🏢 公司C档 · NaN分

Agent用不好数仓,锅不在模型

··约1分钟阅读

📋 总体概括

阿里云Context Engine在云栖大会抛出Agent数据旅程六阶段,而一线工程师搭MCP的教训指向同一件事:Agent落地的瓶颈不是模型和接入,而是语义与元数据。数据平台的竞争焦点正从存算能力转向上下文供给能力。

📄 正文

2026年云栖大会的议题墙里,一条线索格外扎眼:阿里云正在用 Context Engine 把 Agent 的数据旅程切成六个阶段——多模态数据入湖、语义抽象、上下文装配、实时计算、记忆管理、自然语言访问——宣称要把企业全域数据从静态资产,变成 Agent 可理解、可调用、可持续进化的实时上下文。

与此同时,海外一位工程师在博客里写下了另一条线索:他给自己公司的数据搭了一个 MCP server,让 AI Agent 能查找和查询企业数据。他花时间最多的不是 server 本身,而是一个问题——为什么 Agent 总是选错表?

答案几乎都指向同一个地方:dbt 的文档。这两件事隔着太平洋,却指向同一个判断:Agent 用不好数据,锅通常不在模型,而在数据这一侧的语义供给。

🧭 六个阶段,把数据栈重新排了一遍

“数据平台的新考题,不是存得多快,而是喂得多准。

先看场景。过去十几年,企业数据平台的主叙事是「管资产」:数据入湖入仓、建模分层、报表取数,核心指标是存储成本、查询性能、数据质量。人消费数据,人是系统里最聪明的那个环节——他知道该看哪张表、口径是什么、哪些字段有坑。

Agent 一来,这个假设塌了。Agent 没有十年工龄,不知道 user_id 在你们公司到底指玩家还是账号。它每一次取数,都依赖系统主动递给它的上下文。

阿里云给出的解法,是把这条数据旅程完整拆成六段:

注意这个拆法背后的产业逻辑:前三段解决「数据能不能被 Agent 理解」,后三段解决「理解能不能持续保鲜」。多模态入湖是老活儿,但语义抽象、上下文装配、记忆管理,都是传统数仓栈里没有对应组件的新环节。数据不再是等着被查询的资产,而是需要被实时组装、按需投喂的原料。

换句话说,Context Engine 这个名字本身就在表态:Context(上下文)是新的 I/O。谁控制了上下文的生成与供给,谁就站在了 Agent 时代数据栈的咽喉位置。

🧩 Agent 选错表的那一刻,锅不在模型

“一切 Agent 与数据的失败,最后都会变成一次检索。

那位搭 MCP server 的工程师复盘得非常诚实:他把公司的 dbt 模型索引进搜索系统时发现,长文本会被截断,无法全量 embedding。最终真正进入检索的,只有一个模型描述的第一行,以及每个列描述的前两句话。

这意味着一件很反直觉的事:你写在 dbt 文档第三段、第四段的精妙解释,Agent 永远看不到。所有关键信息必须挤进第一句——这张表是什么、粒度是什么、不适用于什么,NULL 值如果有特殊含义,也要放在第一句说。

在从业者社群里,这已经是一个公开的共识:Agent 选错表的原因,几乎都能追溯到文档。多位做过 MCP 接入的工程师私下都提到同一个教训——时间不在 server,在元数据。

这就把一个长期被轻视的环节推到了台前。过去 dbt 文档是写给同事看的合规动作,现在它是 Agent 的真实 system prompt。元数据写作从此有了新的技术规范,本质上是「面向检索窗口的文档工程」:

Agent用不好数据的典型痛点
痛点 1
长描述被截断,检索只看到第一句
→
解法
结论前置,首句说清表的粒度与边界
痛点 2
AI批量生成的注释是无效信息
→
解法
由懂业务的人补写口径、空值与关联规则
痛点 3
Agent反复选错表
→
解法
把『不适用于什么』显式写进元数据
痛点 4
静态文档与实时数据脱节
→
解法
用上下文运行时统一装配实时与历史

对数据团队来说,这是一个实打实的新工种。你的 dbt 描述,从今往后就是 Agent 读到的第一手材料——写不好,后面的检索、装配、生成全是空中楼阁。

📝 让 AI 给表写注释,等于让代码向代码自我解释

“元数据的价值,恰恰在于它承载了代码之外的知识。

素材里那位工程师点出了最大的一个陷阱:300 个模型没时间写文档,于是有人会想——让 AI 从 SQL 反推描述不就完了?结果拿到的是 user_id: Identifier of user 这种废话。

问题在哪?Agent 本来就能看到列名叫 user_id。它能从 SQL 里读出来的东西,AI 生成的描述只会原样复读。真正 Agent 需要知道、而代码里写不出来的是:这个字段应该和哪张表 join、能不能为空、它指的是玩家还是账号、绝不能和哪几个同名字段混用。

一个只读模型的 AI,只能复述模型。然后 Agent 读到这段复述,什么新信息也没学到。用他原话的逻辑说:这是代码在向代码自我解释,一个死循环。

这一条对产业判断很关键。回到 阿里云 六阶段里的「语义抽象」——它之所以被单独列为一个阶段,就是因为语义无法从数据里自动推导出来。业务口径、 join 关系、字段陷阱,这些知识只存在于懂业务的人的脑子里。工具可以把这些知识结构化、索引化、装配化,但知识的最初一公里,必须由人来完成。

这也解释了为什么语义层(Semantic Layer)会成为湖仓厂商的共同押注方向:它本质上是把人的业务知识,固化成机器可消费的中间层。谁帮企业把这一公里修得越省力,谁的上下文供给能力就越强。

⚙️ 上下文是新的 I/O,账本也是新的

“Agent 时代的数据成本,藏在「装配」两个字里。

六阶段的后三段——上下文装配、实时计算、记忆管理——对应的是一笔全新的工程账。过去数据平台的成本结构很清晰:存储费、计算费、人力。现在多出来了三块:检索与 embedding 的费用、上下文组装的延迟开销、记忆存储与召回的成本。

更重要的是失败模式的差异。传统 BI 选错表,用户一眼就能看出来,报错是显性的;Agent 选错表,会静默地生成一份看起来头头是道、实则口径全错的结论——而且没人审。这两种失败模式,对数据可靠性工程的要求完全不在一个量级上。

把两种消费模式摆在一起看,差异一目了然:

维度传统 BI / 报表消费Agent 数据消费
查询发起者人,自带业务背景模型,只依赖元数据
访问模式低频、批量、结果可解释高频、碎片、自动选表
失败模式报错显性,易于发现静默选错,难以察觉
关键依赖权限与查询性能语义质量与检索截断策略
成本结构存储 + 计算存储 + 计算 + 上下文装配 + 记忆管理

这就是 Context Engine 试图解决的问题边界:它不是又一个向量数据库,也不是又一层检索封装,而是要在湖仓之上架一层「上下文运行时」,把语义抽象、实时计算和记忆管理统一编排,让 Agent 每次取数拿到的都是组装好的、口径正确的上下文。

对数据平台架构师来说,评估这类产品时要问的问题很具体:语义抽象靠什么沉淀?上下文装配的延迟和成本上限在哪?记忆的生命周期怎么管?这些问题答不清楚,六阶段就只是六个名词。

🗺️ 一场围绕上下文供给的卡位战

“湖仓大战打到下半场,比拼的不再是引擎,而是喂法。

把视角拉高。Agent 消费数据这件事,正在重塑数据平台的竞争地图:老牌湖仓厂商手握数据和治理,云厂商手握基础设施和入口,dbt 这类语义层工具手握元数据事实标准,向量数据库厂商手握检索能力——所有人都在往「上下文供给」这个新枢纽上挤。

四个象限里,最值得玩味的是左上那一格:像那位工程师一样,用 dbt 文档 + MCP 自建一套轻量方案,技术门槛不算高,但一旦跑通,商业价值可能远超预期——因为它直接决定了 Agent 能不能干活。这也是为什么大厂要在这个时间点下场做一体化产品:把语义抽象、装配、记忆这些原本散落在企业内部、靠人肉维系的环节,产品化、平台化。

而对企业来说,选择不外乎两条路:要么押注平台一体化,把上下文供给交给 Context Engine 这类产品;要么保持自建,把功夫花在元数据治理上。无论选哪条,有一点是确定的——六阶段里最难自动化的是语义抽象,最值钱的资产是写对了的描述。存算可以买,语义买不来。

小结

回到开头那个问题:Agent 选错表,锅在谁?不在模型,不在 server,在第一句没写好的文档,在没人愿意补的口径说明里。阿里云 把这件事拆成六阶段、包装成 Context Engine,是平台厂商对时代的应答;那位工程师的复盘,则是工程侧对同一件事的朴素验证。接下来一两年,判断一家企业 Agent 落地成色的指标会很土:元数据覆盖率、描述质量、口径一致性。Agent 时代的数仓建设,说到底是文档工程。

本文由本站 AI 辅助聚合生成,原始来源如下:

🔎 本文基于以下资讯(素材溯源 · 信息来源)

📰 相关阅读推荐(与本文相关的其他资讯)