从 AI Ready 到 Agent Ready，数新智能分享企业数据底座升级实践 DACon北京站

2026 年 10 月 23—24 日，DACon 北京站在北京希尔顿逸林举行。围绕“Data-First, AI-Real”的大会理念，来自不同领域的实践者共同探讨如何让 AI 进入企业业务，创造可衡量的价值。

在 10 月 24 日举行的 “AI Ready 到 Agent Ready：Data+AI 平台架构升级”专题中，数新智能创始人兼 CEO 陈廷梁担任专题出品人及主持人。三场分享从产品、行业和基础设施三个层面展开，将智能问数的架构迭代、全球化企业的 DataAgent 实践与端云协同的数据访问连接起来，共同回应企业迈向 Agent Ready 的关键问题。

01 当 Agent 开始执行任务，底座需要怎样升级？

“Agent 要自己去找数据、自己去算、自己去做动作，那原来的底座还够不够用？”

开场中陈廷梁的这一问题，道出了本场专题的讨论起点。

当 Agent 开始参与真实的数据工作，企业需要进一步明确：业务口径能否被机器理解？跨云环境中的数据能否被有效调用？执行过程中的权限与风险如何控制？任务失败之后，系统能否找到原因并持续改进？

这些问题，让 Agent Ready 成为一项涉及数据、语义、治理和工程能力的系统建设。三场分享分别从不同场景出发，呈现了其中的架构选择、落地挑战与实践进展。

02 从“答得对”到“看得透”，跨越智能问数的规模化门槛

高德商业智能部数据产品高级专家 林宇航，通过智能问数产品的迭代，复盘了从单域验证走向规模化应用的一次关键转折。

在业务范围明确的 MVP 阶段，团队基于已有 BI 资产，验证了智能问数的可用性。但扩展到覆盖 331 张表的业务单元后，早期方案的端到端准确率一度降至 50%。一次性知识召回、多步链路中的信息损失，以及复杂跨表计算的扩展成本，逐渐成为规模化瓶颈。

针对这些问题，团队将架构升级为基于 CodeAgent 的 DataAgent，形成“规划—执行—检查—再规划”的任务闭环，并通过 Skill 按需加载当前步骤所需的知识、口径与操作方法。升级后，同一业务范围复测的阶段性准确率达到 93.6%，整体问答准确率约为 95%。

这段实践进一步说明，代码能够运行之后，还需要检查实体是否选对、指标口径是否一致、时间范围与证据是否匹配。语义资产、评测体系和执行控制机制，需要共同约束每一次任务的结果。

随着报告、告警与归因诊断等服务落地，智能问数开始承接更完整的数据工作：从获取一个数字，到持续观察变化、解释原因，再到形成能够回溯证据、接受人工纠偏的判断。“看得透”的价值，正是在这一过程中逐步显现。

03 从业务诉求出发，构建企业级 Agent-Ready 底座

全球化企业的数据环境，让 Agent 落地面临更加复杂的现实条件。某全球头部高端零售集团中国数据技术负责人 谈总 与数新智能 CTO 原攀峰，通过业务与技术双视角，将跨云数据管理的痛点与 DataAgent 的工程方案连接起来。

从业务侧看，智能体承担更多分析任务，对数据供给也提出了更高要求。业务口径需要机器可读，数据质量、新鲜度与血缘需要能够被系统获取；跨云环境中的带宽、传输成本和治理要求，则直接影响智能体能否持续工作。

数据团队的交付因此向前延伸：在报表与看板之外，还需要提供具有明确口径、访问规则与质量保障的数据产品，让数据做到可用、可搬、可信。

承接这些诉求，分享将 Agent-Ready 底座归纳为四项要求：

多云可用：

统一纳管异构数据源与计算引擎，协同数据集成、任务调度和资产治理，让 Agent 能够在复杂环境中调用所需能力。

语义可懂：

显式定义业务实体、指标口径与关联关系，结合语义检索和确定性编译，将业务意图转化为可执行的数据任务。

执行可控：

将 Agent 权限限制在任务发起人的权限范围内，通过沙箱隔离、权限校验与人工审批，控制生产环境中的操作。

效果可迭代：

持续采集执行轨迹，对语义、技能、权限及引擎等问题进行归因，经评测验证后更新知识与工具。

这些要求贯穿探数、建模、开发、测试、发布和运维的完整流程。业务口径需要在生成代码前得到明确，行级权限需要落实到执行机制中，生产环境中的高风险操作需要由开发人员确认，失败任务则需要经过分类修复与回归评测，再进入共享能力库。

在所分享的高端零售项目中，从业务提出需求到报表正式上线，交付周期由10个工作日缩短至3个工作日内，周期减少约70%;在200条标准评测集上，代码准确率由30%提升至90%。这些具体结果，为架构升级的价值提供了衡量依据。

分享还介绍了数新智能CyberOS，Agent-Ready的多云异构分布式AI操作系统。该操作系统将跨云多中心数据底座、企业语义层、AI 平台与智能体能力贯通，支撑从数据准备到业务执行的连续流程。

对于企业如何启动 DataAgent 建设，实践给出了清晰路径：先明确业务语义，从高频、低风险场景切入，并将评测验证与人工把关融入持续迭代，让每一步自动化都具有明确的边界和可检验的效果。

04 深入数据访问层，支撑 Agent 的端云协同

当 Agent 真正开始执行任务，数据访问与工作区的连续性同样需要底层能力支撑。OPPO 高级架构师 闾泽军，通过 Curvine 的端云协同架构实践，将讨论进一步推进到文件系统与存储层。

Agent 的运行会产生高频的小文件读写、临时计算结果，以及需要持续保留的交付产物。端侧、云端与沙箱之间，也需要共享一致的数据视图。

Curvine 通过多级分布式缓存、POSIX 文件语义与统一命名空间，为这些需求提供数据访问支持：端、云、沙箱可以挂载同一目录树，执行过程中的临时文件获得高频读写支持，目标产物则持久化保存，代码库与 Skills 等公共内容也能够复用。

其中一个重要的设计原则是：执行环境可以重启或迁移，工作区与数据需要保持连续。当任务跨越不同环境、持续多个步骤时，这种连续性直接影响 Agent 能否稳定完成工作，也让数据基础设施的建设成为 Agent Ready 不可缺少的一环。

05 从专题分享到展台交流，让技术方案连接业务需求

专题之外，数新智能展示了一站式多云 AI 原生数智平台及 DataAgent 相关能力，将关于 Agent Ready 的讨论延伸至产品方案与企业应用场景。

围绕现场呈现的“基于华为云的多云 Data+AI 基础设施”方案，数新智能展示了从多云数据底座到智能体应用的能力布局：通过异构数据源与计算引擎的统一纳管，协同数据集成、开发、治理与服务，支持跨区域任务管理、全域数据资产管理与联邦查询，为企业在复杂环境中使用数据、开展 AI 应用提供支撑。

在此基础上，数新 DataAgent 将自然语言交互与数据开发、治理等工作流程结合，围绕降低使用门槛、提高工作效率、覆盖完整任务链路与保障执行安全，推动智能体能力融入企业日常数据工作。企业已有的数据资产、业务规则与平台能力，也由此成为 Agent 理解业务、调用工具和执行任务的重要基础。

从论坛中的架构讨论，到展台上的产品呈现，数新智能希望与企业共同找到适合自身的落地起点：梳理多云数据资源，明确业务语义与权限边界，再通过具体场景逐步验证 DataAgent 的应用价值。欢迎与数新智能交流您的业务需求，共同探索从 AI Ready 迈向 Agent Ready 的实践路径。

06 让 Agent 的价值落在真实的业务交付中

从智能问数的架构迭代，到全球化企业的多云治理，再到端云协同的数据访问，三场分享呈现了 Agent Ready 在不同场景下的建设要求。展台上的产品与方案展示，则让这些讨论进一步落到企业如何整合已有资产、构建执行环境和推进应用实践的具体问题上。

围绕多云数据底座、企业语义与 DataAgent 工程能力，数新智能将持续深化产品与行业实践，与客户及行业伙伴共同探索适合企业自身的落地路径，让数据能够被理解、能力能够被安全调用、结果能够被验证，推动 AI 价值体现在真实的业务交付中。