别怪Agent不行，是数据没跟上

Agent的Demo一个比一个惊艳，落地一个比一个狼狈。2025年以来，大量团队经历了同一种剧情：AI助手在演示环境里对答如流、自动建应用、一气呵成，一进生产环境就卡在数据上——不是拿不到，就是拿错、拿到的是旧的、拿到的是不该拿的。核心判断就一句话：应用构建的难度已经被AI抹平了，数据访问的难度正在被放大。这轮Agent浪潮真正的工程考题，不在模型层，而在数据层。

🎬 Demo的完美，是数据的假象

金句先行：Demo是导演出来的，生产是熬出来的。

一个典型场景。某企业给业务方演示一个AI客服Agent：接上几份精选文档、一个干净的示例库，Agent问什么答什么，业务负责人当场拍板。三个月后上线，同样的Agent面对的是十几套历史系统、口径不一的客户主数据、三份互相矛盾的"最新价格表"。它回答得依然流畅——只是答案是错的。

The New Stack 的一篇文章直接点破了这件事：你的AI Agent在Demo里考了满分，但你的数据可能正在让它在生产里翻车。Demo环境之所以好看，是因为它天然规避了生产数据的三宗罪：脏、旧、散。Agent在干净数据上展现的"智能"，本质上是数据准备度，而不是模型能力。

据多位接近企业落地项目的人士反馈，Agent项目验收阶段的争议，绝大多数不在"模型不够聪明"，而在"数据对不上"——业务说报表里是这个数，Agent说库里是那个数，双方都无辜。

产业逻辑很清楚：当模型能力趋于同质化，数据准备度就是Agent项目的第一护城河。买模型容易，养数据难。

🔌 写应用不再是难事，拿数据成了新瓶颈

过去做一个内部工具，难在开发：需求排期、前后端联调、权限接口，一拖几个月。现在有了AI编程助手和Agent，团队把应用和内部工具的交付速度提到了周甚至天的级别。

然后问题来了。The New Stack 的判断很直白：AI agents加速了开发——数据访问却拖慢了它们。应用本身可以一周生成，但让这个应用安全、合规、实时地读到十套异构数据源，周期没变。开发提速十倍，数据接入原地踏步，于是整个交付的关键路径从代码侧整体平移到了数据侧。

这解释了为什么"统一API层"重新热门：与其让每个Agent各自去对接数据库、文件系统、SaaS，不如在中间放一个带鉴权、带限流、带语义的统一入口。这个思路并不新鲜——十年前它叫数据服务层，五年前它叫Data API——但Agent时代给了它新的存在理由：机器调用的数量和频率，是人的千百倍。过去为人优化的数据访问方式（登录BI看板、提SQL工单），天然不适合为Agent优化。

一位在金融行业做数据平台的朋友私下说得很糙："以前是人不许直连生产库，现在Agent比人还想直连，你说权限怎么批？"

判断是：数据访问基础设施会在未来两年成为数据平台的标配模块，就像当年的元数据管理和数据质量一样，从"锦上添花"变成"没它不行"。

🧠 上下文差一英寸，结果差一英里

金句先行：上下文给错，比上下文不给更危险。

现在市面上大量"AI上下文层"产品在做的事，是把企业的静态知识打包喂给模型：文档向量化、语义层建模、元数据目录。这些都对，但都只做了一半。一篇行业分析的说法很锋利：大多数AI上下文层都差了一英寸，而这一英寸就是一英里的错误——它们漏掉的是最难的部分：运行时上下文。

什么叫运行时上下文？三个要件：

• 当前数据：不是昨天的快照，是此刻的库存、此刻的余额、此刻的审批状态；
• 共享定义："活跃用户"在全公司必须是同一个口径，不能BI一套、Agent一套；
• 写入处的权限：权限不能只在读取时校验，Agent一旦要写数据，权限和审计必须在写发生的地方生效。

很多团队的上下文层建设，本质上是给Agent配了一个"会说话的文档柜"。但Agent的决策依据需要的是生产现场：库存变了、价格调了、客户投诉升级了——这些信息不在向量库里，在业务系统里。缺了运行时上下文的Agent，就像拿着去年地图开今年的车，方向感再好也要开进沟里。

产业逻辑：上下文层正在从"检索增强"的静态形态，演进为"读实时数据、懂共享语义、管写入权限"的运行时形态。这是数据基础设施厂商的新战场，也是传统语义层、数据目录产品必须回答的问题。

🛠️ 谁来补课：平台团队的老手艺，新考题

金句先行：Agent时代拼的不是新技术，是老基本功。

把视线拉远一点，会发现所谓"Agent数据难题"，没有一样是全新的。管道、权限、语义、质量——全是数据平台团队干了十几年的活。变的是调用方：过去是人，现在是机器，而且是不知疲倦、不辨真伪的机器。

这个演进路径说明一件事：Agent基础设施的成熟，走的是数据平台的老路——先跑通功能，再补治理。而眼下正处在"功能跑通、治理欠账"的阶段，账迟早要还。

据多位接近数据平台团队的人士观察，2025年下半年以来，不少公司的数据团队工单结构发生了肉眼可见的变化：来自BI分析师的取数请求在降，来自AI应用的上下文请求在升，而且后者对延迟、一致性、权限粒度的要求都更苛刻。数据团队第一次发现，自己最大的"用户"不是人。

落地上的建议其实朴素：第一，把面向人的数据接口和面向Agent的数据接口分开治理，后者必须有机器可校验的权限声明；第二，指标口径先行收敛，别让Agent替你统一业务定义；第三，所有写入路径必须有审计和回滚，把Agent当"最莽撞的新员工"来设权限。没有捷径，只有工程。

结语：别在模型上卷了，去数据上掘金

Agent浪潮走到今天，剧本已经清晰：模型能力快速外溢，应用开发门槛归零，剩下的硬骨头全部长在数据侧——访问要快、口径要一、权限要严、上下文要实时。Demo与生产之间的鸿沟，说到底是数据基础设施成熟度的差距。

往前看，谁能把统一API层、运行时上下文和写入侧治理做成开箱即用的能力，谁就握住了Agent时代数据基础设施的入场券。而对企业来说，与其继续在选模型上纠结，不如先回答一个朴素的问题：你的数据，准备好了让机器来问了吗？