王东方
Work Buddy
2026 年，人工智能正从生成式问答迈向 Agentic 执行。当大模型具备了规划、调用工具与多步推理能力，企业智能化的核心瓶颈已不再是模型本身，而是数据能否被 AI 真正理解和使用。Data Agent、企业语义层与知识工程，正成为技术社区最炙手可热的方向。Data Agent：从 Demo 到生产可用Data Agent 并非新概念，但走向生产环境充满挑战。小米团队分享了从 BIRD 榜单第三到生产可用的落地路径，核心在于 NL2Pipeline 自动化与工程化稳定性结合。快手从亿级数据规模视角，拆解了 Data Agent 的核心架构 —— 如何在保证查询准确率的同时守住执行安全底线。奇虎 360 则提出从 "会查数" 到 "懂业务" 的语义层演进方法论，并建立可量化评测体系，让 Data Agent 效果不再依赖主观判断。语义层与本体论：让 AI 真正理解企业如果说 Data Agent 是 "手"，企业语义层就是 "大脑"。京东算法总监周默分享了用户增长业务下的本体论数仓建设 —— 通过构建业务本体，让数据从物理表结构升华为业务概念。懂车帝从 AI-Native 视角重新思考数据语义平台，云器科技关涛则从数据工程到知识工程的高度，系统阐述 AI 时代知识与本体的演进逻辑。蚂蚁集团 Apache Ossie 语义层的落地证明，标准化语义层是企业级 AI 规模化的关键基础设施。从 RAG 到 Agentic：智能体的完整演进小赢科技展示了企业对话机器人从外购到自研、从向量 RAG 到 Agentic 语音智能体的演进之路。金融领域更进一步，Airwallex 空中云汇提出从单 Case Copilot 到跨 Case Agent Mesh 的 A2A 架构，破解金融风控的可信落地难题。杭州核信的企业级多租户数字员工实践，则揭示了 Agent 从工作流到智能体集群的组织级跃迁路径。工程化与治理：落地的最后一公里技术狂欢之外，落地才是硬道理。北大 DCAI 实验室的 NL2Pipeline 研究、PyTorch 基金会 LM-Cache 的开源优化，分别从算法和系统层面提升 AI 数据处理效率。中兴的 Harness Engineering 一站式交付实践，为大型组织 Agent 落地提供了工程方法论。
发布于 北京
分享
1
1
未登录
友善发言
评论
加载中
