-
数据是 Agent 进入企业业务流程的最重要前提
过去一年，Agent 几乎成了企业软件领域出现频率最高的词。从客服自动应答、销售线索跟进，到财务对账、供应链异常处理，几乎所有厂商都在讲同一个故事：让 Agent 接管流程，让人类只做决策。但真正进入企业核心业务流程的 Agent 项目，落地比例远没有演示视频里那么乐观。依据现有素材判断，制约 Agent 从“能演示”走向“能上岗”的最大瓶颈，不是模型能力，而是数据。 Agent 的能力上限，由它能看到的数据决定 1.1 模型决定“会不会”，数据决定“准不准” 大模型解决的是通用推理与语言理解问题，它让 Agent 具备了理解指令、拆解任务、调用工具的基础能力。但企业业务流程里的每一个动作，都依赖具体、实时、可追溯的业务数据：这张订单当前处于什么状态、这个客户的历史履约记录如何、这笔款项对应哪份合同、这个物料在
-
为什么说当具身智能走到台前，数据底座决定它能走多远
过去两年，人工智能的叙事主线一直停留在屏幕里：大模型会写代码、会做 PPT、会通过考试。但进入 2025 年，行业讨论的重心正在发生一次明显的迁移——从“模型能说什么”转向“机器能做什么”。具身智能（Embodied AI）由此从学术论文里的概念，变成了产业界争相下注的赛道。 所谓具身智能，通俗地说，就是让 AI 拥有物理身体，能在真实世界里感知、决策并执行动作。人形机器人、四足机器狗、机械臂、自动驾驶车辆，都可以被纳入这个范畴。它的想象空间足够大：工厂里的柔性装配、仓储中的分拣搬运、家庭中的陪护与家务、危险环境下的巡检与救援。也正因如此，资本和巨头在短时间内密集入场。 但如果把镜头拉近，会发现一个略显尴尬的现实：硬件层面的“身体”正在快速成熟，而软件层面的“经验”却严重不足。 电机、减速器、灵巧手、传感器、算
-
主数据管理在智能体时代的新使命
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
-
IM全文检索技术(五)：vivo敏感词匹配系统的技术实践
本文将从算法选型入手，结合两个实际场景来介绍谛听系统的敏感词匹配算法。包括底层算法选型思路和两种实际场景下提升敏感词精准度、降低漏杀率的方案。
-
二十年数据治理厂商转向语义层，推出业务智能盘点平台v2.0
中翰软件近日宣布，基于自研Navigate OS底座和业务梳理平台v1.0，正式推出中翰业务智能盘点平台v2.0。该平台定位为“让业务人员自己就能把业务理清楚”的一站式智能盘点与知识构建平台，融合AI智能解析能力与FDE式业务梳理方法论，实现指标梳理、资源盘点与业务语义本体构建三位一体的快速盘点能力。中翰软件成立于2006年，是国内较早专注于企业数据治理的软件厂商之一。从2006年推出物资编码管理
-
美创科技新增两项发明专利授权，持续积累自主创新成果
近日，杭州美创科技股份有限公司两项发明专利获得国家知识产权局授权，为美创持续开展技术研发、积累自主知识产权再添成果。专利 1：“多线程报表统计方法、装置、计算机设备及存储介质”。专利 2：“字符串字段类型映射方法、装置、计算机设备及存储介质”。两项发明专利授权，为美创持续开展技术研发、积累自主知识产权再添成果。两项专利涉及报表统计与字段类型映射，关注数据安全软件研发中的具体技术问题。在数据处理与应
-
数据中台之后，企业AI还缺一层“业务语义”
企业数据治理走到今天，一个悖论越来越明显：数据中台越建越多，数据质量报告越做越漂亮，但业务人员使用数据时的体验并没有同步改善。查不准、看不懂、用不上，这三个词依然是常态。Gartner 2024年的数据显示，72%的AI项目止步于试点Demo，根源在于“数据很多，但机器读不懂业务”。中翰软件是数据质量和知识专家，这家成立于2006年的老牌厂商近日推出中翰业务智能盘点平台v2.0，试图在数据中台与A
-
数据治理在AI时代为何如此重要？
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
-
Redis 8.10 HIMPORT：更高效地批量写入 Hash 数据
Redis 8.10 引入了一个新的 Hash 数据导入命令：HIMPORT。如果应用需要批量向 Redis 写入大量结构相同的 Hash，传统的 HSET 会反复传输相同的字段名。HIMPORT 的核心思路，就是提前声明这组字段结构，后续写入时只传输对应的值，从而减少网络传输数据量，提高批量导入效率。本文通过 Ruby 客户端 redis-rb 演示 HIMPORT 的基本用法，以及它与 HSE
-
数据标准：统一业务与技术认知的基础
项目开发中，业务与技术对同一指标理解不一致，常导致结果偏离需求。数据标准作为企业定义数据的依据，能增强各部门对业务的统一理解，避免此类问题。数据标准不仅是一套规范，更是由管理规范、管控流程和技术工具组成的体系，确保产品、客户、机构、账户等重要信息在全公司内外使用和交换时一致、准确。它需要业务部门达成共识，以及业务与技术配合。数据标准按数据域分为基础类、分析类和专有类。以金融行业十大主题模型为例，数
-
数据治理二十年后，一家老牌厂商把目光转向了“业务词典”
数据治理行业有一个长期存在的矛盾：企业花大力气建设数据中台，数据质量报告各项指标看起来都不错，但业务人员使用数据时依然困难重重。查不准、看不懂、用不上——这三个词概括了技术侧与业务侧之间的鸿沟。Gartner 2024年的数据显示，72%的AI项目止步于试点Demo，根源在于“数据很多，但机器读不懂业务”。业务语义缺失、系统孤岛林立、专家经验隐性化，成为AI落地生产环境的最大瓶颈。中翰软件是数据质
-
AI 时代的数据治理变革：从“管住数据”到“让数据可用”
导语：过去十余年，数据治理的核心命题是“把数据管起来”——建标准、做血缘、定口径、控权限。但当大模型与 AI 应用成为数据的主要消费者和生产者的双重角色时，这套以静态资产为中心的治理逻辑正在失效。数据治理正在经历一次范式迁移
-
半夜两点数据库被 “偷家”，你的数据库审计管用吗？
凌晨两点，手机狂震。安全老赵从床上弹起来——核心业务库CPU飙到95%，大量敏感表被疯狂查询！他连上VPN，打开数据库审计日志，屏幕上SQL语句刷得飞起。“谁？从哪来？查了什么？”翻遍日志，只有账号、时间戳、SQL文本。根本看不出是谁干的。只能先切数据库。第二天一查：三万多条客户信息被批量导出。老板暴跳如雷：“审计系统不是装了吗？怎么连谁干的都查不出来？！”老赵心里苦啊：装了审计，不等于看得懂审计
-
从数据质量到知识体系的演进路径
在数据管理领域，企业的需求正在经历结构性变化。早期，市场对数据质量的关注主要集中在清洗、校验与标准化层面。为应对这一需求，有厂商推出了面向质量的主数据管理平台，与传统主数据平台不同，其核心逻辑围绕质量提升展开。随后，末端数据治理平台（数据中台）的出现，使数据应用服务的显性效果成为持续推动数据质量改进的动力来源。当前阶段，数据质量与知识体系的结合成为新的方向。知识中台、智能中台以及TopView（顶
-
大数据量ETL同步优化：亿级表同步与性能调优
本篇以MySQL亿级sys_api_log表同步到Greenplum数仓作为实战场景，讲解如何依靠并发路由+分页读取两个核心配置。
-
版本迭代丨谷云科技ETLCloud V4.3版本更新速览
ETLCloud V4.3版本，新增多款实用组件与数据源适配，同时对现有组件能力深度优化，进一步拓宽数据集成场景，提升数据开发便捷度。
-
RestCloud iPaaS新版发布，多租户能力全面迭代&智能运营全新上线
谷云iPaaS新版重磅更新上线，覆盖架构能力、运营统计、性能体验三大板块，全维度补齐企业级集成与智能化落地能力
-
零售行业的全渠道数据打通：一个被低估的技术难题
全渠道数据打通之所以被低估，是因为它看起来像是一个"对接问题"——系统A和系统B接通不就行了？但其实它是一个架构问题。从批量到实时，从同步到异步，从点对点的事件驱动——这不是多加几个接口就能解决的，而是需要对整个集成架构做一次系统性的升级。
-
API全生命周期治理：90%的企业只做了“发布”这一步
API治理不是一个技术项目，而是一个持续运营的过程。它的本质不是 "把接口管好"，而是让数据流通变得可观测、可控制、可追溯。
-
企业AI平台落地：存量系统集成怎么做，一份可执行的选型与上线清单
先给结论：选企业AI平台，第一件事不是比模型参数，而是先分清"三类选手"——模型与云厂商、智能体/低代码工具、企业软件平台，它们不在同一个赛道。对存量系统多的企业，选型的胜负手通常不在模型，而在第四项：存量系统集成。存量系统集成：最花钱、也最容易被漏掉的一项落地前建议先盘四件事：接口盘点：现有 ERP、OA、MES、WMS 分别能提供什么粒度的接口，是只读查询还是可写回；没有标
