Teradata宣布将其Tera产品线扩展为面向企业数据工作的“代理型同事”，新增Tera Context Engine、Tera Harness和Agent Skills三大组件。此次更新旨在服务跨企业系统工作的数据团队和业务用户，支持通过自然语言执行数据分析、构建AI应用、管理基础设施及自动化工作流。
新架构层级
Tera Context Engine被定位为跨越现有企业数据资产的上下文与编排层。该工具能在不移动数据或不依赖单一供应商方案的前提下，连接数据库、数据平台、管道引擎、目录、模型及AI代理。其核心在于构建结构化与非结构化数据间的共享业务知识层，并与治理、血缘关系及访问控制相链接。
通过原生上下文图（context graph），该引擎将元数据、语义和业务含义映射为关系，并从现有记录系统中读取及回写数据，以随时间推移优化上下文理解。此外，结合行业知识模型集，代理无需为每项任务从头推断业务含义，从而在受监管行业中减少错误、提高可追溯性，并通过确定性检索降低推理成本。
Tera Harness作为新架构的执行层，旨在跨工作流保持上下文，协调工具、模型、数据和技能，无需用户手动路由。系统在模型推理前应用执行模式以减少无效迭代并控制成本，同时嵌入策略控制、审批和护栏机制。基于Go原生引擎和gRPC构建的Harness，在内部测试中支持单台8 vCPU虚拟机运行512个并发代理，每分钟处理279次工具调用。其状态管理和检查点功能允许代理暂停等待人工批准或在故障后恢复，支持长期运行工作流。
基准测试表现
Teradata公布的基准测试显示，在SWE-bench Pro测试中，使用相同Opus 5模型时，Tera相比Claude Code Token消耗减少73%，任务完成速度提升42%，总成本降低58%，且任务完成率更高。在由Snowflake Labs和Bespoke Labs开发的data-eng-bench测试中，基于Opus 5模型的Tera相比Snowflake Cortex Code，每个可靠解决任务的成本降低53%。此外，Tera在data-eng-bench上获得最高Pass3分数，并在ADE-bench上与最高分并列。
组件与服务
Agent Skills是发布的第三部分，包含可复用的数据工程、分析和科学任务函数，既可由代理调用，也可通过自然语言提示直接使用。Teradata提供两类代理：平台代理处理工作负载调整、计算规模估算、遥测和FinOps等任务；分析代理则负责从自然语言查询生成SQL、Python代码及查询优化。
为加速落地，Teradata还提供AI服务，协助客户识别用例、配置行业知识模型并将项目投入生产。Teradata首席产品官Sumeet Arora表示，Tera旨在解决工具协同困难和技能差距问题，在保留企业对模型和数据控制权的同时，提供低成本、低开销的实用AI能力。
Tera Context Engine、Tera Harness和Agent Skills计划于2026年第四季度推出。