摘要:随着企业 AI Agent、知识库应用逐步落地,一个新的矛盾开始显现:很多企业已经完成数据治理、资产建设,但存量数据依然无法直接被大模型和 Agent 可靠调用。本文结合数据中台产品新版本能力变化,探讨数据治理范式的迁移,分析从结构化数据治理走向知识化、实时化、面向 Agent 的数据准备思路,同时梳理落地时的优先级判断原则。

当企业陆续搭建内部知识库、智能问答助手、业务 Agent 之后,很多团队会遇到一个共性问题:企业沉淀多年的数据,为什么 AI 并不能直接拿来用?

数据分散在业务数据库、PDF 文档、PPT 方案、制度 SOP、技术资料等不同载体中。一部分数据虽然完成了标准化治理,但仅支持人工查询检索,缺少面向大模型的语义封装;还有一部分文档可以被大模型读取,但缺少业务实体、关联关系、口径血缘,很容易出现理解偏差。

传统数据治理解决的是 “人怎么可靠使用数据”,而 Agent 场景下,我们需要额外回答:AI 能不能找到数据、能不能正确理解业务含义、能不能在流程中实时调用。近期看到 Dataphin V6.3 版本的能力迭代,刚好可以作为一个样本,用来观察数据治理边界正在发生的变化。

01|数据治理的三个核心变化:从管好数据,到供给 AI 消费

传统数据治理平台的核心目标,是统一口径、管控质量、沉淀可被业务人员查询的数据资产。而在 Agent 驱动的业务链路里,治理的目标、对象、流程都在发生偏移,主要体现在三个方向:

变化一:治理对象从结构化表,扩展到结构化 + 非结构化知识

过往治理的核心对象是数据表、字段、指标、数仓模型,治理动作围绕元数据、质量规则、血缘、权限展开。 新的治理范围,新增文档、图片、录音、向量 Embedding、业务实体、实体关系等知识类资产。 这类能力的实现路径,一般是依托大模型做文档解析,从技术说明书、合同、FAQ、SOP 等材料中抽取实体,构建知识图谱;搭配语义检索,支持基于业务含义的模糊检索,而不是依赖精确字段名、表名。 对于制造行业来说,图纸、工艺文件、质检规范这类长期沉淀的非结构化资料,能够被结构化抽取、关联组织,为后续问答、异常诊断类 Agent 提供知识底座。 这里需要注意:知识图谱不是万能方案,文档本身的歧义、版本混乱、描述不规范,依然会向下传递给大模型,这是知识治理的固有风险。

变化二:数据链路从离线批量治理,增加实时服务化链路

经典数据链路:业务系统 → 数据同步 → 离线加工 → 质量校验 → 数据资产 → 人工查询。 面向 Agent 的新链路:业务事件触发 → 实时 / 在线工作流 → 文档解析、实体抽取、向量化 → 标准化 API 输出 → 业务 Agent / 应用调用。

新版本提供的在线工作流能力,支持文件、消息到达后自动触发解析、信息抽取、向量入库,并且以 API 形式对外暴露。举一个典型场景:门店接待录音不再需要等 T+1 批量调度,接待结束后即可自动解析、提取关键信息,给到跟进类 Agent 做后续处理。 本质变化:数据资产不再只是静态沉淀在数仓里的资源,而是变成可以被业务流程按需触发、实时消费的服务。当然,实时链路会带来更高的资源成本、异常容错、幂等性问题,需要结合业务价值权衡。

变化三:治理校验标准新增面向 Agent 的可信判定

传统数据治理重点校验:数据是否准确、是否符合质量规则、是否有血缘。 面向 AI 消费,还要额外增加三层校验维度:

  1. 可检索:Agent 能否通过语义找到目标数据,而不是必须由人提供精确路径;
  2. 语义一致:识别简称、别名、近义描述,做实体消歧,避免同词不同义、同义不同词;
  3. 人机协同审核:模型无法判定、存在歧义的内容,回流人工复核,把人工审核结果反哺到知识体系。

这套机制的核心思路不是让 AI 完全接管数据治理,而是建立人机分工:AI 承担检索、抽取、初步关联,人守住口径、业务规则、高风险知识的可信边界。

02|数据中台的三个演进阶段,什么是 AI 可消费数据

我们可以把企业数据中台的建设路径划分为三个阶段,方便团队对齐当前所处位置:

  • 阶段一:数据汇聚。解决多源异构数据集成、打通孤岛,优先保证数据能统一接入;
  • 阶段二:数据治理与资产化。建立标准、质量、血缘、指标、权限体系,保证数据可信,支撑 BI 报表、人工分析;
  • 阶段三:AI 可消费的数据底座。纳入非结构化知识、知识图谱、语义检索、实时服务 API,支撑 Agent 自动调用。

满足 AI 可消费的数据,一般需要同时满足 4 个特征:

  • 可获取:Agent 具备检索入口,不需要人工定向传递;
  • 可理解:附带业务语义、实体关系、上下文,而不只是孤立字段;
  • 可信任:保留来源、版本、质量标记、人工审核记录;
  • 可调用:标准化 API 接入,支持流程里按需拉取,而不是只能离线导出。

这个阶段很容易踩一个误区:直接上来就全量构建知识图谱、实时工作流。实际上并不是所有企业都需要一步到位,优先判断当前 AI 应用场景的诉求,再匹配对应的治理能力,才是更合理的节奏。很多 AI 项目落地失败,根源不在于大模型本身,而是底层数据没有按照 Agent 的消费逻辑去准备。

03|落地思考:面向 Agent 的数据准备,优先做这三件事

基于多个行业数字化项目的实践,在规划面向 AI 的数据治理时,可以按下面的优先级判断:

1. 先做场景裁剪,识别高价值治理对象

不需要把企业所有文档、全量数据全部知识化。治理范围由 AI 应用场景反向定义:

  • 客服问答场景:优先治理 FAQ、产品手册、售后政策;
  • 销售辅助场景:优先治理客户档案、产品参数、报价规则;
  • 制造工艺场景:优先治理产品、工艺、设备、质检标准相关文档。

2. 选择性建立业务实体关系,拒绝无差别图谱构建

知识图谱的价值,不在于信息录入的体量,而在于业务对象之间的关联关系。 制造场景重点构建:产品 ↔ 工艺 ↔ 设备 ↔ 质检标准; 零售渠道场景重点构建:门店 ↔ 商品 ↔ 客户 ↔ 促销活动。 缺少业务关联的纯文本向量库,很容易出现 “检索到但是无法推理” 的问题。

3. 筛选适合 Agent 介入的流程,控制自动化边界

不是所有业务流程都适合交给 Agent 执行。优先选择高频、规则稳定、响应时效要求高的环节:合同初审、工单信息提取、质检异常初步识别、客户信息自动归档这类场景。 涉及复杂决策、高风险合规判定的环节,仍然保留人工终审,Agent 只做信息归集、前置整理。

写在最后

过去,数据治理的目标是服务于人,让分析师、业务人员拿到可信的数据;当 Agent 进入业务流程之后,数据治理需要同时服务两类使用者:人和 AI。

AI 并没有降低数据治理的重要性,反而抬高了对数据语义、关系、服务化的要求。很多团队容易把 AI 应用等同于直接调用大模型,忽略前置的数据准备、知识治理、服务链路建设。

落地的务实路径,通常是从一条清晰的业务链路切入,先梳理这条链路里,Agent 需要哪些数据、哪些知识、哪些实时触发能力,再针对性开展治理,而不是一次性铺开全企业的知识化改造。

小易观点:本文为数据治理方向的技术观察笔记,文中产品能力仅作为范式参考,不同厂商方案、开源方案都可以实现同类能力,落地需要结合自身技术栈、数据规模、业务风险评估。

Logo

更多推荐