导读 本文整理自 DACon Shanghai 2026 主题演讲。

今天想跟公共聊一件正在发生、但许多企业还没果真准备好的事：

数据的消耗者，正在从东谈主变成机器，变成 AI Agent。

这件事听起来像一个配景变化，但对数据基础步履来说，它调动的是最中枢的前提假定。

我想解释领悟三件事：第一，Agent 的到来为什么会再行界说数据基础步履；第二，在 Agent 时间，数据语义和数据治理为什么反而变得更难；第三，为什么从元数据、到语义层、再到 Agent 走访层，咱们需要再行界说一套完满的数据时间栈。

分享嘉宾｜堵俊平 Datastrato 创举东谈主兼 CEO，Apache Gravitino 共同发起东谈主

01

数据消耗者正在换东谈主

曩昔几十年，咱们构建数据基础步履时，有一个从来没被明说过的前提：数据是给东谈主用的。

默许使用者是分析师、工程师、居品司理，以及 BI 器用背后的业务团队。但今天，一个越来越真实的新变装出现了——它会我方发现数据、一语气 schema、生成查询、触发 pipeline，以致尝试回写系统。这个变装，便是 AI Agent。

回头看曩昔三年 AI 的演化旅途，其实很领悟：

2022 年底：ChatGPT 引爆这波立异，公共关注的是大模子自身，本质是在治理「恢复问题」这件事

2024 年：RAG 兴起，模子运转积贮企业学问库和高下文来作答

2025 年：从 Manus 到 OpenClaw，各样智能 Agent 走到舞台正中央，AI 从「恢复问题」走向「实践任务」

这看似只是一步变化，但本质完好意思不同。恢复问题，只需要生成一个像样的谜底；实践任务，意味着要缠绵、调用器用、深度交互、一语气决策、对恶果负责。

Agent 正在成为新一代的软件操作家。 它不再只是聊天窗口里的恢复器，而是一个果真能操作操作系统、数据平台、基础软件的实践者。它不错是展当今用户眼前的智能助手，也不错是企业里面自主运转的做事流，以致是在后台静默运行、用户毫无感知的自主系统。

当 AI 从恢复走向实践，所有这个词软件架构也在随之变化。传统架构里，东谈主通过 UI 使用运用；Copilot 时间，AI 是援助者；Agent 时间，东谈主给标的，Agent 自行调用器用和 API，操作底层数据与系统。畴昔，Agent 将成为软件最主要的使用进口。

这调动的不单是运用层，而是会重塑所有这个词基础步履层和数据平台层。以往「为东谈主类操作优化」的遐想念念路，在 Agent 时间依然不再适用了。咱们必须接洽的问题，从「若何让东谈主用得顺」，变成了「若何让 Agent 大概高效、安全、可管控地使用各样系统」。

02

果真的瓶颈，不在模子

以往的数据使用者，大多是企业分析师、稽查报表的业务东谈主员、数据科学家和运用开导者；如今越来越多的数据使用者，正在变成 AI 助手、自动化做事流智能体、自主数据运维模范，以及多模范推理系统。

这并非只是新增一类用户，而是绝对调动了举座的数据消耗模式。东谈主类分析师掀开 dashboard，看几个宗旨，提几个问题；Agent 会合手续地发现、搜索、推理和实践——二者在走访频次、活动容貌和容错模式上，完好意思不同。

消耗者依然变了，数据基础步履就必须随着变。 要是底层照旧按东谈主类交互逻辑遐想，插足 Agent 时间就会出现大都智商断层和治理破绽。

这一年，我在各式所在被问烂了团结个问题：「咱们的 Agent 在测试环境跑得很顺，为什么一上业务系统就出问题？」

第一响应险些都是换模子、重写领导词。这不是公共不聪惠——模子的问题平直体当今输出上，让你看到；数据层的问题更讳饰，Agent 会安静地出错，你根柢不知谈它作念了什么。

果真的瓶颈，早已不在模子自身，而是数据平台性能和数据走访智商。去看一个 Agent 在企业里真实干活的全经由：发现可用数据资源、一语气 schema、检索高下文、实践查询、更新数据、触发卑鄙 pipeline……它大部分时分并不花在「念念考」，而是花在「和数据打交谈」。

今天绝大多数数据平台，本质上是为「东谈主类编写 SQL」遐想的，不是为「Agent 操作系统」打造的。 东谈主类能靠教化和临场判断弥补系统弱势，Agent 弗成——它需要机器可读、结构领悟、便于管控的运行环境，缺了这个基础，Agent 就很难果真落地。

我见过太多 Agent 步地死在这里：演示很漂亮，上了坐褥就运转出问题，临了论断是「时间还不锻真金不怕火」。不是时间不锻真金不怕火，pg娱乐麻将胡了中国最新版APP下载是数据层没准备好。

03

Agent 和东谈主类走访数据，差的不是量，是种类

东谈主类和 Agent 在数据消耗上有四个本质永别：

偶尔 vs 合手续：分析师一天掀开仪容盘三次，Agent 可能每分钟在发恳求——数据系统任何不牢固都会被放大到极致。

容忍费解 vs 将费解变成动作：字段界说不领悟，工程师会去问东谈主；Agent 会平直作念出一个解读并实践，这个实践可能在你不知情的情况下触发出东谈主猜度的操作。

手动检查 vs 链式实践不休歇：咱们遐想了许多「临了一齐东谈主眼检查」的经由，Agent 不会在那里停，它拿着上一步恶果平直往下走。

使用器用 vs 编排系统：东谈主掀开报表是在使用器用；Agent 不错调用 API、触发 pipeline、写回数据——它在编排所有这个词系统。

是以在 Agent 时间，数据治理的界说必须升级。曩昔治理中枢是界定「谁能看哪些数据」；今天还要明确「这个 Agent 被允许计算什么、生成什么、实践什么、修改什么」。数据治理从静态权限管控，滚动为界定动态实践界限——咱们治理的，不再只是数据走访活动，而是 Agent 完满的活动实践链路。

04

RBAC 管不了 Agent，不是 RBAC 不好

以往的治理对象是数据表、仪容盘、用户变装，依靠基于变装的静态权限体系，就能高效完成数据治理做事。但 Agent 所处的环境天差地远——它具备动态业务意图、跨系统实践、合手续自主探索、生成式查询等特点。

说平直少许：传统 RBAC 在 Agent 时间依然不够用了。

这不是品评 RBAC。它是为东谈主遐想的，治理了「这个用户能弗成走访这张表」这个问题，况兼治理得很好。但 Agent 带来的不是更复杂版块的权限问题，而是一个完好意思不同的问题：这个 Agent，在这个时刻，带着这样的意图，被允许作念什么？

RBAC 只知谈「你是谁」，却不知谈「你当今想作念什么、为什么这样作念、是否合适高下文拘谨」。静态权限模子，依然无法适配 Agent 运行过程中动态产生的各样活动与推理动作。

05

更深的问题：智商有，但都是散的

不少企业会说，咱们早已搭建完备的元数据、宗旨体系、管控战术和数据血统，落地依旧繁重重重——为什么？

原因是这些智商大多处于分布气象：元数据洒落在多个数据系统，检索圭臬不和谐；治理礼貌分布部署在不同引擎，礼貌难以和谐；数据血统一鳞半瓜，审计链路打欠亨；走访管控礼貌随平台变化，无法酿成和谐的面向 Agent 的走访管控体系。

恶果是一朝让 Agent 接进来，它莫得和谐、真实、机器可读的戒指平面可依赖，只可退而求其次：原生 SQL、临时 API、胶水代码。这类模式仅能在演示场景中运行，博亚体育2026世界杯官方版(中国)官方入口完好意思无法适配企业小心业务的恒久牢固落地。

要是莫得和谐的元数据和战术原语，Agent 最终只可 hack 进去。

公共不难发现下一步是建语义层，但这件事莫得遐想中通俗。

每个企业都但愿和谐各样业务宗旨界说——什么叫「收入」，什么叫「活跃客户」，什么叫「利润率」，什么叫「流失率」。这类和谐化的重要性世东谈主皆知，但现实是，干系界说分布存储在 BI 平台、数据开导剧本、分析 notebook 和各样报表剧本里，有多个版块，久而久之还会出现实体维度偏移、权责区别费解、数据时效不一等问题。

企业并非枯竭业务语义，而是有太多版块的语义。

语义层的难点从来不单是建模，更深层的痛点是治理、权责区别与业务圭臬和谐。有团队想平直建实质模子来治理这个问题——念念路很好，但要是枯竭和谐元数据算作底层撑合手，实质模子也难以顺利落地成型。莫得牢固根基，语义层最终只会沦为仅能演示、无法落入坐褥的丽都详尽。

06

咱们需要什么：三层，不可偏废

要为 Agent 时间果真遐想数据栈，必须具备三层中枢智商，不可偏废。

第一层：和谐元数据戒指平面厘清企业领有哪些数据、数据存储位置、包摄主体、走访权限以及治理礼貌。莫得这一层，Agent 莫得牢固可靠的高下文，只可靠猜。

第二层：语义层界说数据的本质含义，和谐业务宗旨口径，明确乎体与维度之间的关联，界定泰斗的业务圭臬。莫得这一层，Agent 拿到的只是原始表和字段，无法牢固一语气「净收入」和「总收入」的区别。

第三层：智能体走访层让 Agent 自主发现数据资源、核验操作意图，在合规治理范围内完成操作，并完满留存所有活动轨迹。枯竭这一层，Agent 连得上，但无法受治理地实践。

畴昔的数据平台，不再只是存储加策划，而是一个面向 Agent 实践的分层系统。

07

Gravitino 在作念什么，以及一个被低估的判断

在这个三层架构里，Apache Gravitino 作念的是第一层——和谐元数据戒指平面。

它的中枢职责，是搭建联邦式元数据体系：在多数据源、多引擎、多云之间，建立和谐的元数据视图与全域治理体系。不是替代现存 catalog，而是成为「目次的目次」，提供跨系和谐致的全局高下文。

这件事对 Agent 特出枢纽。Agent 需要的从来不是某个点状系统里的局部信息，而是一套机器可识别、跨系统圭臬和谐的全局高下文环境。语义层的搭建，通常离不开壮健的元数据底座；全域数据治理，也必须依托和谐的管控平面智力落地。

这里有一个被许多团队低估的判断：先有元数据，再谈语义。

完善的语义层建立，高度依赖底层多项中枢智商：互不冲破的定名空间、受治理的 schema、分享实体、标签、战术、血统、所有权，以及跨引擎一致性。莫得这些，语义莫得落点，很难恒久瞻仰。

元数据是根基，业务语义是价值解说。莫得底层牢固、受治理的元数据系统，语义层便是沙堡——改一次底层就碎一次。

在语义层实践上，dbt MetricFlow 给行业提供了很好的参考——把受治理的原始数据索要为圭臬化、可管控的业务语义：宗旨蚁合管束，一次界说、全域复用；BI、分析、AI 卑鄙看到团结份真相；业务逻辑从 BI 孤岛里抽离出来，千里淀到分享建模层。

这对 Agent 相等枢纽。Agent 需要的不单是原始表和字段，更是那些具备可解释性的完满业务语义。要是 Agent 只可交往到零星原始数据，就很难精确一语气「活跃用户」「净收入」「高价值客户」这些中枢倡导；依托圭臬化可复用的业务语义，Agent 输出质料会高许多。

把所有这个词时间栈从上至下放在一张图里：消耗方（东谈主类 / BI / 助手 / Agent）→ 智能体走访层（MCP 通用联接 + ADP 受治理实践）→ 语义层（宗旨/实体/维度/业务逻辑）→ Gravitino 元数据基座（和谐元数据 / 治理战术 / 血统 / 标签）→ 实践引擎（湖仓 / 数仓 / 向量存储 / 流式系统）。

Gravitino 统筹全域数据，语义层赋予业务解读，ADP 让 Agent 在安全界限内合规实践。这不是单一居品治理有商酌，而是一套完满的 Agent 数据时间栈建立念念路。

08

对于 MCP：连上不等于用好

近期行业都在热议 MCP（Model Context Protocol）。这项时间很重要，它让 Agent 能用和谐容貌联接器用，十分于为 AI 生态提供了通用可插拔接口——这是一个真实且繁重的问题，MCP 治理得很好。

但 MCP 主要治理的是「连得上」，而在企业高价值业务、明锐数据处理和大限制数据运用场景中，只是连通远远不够。企业果真见原的是：这张表谁领有？这个字段是否明锐？这个查询是否合适战术？实践后审计纪录在那儿？跨引擎的 lineage 若何保合手一致？

这类深端倪的数据治理需求，仅凭通用的 MCP 条约无法绝对治理。MCP 能买通接口、串联器用，却无法承载完满的企业级数据治理高下文。我并非含糊 MCP 的价值——正巧相背，只是在企业小心的数据运用场景里，MCP 还需要更普遍的元数据、语义和治明智商来补足。

这恰是 Agentic Data Protocol（ADP） 要治理的中枢问题：让 Agent 从「当然谈话纵贯原生 SQL」，进化到「纳入管控体系的意图式实践」。四步：

发现 — 梳理所有可调用的数据开首与资源

描摹 — 明确数据源背后承载的业务含义与圭臬操作容貌

核验 — 判断操作意图与所选数据源是否匹配，阐发具备合感性

实践 — 在既定治理礼貌与权限界限内完成操作

不应该让 Agent 平直从当然谈话跳到原生 SQL——这样作念虽快，但治理风险极高，牢固性也差。四步递次渐进，才是果真能在企业落地的旅途。

09

企业从那儿运转？三步，无谓大跃进

这套体系协同运作，对三类团队都有平直价值：

数据团队：从服务传统 BI，顺利转向服务 AI Agent；减少疏导界说，和谐跨平台数据圭臬，裁减治理运维本钱。

AI 团队：赢得更好的 Agent 数据走访底座，让查询实践旅途更安全，领悟规矩自动化操作界限。

业务团队：AI 取用数据变得真实可审计，各样业务决策也能在安全前提下，冷静交由 Agent 系统自主处理。

畴昔跨越的数据平台，竞争的枢纽不单是「谁能恢复更多问题」，而是 谁能更安全地奉求更多决策。

落地坑诰，三步走，无谓大跃进：

第一步：先和谐元数据。建立时间戒指平面，先把底座打稳。不要一上来就想治理所有 Agent 问题，底座不稳，表层全是沙堡。

第二步：圭臬化中枢语义。从最枢纽的 10 到 20 个业务宗旨运转，厘清治理礼貌，对王人实体、维度与权责包摄。不要试图一次算帐所有语义债务，先管好最重要的那几个。

第三步：引入受治理的 Agent 走访框架。让 Agent 在实践前先发现、先考证。首批落地保举从读密集型做事流运转：当然谈话查询宗旨、受治理数据集发现、基于业务语义的数据检索服务——写回和高风险操作放在后头。

先治理后扩权：治理礼貌先行，再冷静放宽 Agent 自主操作数据的范围。

10

临了只说一件事

要是今天只带走一件事，我但愿是这一句：

当消耗者成为 Agent，数据基础步履必须在三个维度上进化：

从零星并立孤身一人的元数据 → 和谐元数据戒指平面；

从杂沓疏导的宗旨口径 → 圭臬和谐、受治理的语义体系；

从纰漏的原生 SQL 生成 → 战术感知、界限化的 Agent 数据走访。

Agent 时间不单是给传统数据平台加一个聊天进口，而是会 再行界说数据平台的戒指平面、语义层和实践界限。

咱们在 Datastrato 正在作念的，便是把这三层买通——让企业数据基础步履果真具备理财 AI Agent 时间的智商。

要是你正在企业里推这件事，或者正在为这件事头疼，迎接找我聊。你们里面依然有哪些业务数据流运转交由 Agent 贯串了？你们的数据基础步履博亚体育app官网下载，准备好了吗？