别让大模型干数据库的活

做Agent的团队最近都在聊同一件事：账单。

一个客户问答Agent，上线两周，Token消耗是预期的十倍，答案还时对时错。复盘下来，问题不在模型，而在架构——团队让大模型包办了本该由数据库引擎干的活。这是2025年Agent落地最典型的翻车姿势，也指向一个正在成型的产业共识：Agent的瓶颈已经从模型能力，转移到了数据架构。

本文聊三个关键词：Token税、本体（Ontology）、上下文工程。它们分别对应成本、语义和岗位，也画出了下一代数据栈的分工线。

📉 Token税：架构错误的账单化

让概率模型干确定性工程，是最贵的架构错误。

先看一个场景。某SaaS团队做了一个"问数据"Agent，用户提问，Agent把相关表结构、示例数据、业务口径一股脑塞进上下文，让LLM自己理解表关系、自己拼接join逻辑、自己心算聚合结果。演示很惊艳，生产很灾难：每次请求动辄几十万Token，成本压不住；更糟的是，同样的提问，昨天算出的GMV和今天对不上。

这正是业界那篇被广泛转发的《Token Tax》一文戳破的问题：Token成本高、输出不可靠，很多时候不是模型的错，是你的架构让模型干了数据库该干的活。 数据集成、清洗、join、聚合，这些是确定性工作——引擎来做，成本近乎摊薄为零，结果可复算、可审计；LLM来做，每一行扫描都在烧钱，每一次计算都在掷骰子。

道理不复杂，但很多团队是拿着账单才看懂的。一位做过类似项目的架构师私下坦言："我们把三个月的提示词优化预算，最后都换成了重写一条物化视图。"

产业逻辑随之清晰：AI没有消灭传统数据工程，反而把它的价值放大了。湖仓一体引擎承接重计算，LLM只做它擅长的不确定推理——这条分工线画清楚了，Agent的成本结构才立得住。数据平台的的老牌能力（统一存储、查询优化、物化），正在以"给AI省钱"的方式迎来第二春。

🧠 本体：Agent的企业世界观

通用Agent不缺智商，缺的是企业的世界观。

Databricks在官方博客里讲了一个容易被忽视的细节：通用AI Agent擅长搜网页、做推理、写代码，这些是公开互联网教出来的本事；可一旦走进企业内部，它们就"失明"了——不知道表里的字段对应哪个业务对象，不知道"活跃客户"在这家公司口径里意味着什么，更不知道两个系统之间的隐含关联。

Databricks的答案是 Genie Ontology：在产品开发中，把散落各处的表、指标、业务规则，组织成一张语义网络，让Agent按业务含义去调用数据，而不是按字段名去猜。

注意这张图里LLM的位置：它不在数据通路上，只在两端。查什么、怎么查，由本体和引擎决定；LLM负责把结果变成人话。

这件事的产业意义在于：语义层从BI时代的可选项，变成了Agent时代的必需品。 过去建语义层，是为了让报表口径一致，建不建看团队自觉；现在建本体，是Agent能不能干活的先决条件——没有世界观的企业知识，再强的模型也只是在猜。上一轮数据建模，建的是表和看板；这一轮，建的是企业的世界模型。中间隔着整整一个语义基础设施的产业带，从指标平台到知识图谱到本体工具，都在被这波需求重新定价。

🔧 分析工程师，正在变成上下文工程师

上一轮建模建的是表，这一轮建模建的是上下文。

Databricks最近开的系列文章起了个直白的标题：《从分析工程师到上下文工程师》。开篇就点破了一个转变：从"为看板建模数据"，转向"为Agent建模上下文"——系列第一篇，用的就是自家的Gong销售对话数据来练手。

这个转变比听上去深。分析工程师的技能栈，核心是维度建模、指标口径、看板设计，服务对象是人——人看得懂图，就行。上下文工程师的服务对象是Agent，事情完全变了：

为机器读，意味着要回答新问题：Agent该先看到哪些信息？检索怎么切分才能命中？工具的契约怎么描述才能被模型稳定调用？哪些上下文必须精简、哪些必须详尽？这些都是建模，只是建模的对象从"数据结构"变成了"模型的工作记忆"。

据多位接近一线数据团队的人士观察，这个岗位的真实需求已经在冒头：招的不是会写DBT模型的人，而是既懂数据口径、又懂模型行为的人。稀缺，所以贵。类似十年前"数据工程师"从后端工程师里分化出来的过程，正在重演——只不过这次分出来的，是懂数据、更懂模型胃口的人。

对从业者来说，这是个难得的窗口期：你的维度建模功底没有贬值，它只是需要换个服务对象，重新议价一次。

🏗️ 分工线画清楚，钱才知道往哪流

新的价值分配，藏在架构图的层与层之间。

把前面几节拼起来，Agent时代的数据栈长这样：底层是统一湖仓引擎，负责存与算；中间是语义本体，负责让机器理解业务；上层是Agent编排与LLM，负责推理和交互；而"上下文工程师"这个新角色，横跨中间层，决定Agent看到什么。

这条分工线对产业的影响有三层。

第一，数据平台厂商的叙事从"支撑AI"变成"AI负载本身"。Token税的逻辑讲给CFO听最有效：同样的Agent应用，架构不同，推理成本可能差一个量级。过去数据平台采购讲的是数据治理和合规，现在多了一个最硬的理由——省钱。Databricks把Genie Ontology放到产品开发的核心位置讲，正是这个逻辑。

第二，模型厂商和数据平台的边界感反而更清晰了。模型越强，越需要高质量上下文喂养；上下文供给越好，模型输出的商业价值越高。这是一条正和的产业链，而不是零和的替代关系。

第三，企业的技术采购优先级正在被重排。一套好的语义层加统一引擎，比换一个更强的模型，对Agent落地质量的提升更可测、更可控。业内私下流传的判断是：未来两年的Agent项目竞标，胜负手不在谁用的模型新，而在谁的本体建得全、谁的引擎扛得住并发。

小结

Agent落地的真问题，从来不是"模型够不够聪明"，而是"架构分没分好工"。把确定性工作还给引擎，Token税就交得少；把业务含义写成本体，Agent就有了世界观；把建模能力迁移到上下文，数据人就完成了这轮价值重估。

往前看，这套分工还会继续下沉：本体可能标准化，上下文工程可能工具化，但"让概率模型干概率的事、确定性引擎干确定的事"这条原则，会是AI时代数据架构的底层共识。早看懂这条线的团队，已经在账单上兑现了。