ITPub博客

当大模型从“会聊天”走向“能干活”，企业真正关心的问题不再是模型参数有多大，而是 Agent 能不能嵌进业务流程、跑得稳、算得清账。本文围绕场景选择、架构设计与 ROI 评估三个维度，梳理企业级 Agent 落地的关键判断。 一、企业级 Agent 特点 与消费级不同，企业级 Agent 追求“稳定复用”。 ·任务边界：企业 Agent 必须限定在明确的业务职责内。 ·可靠性要求：一次错误在聊天对话里是笑谈，在生产环境里可能是资金损失或合规事故。 ·系统集成：企业 Agent 需要对接内部系统、数据库、权限体系和审批流，而非孤立运行。 ·可度量性：企业需要知道它省了多少人力、提了多少效率、花了多少成本。 企业级 Agent 的落地难点通常不在模型能力本身，而在工程化、组织协同与价值量化。 二、场景选择：从“高频

当“提问即分析”成为可能，数据分析 Agent 正在把过去依赖 SQL、报表工具和专业分析师的流程，压缩成一次自然语言对话。它未必是万能答案，但很可能是数据消费方式的一次结构性变化。 一、从“查数”到“问数”：交互范式的迁移 传统数据分析链路通常是：业务人员提出需求 → 分析师理解口径 → 编写 SQL 或拖拽 BI 看板 → 产出图表与结论 → 反馈迭代。这个链路的问题不在于工具不强，而在于中间环节过多、反馈周期过长。 数据分析 Agent 试图改变的正是这一层：用户用自然语言描述问题，Agent 负责理解意图、定位数据、生成查询、执行计算、组织结果，并给出可读的洞察说明。交互入口从“工具操作”转向“对话表达”。 这一方向的核心价值可以概括为三点： 降低使用门槛：非技术角色不必掌握 SQL 或复杂 BI 操作

当 AI 应用从“单体智能体”走向“多智能体协作”，数据不再只服务于一次推理调用，而是在多个 Agent 之间流转、复用与再加工。共享带来效率，也带来权限边界模糊、责任难以追溯的问题。本文讨论多智能体系统数据治理的三个核心议题：共享机制、权限控制与审计能力。 一、为什么多智能体系统需要专门的数据治理 单体智能体的数据流相对简单：输入、上下文、工具调用、输出，链路短、责任主体单一。而多智能体系统引入了新的复杂性： 数据在 Agent 之间横向流动：一个 Agent 的输出可能成为另一个 Agent 的输入，形成链式依赖。 角色与职责分化：规划、检索、执行、校验等角色往往由不同 Agent 承担，各自需要的数据范围不同。 上下文被反复拼接：共享记忆、消息总线、工具返回结果可能被多个 Agent 同时读取。 责任归属

当大模型能力成为竞争焦点，训练数据的来源、处理与流动方式，正在从“工程细节”变成“合规命题”。版权、隐私与跨境传输，是其中三条最容易被低估、也最难绕开的主线。本文依据现有公开的合规讨论框架展开，不涉及具体产品版本、判例结论或未公开数据。 一、为什么训练数据合规这么重要 大模型的训练依赖大规模语料，而语料的获取、清洗、存储和使用，往往跨越多个来源和多个司法辖区。过去，这些问题常被归入“数据工程”范畴；如今，随着监管关注度上升，它们直接关系到模型能否上线、能否商用、能否持续迭代。 训练数据合规的核心矛盾在于：模型训练需要尽可能广泛的数据，而法律对数据的使用、复制、传播和跨境流动设定了边界。 这两者之间的张力，构成了合规工作的起点。 二、版权：从“能不能用”到“怎么用” 版权问题通常集中在三个层面： ·数据来源的合法

过去十年，元数据管理的主线任务是"把数据讲清楚"——建数据目录、做血缘、打标签、定义指标口径。而当 LLM 与 AI Agent 开始进入数据平台，元数据管理的目标正在被重新定义：不仅要让人能查到、看懂，还要让机器能理解、能推理、能安全地调用。本文讨论这一转变背后的逻辑、能力要求与落地路径。 一、数据目录解决了什么，又留下了什么 数据目录（Data Catalog）的经典价值可以概括为三件事： 可发现：让分析师、工程师知道"有哪些数据"。 可理解：通过表描述、字段注释、业务术语、指标定义，让人看懂数据含义。 可追溯：通过血缘（Lineage）回答"这个数从哪来、影响了谁"。 这套体系服务的是人类读者。它的隐含假设是：读者具备业务背景，能自己完成从"看到元数据"到"正确使用数据"的推理。 问题也正出在这里： 元数

当大模型应用从“能回答”走向“能决策”，系统对答案来源、数据流转路径和中间推理步骤的可解释性要求急剧上升。数据血缘（Data Lineage）正在从传统数据治理领域的一个技术概念，演变为 RAG 与 Agent 架构中不可或缺的基础能力。

当企业开始把 LLM、Agent 接入业务流程，主数据管理（MDM）不再只是"数据治理的后台工程"，而正在变成智能体能否可靠行动的前置条件。这一转变的核心矛盾在于：智能体需要的是可执行、可追溯、可授权的主数据，而传统 MDM 交付的往往只是"干净的表"。 一、背景：智能体把主数据推到了台前 过去谈主数据管理，语境通常是数据仓库、报表体系、ERP 集成。主数据的价值被定义为"消除冗余、统一口径、提升数据质量"，服务对象主要是人和分析系统。 智能体的出现改变了服务对象。当一个 Agent 需要自主完成"给客户开通账户""调整供应商付款条件""合并重复的物料编码"这类动作时，它必须回答几个传统报表从不追问的问题： 这个"客户"到底是哪一个实体，唯一标识是什么？ 这条主数据当前是否有效、是否被冻结、是否处于审批中？ 我

当大模型让机器人“能听懂话”之后，真正卡住具身智能落地的，往往是另一件事——让机械手像人手一样，完成拧螺丝、插线缆、叠衣服这类精细任务。灵巧操作，正在成为具身智能从演示走向实用的关键门槛。 一、为什么“灵巧操作”是具身智能的硬骨头 过去几年，具身智能的叙事主线是“大脑变聪明了”：多模态大模型让机器人可以理解自然语言指令、识别场景中的物体、规划高层任务序列。但一旦任务落到执行层，问题立刻变得棘手。 抓取一个杯子，和把一根线缆精准插入接口，是两种难度量级完全不同的任务。前者依赖粗略的位置估计和夹爪闭合，后者则要求： 高精度力控：力度过大损坏物体，过小则打滑或插不进去； 连续接触反馈：操作过程中物体可能滑动、形变，需要实时调整； 多指协同：人手完成精细动作时，五指分工极其复杂，机械手难以复现； 长时序规划：精细任务往

导语：数据库自治（Autonomous Database）常被理解为“数据库自己管自己”，但真正落地时，它既不是单一 AI 功能，也不是一次性替换 DBA 的项目。 一、先厘清“自治”的边界 数据库自治通常指数据库在运维、调优、防护、扩缩容等环节中，减少人工介入，形成“感知—决策—执行—验证”的闭环。它不等于无人值守，也不等于把所有权限交给算法。 更现实的定义是： 可观测 ：能持续采集指标、日志、链路与 SQL 行为。 可判断 ：能识别异常、瓶颈、风险与容量趋势。 可决策 ：能基于规则、统计模型或机器学习给出动作建议。 可执行 ：能通过 API、Operator、Agent 等机制安全执行变更。 可回滚 ：任何自动动作都有验证与回退路径。 缺少其中任何一环，“自治”都容易退化为自动告警或脚本堆叠。 二、能力分层

数据库替换从来不是“把 A 换成 B”这么简单。它牵动的是应用架构、数据一致性、运维体系和团队能力。本文基于通用工程经验，梳理国产数据库替代过程中最容易被低估的几个关键点，供技术团队参考。 团队在启动项目前应先明确替换的目标边界：是核心交易库替换，还是外围系统先行试点？是追求功能对等，还是借机做架构升级？目标不清，后续的选型和迁移方案就会反复摇摆。 兼容性评估是第一步，也是最容易踩坑的一步 国产数据库大多提供对主流商业数据库的语法兼容能力，但“兼容”往往是有边界的。需要重点核查： SQL 语法与内置函数：存储过程、触发器、窗口函数、正则、日期时间函数的实现差异。 数据类型与精度：数值精度、字符集、大对象类型的默认行为。 事务与隔离级别：默认隔离级别、锁行为、死锁检测机制的差异。 驱动与连接协议：JDBC/ODB

过去两年，企业谈 AI 的焦点从“要不要做”迅速转向“怎么做出效果”。模型能力在快速迭代，工具链也日益成熟，但真正决定项目成败的，往往不是模型本身，而是模型背后的数据。一个越来越清晰的共识是：想要更好地落地 AI，前提是数据就绪。 一、为什么“模型很强”不等于“落地很顺” 在很多 AI 项目的复盘中，团队常把问题归因于模型不够好、算力不够多。但实际推进时更常见的卡点包括：数据散落在多个业务系统，口径不一致，难以拉通；关键字段缺失、重复、过期，质量无法支撑训练或推理；数据权限与合规边界不清，导致可用数据无法用、该用的数据不敢用；缺少标注、反馈和版本管理机制，模型迭代缺乏持续输入。 这些问题不会因为换一个更强的模型而自动消失。模型是引擎，数据是燃料。燃料不达标，引擎再先进也跑不出稳定结果。 二、什么是“数据就绪”

当数据成为新型生产要素，如何在“可用不可见”的前提下释放数据价值，成为产业界与学术界共同关注的命题。密态计算作为隐私计算技术体系中的重要方向，正从实验室走向真实业务场景。本文依据现有公开技术脉络，梳理密态计算面临的核心挑战与潜在机遇。 一、什么是密态计算 密态计算（Encrypted Computing）通常指在数据保持加密状态或受保护状态下完成计算任务的技术集合。其目标是在不暴露原始明文数据的前提下，完成对数据的处理、分析或建模，从而实现“数据可用不可见”。 从技术路径看，密态计算并非单一技术，而是多种密码学与系统安全方法的统称，常见方向包括： 安全多方计算（MPC）：多个参与方在不泄露各自输入的前提下协同计算。 同态加密（HE）：直接在密文上执行运算，解密后得到与明文计算一致的结果。 可信执行环境（TEE）

过去两年，生成式 AI 的爆发让整个科技行业形成了一种惯性期待：只要某个领域被冠以“大模型”之名，似乎就离自己的“ChatGPT 时刻”不远了。具身智能（Embodied AI）正是被这种期待推到聚光灯下的赛道之一。人形机器人 Demo 频频刷屏，资本热度持续升温，但一个冷静的判断是：具身智能的“ChatGPT 时刻”还没有到来，而且短期内也不会以人们想象的方式到来。 一、什么是“ChatGPT 时刻” 要讨论具身智能是否迎来了自己的拐点，先要厘清“ChatGPT 时刻”到底指什么。 ChatGPT 之所以被视为一个时刻，不只是因为它效果好，而是因为它同时满足了几个条件：能力出现跃迁、交互门槛骤降、可被大规模普通用户直接使用、并且迅速形成了可持续的产品与商业循环。它把此前分散在论文和实验室里的能力，压缩成了一个

国产化替代已经从一个“要不要做”的战略选择题，变成了许多企业“怎么做稳”的工程必答题。但在实际推进中，决策者最关心是替换过程中，业务能不能不中断？替换之后，系统能不能持续稳定运行？

近日，具身智能机器人企业智身科技(GENISOM AI)宣布完成数亿元人民币B轮融资。本轮融资由阿联酋Stone Venture(磊石资本)领投，洪山资本、粤科金融、吴中融玥、吴中金控等投资机构，以及东软集团、豪鹏科技、远见资本、日盈电子等产业投资方共同参与。

当 AI 不再只是生成文本，而是能够调用工具、访问网络、操作文件系统、执行代码、甚至自主拆解并完成多步任务时，我们进入了所谓的 Agentic AI（智能体式 AI）阶段。能力跃迁的另一面，是安全挑战的结构性变化。 一、从“内容风险”到“行为风险” 传统 LLM 的安全焦点集中在输出内容：幻觉、有害信息、偏见、隐私泄露。这些风险本质上是“说错话”。而 Agentic AI 的核心特征是自主行动，风险从“说了什么”转向“做了什么”。 一个智能体可能被授权发送邮件、修改数据库、调用支付 API、执行 shell 命令。此时，一次提示注入（Prompt Injection）不再只是让模型输出一段奇怪文字，而是可能触发一连串真实世界的副作用：删除文件、泄露凭证、发起转账、向外部服务器回传数据。内容安全与行为安全，需要两

随着人工智能（AI）技术的迅猛发展，数据已成为企业和组织最重要的资产之一。然而，数据的价值并不仅仅在于其数量，更在于如何有效地管理和利用这些数据。数据治理在这一过程中扮演着至关重要的角色。本文将探讨数据治理在AI时代的重要性，分析其对企业决策、合规性、数据质量和创新能力的影响。 什么是数据治理？ 数据治理是指对数据的管理、控制和保护的整体框架和流程。它包括数据的创建、存储、使用、共享和销毁等各个环节，旨在确保数据的质量、安全性和合规性。有效的数据治理能够帮助企业在复杂的数据环境中保持数据的一致性和可靠性。 数据治理的重要性 1. 提升决策质量 在AI时代，数据驱动的决策已成为企业成功的关键。数据治理能够确保数据的准确性和一致性，从而提升决策的质量。通过建立标准化的数据管理流程，企业可以更好地分析数据，识别趋势和

当大模型能力以月为单位迭代，企业却普遍卡在“最后一公里”：Demo 很惊艳，上线很艰难。模型能写诗、能编程、能通过考试，但把它接入真实业务系统、稳定跑在生产环境、让一线员工愿意用，仍然是一件极其复杂的事。

当 AI 算力需求以指数级速度膨胀，地面数据中心正面临电力、土地与冷却水的三重约束。于是，一个听起来像科幻小说的方案被反复提起：把数据中心送上太空。这个设想究竟是资本故事，还是工程上真正可行的路径？本文尝试从挑战与机遇两个维度做一次冷静拆解。 一、为什么有人想把数据中心搬上天？ 要理解这个设想，先要理解地面数据中心正在遭遇什么。 大模型训练与推理带来的算力需求，正在把数据中心推向一个尴尬的境地：它越来越不像一个"机房"，而更像一座重工业设施。单机柜功率密度从过去的几千瓦攀升到数十千瓦甚至更高，随之而来的是三个绕不开的问题。 第一是电力。 大规模 AI 集群的用电量已经可以对标一座中小型城市的负荷，电网扩容周期长、审批复杂，成为算力扩张的硬约束。 第二是散热。 芯片产生的热量必须被持续带走，传统风冷逐渐力不从心，

过去两年，具身智能几乎成了 AI 领域最热的关键词之一。从工厂机械臂到人形机器人，从仓储物流到商业服务，资本、创业公司和科技巨头纷纷下注。但一个更贴近普通人的问题始终悬而未决：既然技术进展这么快，为什么具身智能还没能真正走进家庭？答案并不只是“技术还不够成熟”这么简单。 一、先厘清：家庭场景到底特殊在哪 要理解具身智能进家庭的难度，首先要承认一个事实：家庭是机器人应用场景中最非结构化、最难标准化的环境之一。 工厂里的机械臂面对的是固定工位、固定流程、固定节拍；仓储机器人面对的是规划好的通道和货架。而家庭环境完全不同——每个家庭的户型、家具摆放、物品位置、成员习惯都不一样，甚至同一个家庭在不同时间段的状态也在变化。今天客厅地上可能什么都没有，明天就多了一个玩具、一只猫、一个临时放下的快递箱。 这意味着，家庭具身智