企业部署 Agent 后，为什么仍会遇到“查到了数据，却用错口径”“找到了文档，却答错对象”的问题？当 AI 开始参与分析与执行，企业需要关注的不只是模型能力，还有数据与知识能否被准确理解、可靠调用。
10月23日至24日，DACon 2026北京站举行。网易智企两位主讲人围绕数据平台的 AI Native 演进、企业知识工程与持续治理，分享企业级 Agent 落地的技术路径与实践经验。
在“ Data Engineering Agent: 数据工程智能”专场，网易智企·数帆技术负责人蒋鸿翔以“为 Agent 重建数据层”为主题，介绍数帆产品的 AI Native 演进实践；在“企业本体与知识工程”专场，网易智企·云商智能化资深产品经理王光宇带来《从知识加工到知识治理：企业知识如何成为 Agent 可直接调用的底座》主题演讲。

01

数据平台如何面向 Agent 演进？

从能力开放到业务分析

同样是“赢单率”，销售部门可能关注中标项目占投标项目的比例，市场部门则可能采用市场线索口径。计算即使没有出错，用错定义的结论仍难以支持决策。
模型的通用能力并不能替代企业自己的业务定义。数据平台需要从面向人的操作，扩展到支持 Agent 理解数据、调用工具，并在权限范围内完成任务。
围绕这一变化，数帆从基础设施、开发治理和数据应用三个层次推进演进：统一管理结构化与非结构化数据，开放开发治理能力，并加强业务分析的语义建设与结果校验。
其中，数据开发治理平台 EasyData 采用接口、技能、语义、场景、入口五层结构，通过 OpenAPI、MCP 和 CLI 开放平台能力，以统一网关承接鉴权与审计；结合元数据、数据标准和血缘关系组织语义资产，让 Agent 既知道“能调用什么”，也理解“数据代表什么”。
这些能力已进入具体任务。在一次内部治理实践中，帝王蟹 ClawHive（网易智企企业级 AI Agent 平台）与 EasyData 协作，从推荐下线表清单出发，通过 SQL 解析、状态过滤与依赖判断，形成177条任务级治理建议，涉及226张推荐下线表。分析全程只读，由负责人确认并执行变更，让治理范围从存储延伸到相关计算任务。
面向业务分析，数帆进一步建设业务本体与语义，并通过 Harness 工程，在选数、计算、权限、验证和评测等环节建立约束。条件不清先澄清，计算交给程序，权限由系统校验，分析结果保留核验依据。
分享中的制造业订单分析案例，将采购、排产、订单执行、仓储、物流与签收等环节关联起来，支持交付风险监控和瓶颈追查。案例介绍，问题排查效率提升90%，产销计划达成率提升15%。平台改造与工程建设的价值，也由此落实到具体业务流程中。

02

企业知识如何被 Agent 可靠调用？

从知识加工到持续治理

如果说数据分析需要明确指标口径，知识调用则需要先认准对象。
网易智企在分享中举例：用户询问 A2 Pro，知识库却召回了 A1 Pro的内容。文档是真实的，答案也很通顺，但对象从第一步就错了。
类似问题还包括：解除配对后哪些功能失效，需要跨章节取回影响关系；用户使用口语、缩写或旧称，系统却无法对应正式名称。只有相似度匹配，未必能解决对象错位、关系断开和别名失配。
围绕这些问题，网易智企·云商 Mind Studio（网易智企AI知识库）以 ID 为所有词的锚点，组织业务对象、关系与约束，再通过词库做统一约束与呈现，将不同叫法归一为 ID。A2-Pro、A2pro指向同一 ID，A1 Pro则属于另一组 ID，不能因名称相似就被召回。
本体建设不能只依赖模型自动生成，还需要业务规则与人工审核。
    a.业务团队先提供内外部术语、型号规则和版本等前置约束；
    b.自动化流水线完成文档解析，再进行语义分块、实体、标签与关系抽取；
    c.最终由业务审核确认，通过后进入生产环境。
在技术选型上，团队结合服务场景对成本、增量更新和查询延迟的要求，采用LightRAG 图检索，同时提供 PageIndex 树检索与常规切片检索。
    a.长文档可以先定位章节，再读取细节；
    b.型号关系和跨文档问题沿实体关系补齐证据；
    c.简单 FAQ 则不必强行走图谱。
这背后的原则是：
  • 先判断业务是否需要，再决定本体建设的深度。知识量少、关系简单的场景，可以先用较轻的链路跑通；
  • 当型号、版本和跨章节约束增加，再强化实体与关系建设。
但是，只完成本体的构建仍然不够，还需要通过全流程知识工程发挥最大作用（知识接入、加工、解析、效果调试、场景路由和 TraceID 回溯）。
当然，上线也不是终点。重复内容、过期版本和口径冲突需要持续治理。

03

面向真实业务

持续积累可信资产

来自网易智企的两场分享分别呈现了企业 Agent 落地的两条实践路径：数帆围绕数据资产、业务语义和工程约束，支撑数据开发治理与分析；云商围绕实体关系、知识工程和持续运营，提升知识供给的可靠性。贯穿其中的共同思路，是从业务需求出发，把数据与知识组织成 Agent 能够理解、调用和核验的资产。
首先，从具体场景出发，确定能力建设的范围与深度。无论是定位订单交付瓶颈，还是准确回答某个产品型号的问题，都需要先明确任务目标、业务口径和使用边界。企业可以优先选择价值明确、范围可控的场景，验证效果后再逐步扩展；技术选型则结合准确性、响应速度、实施成本与维护要求综合判断。
其次，把可信要求落实到运行过程。数据分析需要检查指标选择、计算逻辑和访问权限，知识调用需要核对实体、版本、适用条件与原文证据。通过语义约束、执行校验、调用记录和人工确认，让异常能够被发现、问题能够被定位，为Agent 参与实际工作建立可检查的依据。
更重要的是，让每一次使用都能留下可复用的成果。经过确认的指标口径、分析方法、实体关系和业务知识，可以持续沉淀；真实任务中的错误案例、知识缺口与用户反馈，则进入下一轮治理和评测。随着应用范围扩大，这些积累能够减少重复建设，也让后续场景拥有更扎实的起点。
从场景验证到持续运营，企业级 Agent 的价值，最终体现在处理实际业务问题的能力上。此次大会，网易智企充分展示了将数据工程、知识工程与 Agent 应用相衔接的实践经验，为企业分阶段推进AI落地提供可参考的技术路径，推动模型能力逐步转化为业务价值。

活动推荐

作为网易旗下一站式企业 AI 应用服务提供商，网易智企倾力打造企业 AI 实战栏目——「AI 实战派」，聚焦 AI 在真实业务中的落地应用，通过实战教学、案例拆解、研讨交流等多元形式，将前沿的 AI 技术转化为真实的业务动能，为企业管理者、业务决策者和一线实践者提供可迁移、可复用的实战方法论与深度洞察。

图片

关于我们

图片