从数据治理到知识建设：企业Agent落地需要补哪些工程能力？

大模型越来越强，企业IT也在AI上投入了不少预算采购平台、搭建Agent，希望提高效率、改善业务结果。

但业务真正用起来，Agent还是会推荐错产品、遗漏客户信息，甚至给出前后矛盾的答案。员工需要反复核对、修改，业务团队也迟迟用不起来。最终，钱花了、人力投入了，业务结果却没有明显改善。

问题究竟出在哪里？

10月29日下午，在dbaplus社群联合瓴羊的直播中，瓴羊产品运营昭悦与瓴羊产品经理知毅，从一次客户增购方案的准备经历聊起，拆解企业Agent落地中容易被忽略的一环：如何把企业已有的数据、资料和经验，建设成AI能够理解、调用的业务知识，让投入真正体现在具体工作和业务效果上。

昭悦在直播中分享了一个场景：为了准备客户回访，她把客户上一笔订单、产品资料和历史方案PPT交给Agent，希望TA推荐适合客户的新功能模块，并生成沟通材料。

结果，Agent推荐的一个功能，客户早就买了；另一个功能，则属于另一款产品。已经喂了不少资料，为什么还是答不准？

上一笔订单，无法完整反映客户当前购买的全部功能；近期需求，可能藏在会议录音和客户沟通记录中；客户、产品、版本与功能之间的关系，也需要明确告诉Agent。人做方案时会自然补充这些背景，AI却未必拿得到。

让Agent理解业务，需要把完成任务所需的事实、依据和判断规则一起准备好。

客户买过什么，是业务事实；客户最近关心什么，需要从沟通资料中提取；结合客户需求、已购功能和产品能力判断推荐方向，则涉及业务关系与岗位经验。

这也是本场直播讨论的核心：企业如何围绕具体工作，建立一套可用、可信、能够持续维护的知识体系。

直播将建设过程归纳为四步：准备知识、生产知识、治理知识、用好知识。

起点是明确业务场景：AI员工要接住哪项工作，做到什么程度，结果由谁检验。随后围绕岗位任务梳理数据、资料和业务规则，明确来源、口径与责任人。

在知识准备环节，直播介绍了Dataphin的数据集能力，将文件存储系统与数据库关联起来，描述企业有哪些资料、资料在哪里，以及每个文件的相关信息。以合同PDF为例，文件存储提供原始地址，元数据表记录甲乙方、签约产品、项目名称、金额等信息，支持后续按业务场景进行分类、检索和管理。

针对“为什么要提前提取，不能等Agent用到时再读”的问题，直播给出了三个理由：避免不同用户、不同任务反复解析同一份文件；结合业务术语、领域知识和提取规则保留有价值的信息；提前开展质量检查、人工校正，并关联原文位置。

非结构化资料的处理，通过工作流组织起来。

直播展示的工作流覆盖通用、文本、文档、图片、音频、视频、向量化七类近50个算子，可以通过可视化配置组合处理流程。直播里举了两个例子：一个是最常见的文档处理，另一个是汽车销售录音。

比如合同解析工作流，一般包含以下步骤：解析Word、PDF文件，移除特殊字符，再通过大模型的多列输出提取所需信息。用户可以定义JSON，约束甲方、合同金额、签约产品名称、项目名称等输出字段。

汽车销售录音采用另一套处理流程：先判断音频质量，对低质量音频进行增强；随后通过ASR提取文本，对客户隐私信息进行打码；最后根据业务要求，提取竞品信息或开展SOP质检。

两个演示都围绕业务需要组织加工步骤：先明确希望从资料中获取什么，再配置对应的处理流程。

知识加工还需要跟随业务节奏持续运行。直播介绍了三种工作流形态：

直播同时介绍，工作流可以使用Dataphin已有的发布、运维、告警等能力，将知识加工纳入持续运行的工程流程。

内容提取之后，还要把业务对象之间的关系组织清楚。

汽车销售场景中，客户需求在录音里，车型、配置在产品资料里。Agent要使用这些信息，需要了解它们之间的关联。

直播通过汽车销售知识图谱，展示了汽车品牌、客户、购车需求、销售会话等实体及其关系。在“汽车品牌”实体中，则定义了品牌编码、品牌名称、品牌别名和简介等属性。

围绕图谱模型，Dataphin支持可视化的实体与关系管理、属性与约束配置，以及版本管理。直播还介绍，演示中的图谱模型通过大模型调用Dataphin提供的SKILL创建，Dataphin也提供了原生CLI接口。

图谱数据的获取有两条路径：通过工作流中的“知识图谱解析”算子，从非结构化资料中提取业务对象和关系；通过数据集成中的“知识图谱写入”组件，将结构化业务数据写入图谱。

针对同名、简称等歧义，直播展示了实体业务识别规则和人工审核页面：满足条件的数据自动写入，需要确认的结果保留为候选项，由业务人员审核。

这也明确了AI与业务专家的分工：AI参与重复性的提取和匹配，业务专家处理需要判断的对象匹配与歧义问题。

质量、血缘和权限，需要贯穿知识建设与调用。

AI参与知识加工之后，如何保障处理结果可信可用？

直播从三个方面介绍了治理工作：

• 质量治理：检查内容是否准确、完整、前后一致，发现链路中的异常问题。

• 血缘治理：记录知识来源和加工过程，资料变化时查清影响，答案出现问题时追溯原因。

• 安全合规：明确知识调用范围，做好敏感信息识别、授权和必要的脱敏。

知识需要持续更新和维护，这些治理工作也需要与生产、服务衔接起来。

加工好的知识，通过服务接口进入Agent的工作。

直播介绍了两类使用方式。

查找资料，可以使用数据集语义检索。用户在Dataphin数据服务中创建API，通过query参数传入查询信息，通过top_k参数限制返回结果数量。调用时，系统对输入问题进行向量化处理，执行语义相似度查询。

查询关系，可以使用知识图谱查询。用户输入实体信息，查询相关实体及其关系。相关功能开放了OpenAPI和CLI，供Agent开发时集成使用。

调用环节还需要配置身份。直播介绍了统一调用身份，以及传入Agent实际用户信息两种方式；后者按照用户权限返回数据，约束知识的使用范围。

在瓴羊企业级 Agent 平台 AgentOne 中，可以将Dataphin创建的数据集或图谱API直接引用为外部知识库，减少文档、数据表等内容的重复导入和配置。企业自研或其他厂商的Agent，也可以调用Dataphin提供的知识服务。

直播还介绍了本体逆向建模：从Dataphin中已经搭建的数据模型和主数据库表中提取语义关联，帮助企业更快地构建语义模型，减少从零开始梳理的工作。

回到增购方案场景，Agent可以查询客户、合同、项目、产品等对象关系，获取已购功能、回访记录等结构化事实，再结合会议纪要、产品文档和案例库，组织方案内容。直播最后展示了AgentOne中AI销售生成的解决方案PPT，以及核对方案资料来源的方式。

落地路径，仍然要回到具体场景和预先确定的目标。

直播结尾提醒，企业推进Agent容易走的一条弯路，是先扩大平台建设，再寻找业务应用，导致项目周期长、缺少真实调用验证，难以看到业务价值。

因此，直播建议选择一个痛点清晰、数据可得、价值可量化、风险可控的场景做MVP，跑通接入、治理、知识生产和服务调用，达到预先设定的明确指标，再利用沉淀的模板逐步复制。

在这一过程中，数据集、加工工作流、业务关系、治理规则和服务接口，也能成为后续场景继续复用的积累。

扫码添加企微，领取资料↓