会都释放出了一个明确的信号，就是传统的数据平台厂商不再满足于只做数据底座，大家都开始往 AI agent 的方向延伸，今年 Snowflake 和 Databricks 各自都拉来了 OpenAI 和 Anthropic 两大 AI 巨头站台。

过去一个月，SaaS 公司的股价在 AI 冲击下暴跌，但 Snowflake 的股价却先翻了一番、又爆涨 70%。“过去大家都认为 AI 可能会取代一切，结果你会发现，在企业级的应用里，大模型只是企业去调的一个 API。换 API 的成本并不大，比如前两天 Kimi K3 发布，API 价格啪就掉下去了，大家发现这个更好、更便宜，就直接切过去了。”

在郭炜看来，大模型就像基础运营商，是很重要的基础设施，但切换成本跟携号转网差不多：你的号码、你的内容，其实都沉淀在企业自己的数据里，不会随大模型的变化而变化。企业里最核心的，也不只是员工放进去的对话和上下文，而是企业原有的那些数据——基于这些数据，再加上 AI，才能把它变成企业自己的数字世界、世界模型。

所以在这次峰会上，Snowflake 推出 CoCo（原 Cortex Code），Databricks 开始做 Genie，二者都是 Data+AI 类型的产品。 顺着这个逻辑，会看到 Databricks 和 Snowflake 是从数据底座往上打，OpenAI 和 Anthropic 等大模型公司从应用往下打，抢的都是企业 agent 的入口。一边是 Data+AI，一边是 AI+Data，两股大厂势力正面冲撞，中小创企似乎只能在夹缝中求生。

那么 Data+AI 是否有数据优势呢？郭炜判断，在大模型时代，即便有企业数据也不一定能了解企业，因为数据没转化成大模型能理解的语义和内容，就只是存储层，只是存在那里而已。

于是这些做 Data+AI 的公司都扑向了语义层：Databricks 发布 Gene Ontology（自动持续构建的企业业务语义知识图谱）；Snowflake 开源了 Apache Ossie（开源语义层标准）；Palantir 做的是把数据和企业的业务关联起来，再通过大模型翻译。

“大模型时代 SaaS 可以没有了，但数据不能没有。”

企业 AI 转型漏斗：100 家、50 家、10 家

既然大厂在抢入口，那么企业客户自己的 AI 转型走到哪一步了？ 郭炜给企业 AI 转型定义了五个阶段：一阶是 chatbot 聊天机器人，二阶是 copilot 代码辅助，三阶是 agent 智能体，四阶是多智能体工作流，最后才是完整的 Agentic enterprise——智能体化企业。

他用一组数据比喻来概括国内企业的“智能体化”进度：开始做 chatbot 的算 100 家，而且做 chatbot 这件事，对企业的帮助其实没那么大，类似于企业知识库，很多企业早就做过了；到 copilot 辅助工作大概剩 50 家，有一半的企业特定岗位会利用 AI 辅助员工工作；到能真正把任务交给 agent 执行的，只剩 10 家。

再往后，多智能体工作流这一阶段，目前在国内他还没有亲眼看到成熟的案例。在美国他见过一个 AI 创业者，身边跑着 30 来个 agent，有的做产品、有的负责不同开发模块，agent 之间还要互相沟通，需要人判断的时候点 yes or no，这已经很接近多智能体工作流。

至于 agentic enterprise，全世界都没有实现——现在的流程和岗位都是以人为本设计的，报销要有人审批，组织架构里每个位置都有一个角色，真到了 agentic enterprise，很多岗位可能就不存在了。 他自己的公司算是少数走到 agent 阶段的之一，目前白鲸开源的售后就是 agent 在做，内部测试的 ETL agent 已经开始自己跑测试链路、建数据库 mapping。

“90% 的企业，有些问题就用豆包查一查，也就是这个样子了。”

但企业智能化转型这件事，卡点不在技术，而在管理的决心。郭炜团队最初做售后 agent 的时候，客户骂，自己的售后团队也骂：“还不如我直接回，我给他回一下多简单，看看这个 agent 多笨，回的什么玩意。” 按理说 agent 应该是要减轻他们的工作，但不给它用真实的 case、不给它喂数据，是没办法不停向前迭代的。所以前期只能靠管理决策去强推，有问题就投入成本去迭代；如果发现有问题就停了，那也就到此为止。

顺着这个思路，他还泼了盆冷水， 真正的 agentic enterprise 是很难用钱直接买到的 。大模型、AI 工具都能买到，买不到的是企业内部长期积累的经营经验和管理模式。如果把“帮助企业实现 agentic enterprise”当做一门生意来看，这件事不像咨询，更像陪跑，而且大概率只有企业自己从内部做得成——一把手想干，但内部的人未必理解他的思路，就得找咨询公司当外脑，去执行组织架构的变化。

“我们一个几十人的创业公司推个售后 agent 都这么费劲，放大 1000 倍到上万人的企业，你想推进一个 agent 的难度得多大？”郭炜说。

一个赛道只能活一两家

聊到这里，开篇的那段疑问其实已经有了一个答案。 郭炜的观点是， 产品或者说技术好不好，从来不是中国软件活不活得下去的关键。中国科技和 IT 积累到今天 ，很多硬核技术已经不比美国落后，甚至在部分领域实现反超。包括白鲸开源持续驱动与运营的两个 Apache 顶级项目，也是经过全球用户认可的。

“有技术没产品，有产品没营销。”

郭炜认为，国内当下很多产品在技术上也能进入美国市场的第一梯队， 但“go to market” 的方法论落后 2-3 代 。根源在于市场习惯：在国内首先是信任你这个人，再看你的产品；而美国是资本社会，通过 marketing、sales 和采购预算，陌生公司之间很容易发生往来。

再加上中国人力成本相对低，程序员群体量大，还没到要靠买软件来省人力成本的份上，导致国内软件行业的天花板本身就低。所以市场规模决定了格局：同样的赛道美国能活 30-40 家企业，国内可能就只能活一两家头部企业。

做 agent 的「灵巧手」

外部数据平台大厂与 AI 大模型巨头神仙打架；内部市场竞争持续承压，企业客户 agent 化转型进程缓慢。 那郭炜自己选的突围路线是什么？ 他用了一个类比：AI+data 是企业的大脑，但大脑要用「手」接触物理世界。企业数据不在大脑里，分散在各个系统、不同数据库、不同文档里——杯子是热的还是凉的，鸡蛋有多大，得用手去摸，才知道数据长什么样，才能做下一步判断。白鲸开源要做的，就是把这些散落的数据协同到一起、放到一块，再做好语义标注。

所以白鲸开源的定位，用郭炜的话来说就是智能机器人的那双「灵巧手」，也是那个四通八达的数据管道：什么样的数据、什么插头进来都能适配，流进数据管线之后，出口可以留给大模型，也可以留给数据湖、数据仓库。 “这件事会一直存在，因为它足够复杂，它就是连接企业世界和 AI 的桥梁。”

他也因此有个判断：未来的软件不是给人类开发的，都是给 agent 开发的，人只负责布置工作和 review。所以白鲸开源适配了市面上所有能看到的 agent —— Genie、CoCo、腾讯 WorkBuddy，用户不用改 agent 一行代码。

“以前做数据映射要拖拉拽，拖根线过去就完成了；将来连拖都不用，你跟 agent 说把这个达梦的数据同步到华为云 MRS 里的 Hudi 里面，它就自动给你做好了。甚至类型报错，agent 也能在试运行里自己甄别出来，自己循环修正。以前工程师遇到数据类型变长变短、类型不一致，还得写一堆代码，现在都不用了。”

那么为什么 agent 自己干不了白鲸开源的活？因为大模型这次答完、下次就不一样，准确度没保证，而数据不容错，多一个零、错一个小数点都不行。白鲸开源的 WhaleStudio 叫 Data Engineering Harness，给大模型套上缰绳，底下再有 Apache DolphinScheduler、Apache SeaTunnel 引擎托着，不需要大量的 GPU 算力就能搞定数据开发。数据工程师从此只专注业务逻辑，脏活累活交给 agent 和白鲸开源。

至于 AI 的到来给白鲸开源带来更多客户了吗？

郭炜的回答是：“营收还没有大的变化，但大家肯定更忙了。”客户大多还停在第一、二阶段，等进入 agent 阶段才会迸发，现在只有少量前沿的先锋客户。他讲了个类比：电早就发明了，但真正让电规模化改变社会的，还是福特发明的流水线。同样的，当下的大模型只是找到了 code 这个抓手，从生产效率的提升到市场规模的扩大，还需要一段时间。

在开源与商业化的边界划分上，白鲸开源把 Apach SeaTunnel 的核心引擎 Zeta 以及 100 多个 connector 都完全开源；界面、可观测性、拖拉拽和 Excel 生成映射、CI 新特性，以及信创数据库的 connector、和 AWS/Snowflake/Databricks 共建的高速连接器，则放在商业版。动手能力强的互联网公司拿开源版做异构数据 CDC、批量同步，一点问题没有；想省事的客户直接买商业版。

一定要出海

回到开篇“活得好”的问题，郭炜给出的第二个答案，是出海。

他说：“中国的软件一定要走出海。中间虚心向人家请教 marketing 和 sales，大多数公司包括我们也在学习，如果只能挣自己一亩三分地的钱，那就只能挣这点钱。”这是郭炜此次美国行得出的一个重要判断。

在出海这块，白鲸开源自己也在补课。他们在海外建立了宣发渠道，比如 LinkedIn 专栏等，在很多平台上都有内容迭代。但在郭炜看来，他们的宣发内容相比海外的专业市场内容来说痛点描述还不够明显。“海外拓展这块，我们要学习的还很多。”

这次去美国跟当地做 product marketing 的专业人士聊，他发现对方“对产品的理解程度远高于我们，他们在非常专业细化的领域里做得比我们强很多”。好处是现在有 agent 了，他们计划迭代完「售后 agent」后，就开始着手迭代「市场 agent」。“大模型可以帮助我们更快速追上美国那些比较成熟的 marketing 和 sales 场景。”

海外和国内的开源转商业路径也不太一样：国内先开源用用、搞不定再买商业版；海外用户看完代码、case、架构，觉得靠谱就直接联系商业公司做 POC。“用开源我还要花时间，不如直接采购商业版。”

社区层面，目前白鲸开源的海外贡献者占比大概百分之十几，有韩国的开发者来社区做分享，也有 JP Morgan 的前同事成了贡献者。

让更多的人更简单地使用数据

聊到未来，郭炜把视线拉回到自己的 20 年数据生涯。

他翻译过 Inmon 的《数据仓库》第一版，那时候「数据仓库」还只是学术概念；在 Teradata 做 MPP，每个节点有自己的数据、算完再 shuffle；互联网来了，数据量大到 MPP 存不下，Hadoop 兴起，x86 服务器普及把高性能计算的门槛打下来，进入大数据时代；再往后 Hadoop 不够灵活，出现 Iceberg 这类数据湖，只解决存储格式，计算交给上面的 Spark、Snowflake、Presto；现在大模型来了，数据不只是给人用，还要给 agent 用，于是有了语义层，有了 Context DB 这种存上下文的引擎。

“从历史的大趋势来说，数据的使用是越来越大众化的”，这是郭炜得出的结论，也是白鲸开源的 slogan —— 让更多的人更简单地使用数据。

郭炜判断，未来两三年内，销售、律师这类不是分析师出身的人，也能拿到自己想要的分析数据。至于像他们这样做 data 的厂商，就专门给 agent 做带路党就好了。

（完）

百万奖池激励国产开源，国内两大开源赛事火热进行中，如果你的手上有不错的开源软件项目，欢迎报名参赛：

2026 上海开源软件应用创新大赛：https://www.oschina.net/os2026/

2026 北京开源行业解决方案创新赛：https://www.oschina.net/oa2026/