一张长期无人读取的表，能不能直接下线？

对数据团队来说，这不只是清理文件。表虽然没人读，后台任务却可能仍在持续写入；停掉一个任务，又可能牵连其他业务。哪些资源可以省、哪些不能动，往往难以判断，于是，一批“可能没用、又不敢动”的数据与任务，长期占用资源。

在网易智企内部的一次治理实践中，帝王蟹 ClawHive（网易智企企业级 AI Agent 平台）与数据开发治理平台EasyData协作，从存量任务中筛选分析范围，通过SQL解析、状态过滤和依赖判断，形成了177条任务级治理建议，交由负责人确认执行。

日前，在DACon 2026·北京站，网易智企·数帆技术负责人蒋鸿翔围绕“为Agent重建数据层”，介绍了网易智企·数帆产品的AI Native演进实践——当数据平台的使用者从人扩展到Agent，数据底座需要怎样改变，才能让智能体进入实际工作流？

网易智企·数帆技术负责人蒋鸿翔作主旨分享

模型更强，为什么还要建设数据底座？

传统数据平台围绕人的操作设计：工程师创建任务、编写SQL、排查故障，业务人员查看报表、判断变化。进入Agent时代，这些环节开始由人和智能体共同完成。

但模型具备通用知识，并不意味着它了解一家企业的具体业务。

一个常见例子是“赢单率”。销售部门可能用中标项目数除以投标项目总数，市场部门可能关注中标项目与市场线索的比例。两种口径各有用途。即使模型把计算做对了，只要用错口径，结论仍可能无法用于决策。

前不久，量子位智库发布的《Agent驱动的企业智能化：单点提效到规模化重塑》也指出，企业需要从“数据可用”走向“上下文可信”。质量、时效、语义一致性、血缘和权限，共同决定数据是否适用于当前任务。

这也是分享中强调Data First（数据先行）的原因。数帆的数据产品从网易内部业务中孵化，再服务金融、国央企、制造等行业。长期处理数据开发、调度与治理问题，让团队更关注模型接入之后的基础条件：哪些数据可以直接使用，哪些业务定义仍需确认，哪些操作必须保留人工把关。

数帆将产品演进分为三个层次：基础设施承接更多类型的数据，开发治理平台开放可调用的工具与场景，数据应用则加强业务理解和结果校验。数据底座由此承担起新的职责：既要生产和管理数据，也要把已有资产组织成Agent能够理解、调用和核验的服务。

从面向人到面向Agent，平台要开放什么？

首先变化的是数据范围。企业分析涉及业务库表，也涉及文档、图片和音视频。数帆的基础设施演进思路，是统一管理结构化与非结构化数据，并通过统一目录组织元数据、权限和血缘，让Agent能够发现可用资产。计算体系也随之扩展，支持传统数据计算与多模态数据处理协同运行。

围绕EasyData，数帆采用接口、技能、语义、场景、入口五层结构推进改造。

接口层通过OpenAPI、MCP以及CLI等方式开放能力，并由统一网关承担鉴权、权限管控和审计，避免将访问控制分散到各个入口。智能体获得新的调用方式，也必须遵守平台既有的操作边界。

技能层将能力组织为“1＋4＋N”：一个总控编排，四类场景级技能，以及可持续扩展的原子能力技能。单项能力可以复用，多项能力可以组合为完整任务。

语义层解释“有什么数据、代表什么、怎么开发”；场景层进一步组合技能与语义，覆盖数据开发、任务运维诊断、数据治理和定开评估。入口层则支持平台内置Agent、第三方Agent平台及IM机器人接入。

这套设计的考虑是，Agent框架会快速迭代，平台应当把可复用的工具、规则与语义能力沉淀下来，让不同入口按需调用。

其中，语义建设尤其重要。EasyData可以利用已有表结构、字段注释、数据标准和血缘关系，自底向上组织语义资产；再结合文本、向量与图谱检索，将业务概念、指标定义和物理表关联起来。

例如，用户询问“活跃用户有多少”，系统不仅要找到相关文档，还需要明确活跃的定义、按天还是按月统计，以及到哪里取数。语义层把指标口径、计算公式与物理表关联起来，为Agent补足业务依据；发现口径冲突时，再交由人确认。

177条治理建议，是怎样形成的？

回到开头的任务治理案例。传统做法可以统计一张表多久没有被访问，却难以仅凭这一信号，判断关联任务该如何处置。只清理存储，也可能留下仍在持续消耗计算资源的任务。

ClawHive与EasyData协作时，采用了另一条路径：以平台已有的推荐下线表清单为起点，反向查找仍在向这些表写入数据的任务。

系统先解析任务节点中的SQL，识别产出表，再过滤禁用节点、已暂停任务等不应纳入判断的对象，最后结合产出范围和下游依赖，给出任务下线、暂停调度、节点禁用或节点调整建议。

数帆的分享材料显示，这一环境共有36996个调度任务。经过筛选，本次SQL分析覆盖7320个已调度任务，最终形成177条治理建议，涉及226张推荐下线表。清单列明负责人、调整类型及推荐原因，便于后续分派与确认。

需要明确的是，这次分析全程只读，输出的是建议清单，并未由Agent直接执行下线、暂停或删除。相应规则已封装为可复用的Skill，按月自动运行则属于后续规划。

这项实践的价值，是把“哪些资源可以停、停了会影响谁”转化为有依据、可分派的治理工作。平台提供任务事实和依赖信息，Agent组织分析，负责人确认变更，治理范围也由存储延伸至相关计算任务。

类似思路也进入了运维。业务团队利用某通用办公平台接入EasyData开放的命令行接口，构建自己的运维Agent，将异常发现、日志取证、规则匹配、诊断意见和播报串成流程。未命中既有规则的情况，由模型辅助归因，生成待人工复核的草案，再反哺规则库。后续操作由人确认，当前阶段以只读诊断为主，自动修复仍在规划中。

从调用工具到业务分析，还要补上哪些能力？

EasyData管理的许多资产，本就由平台工具生产，已有一定标准与血缘基础，因此可以利用规整后的元数据，自底向上组织本体与语义。DataAgent直接面向业务使用者，则需要从业务指标、实体和口径出发，自上而下构建语义，不能预设客户的数据已经规范，也不能预设用户把分析条件说清楚了。这一过程需要业务人员参与。

“最近一个月”指本月截至今天，还是向前推30天？“销售额”指订单金额、销售收入，还是其他指标？“为什么下降”又该优先分析哪些维度？这些问题需要结合业务场景澄清。

因此，数帆在DataAgent侧投入更多业务本体与语义建设，将业务实体、指标、关系及分析规则，与底层数据对应起来，并沉淀数据集、业务本体语义和业务数据看板三类资产。同时，通过Harness工程组织约束和校验，覆盖选数、计算、权限、验证与评测等环节。

当指标选择置信度不足时，系统需要发起澄清；复杂计算交给语义层和代码执行；权限由系统在查询时校验；执行失败或结果不符合要求时，再进入修正流程。模型负责理解和组织分析，工程机制负责限定执行条件、保留核验依据。案例显示，团队在2026年完成100余项优化，所展示真实场景的问答准确率在半年内从66%提升至95%以上。

这也不意味着企业必须先把所有语义建设完毕，才能开始应用。企业可以先选择一个高价值场景，在真实使用中收集澄清结果、用户反馈和错误案例，持续补充定义与规则，再向下一个场景扩展。关键在于让应用问题能够反馈到资产建设中，让每一次修正都有机会被后续任务复用。

订单为什么迟交？让分析进入业务流程

制造业订单全链路分析，是分享中的另一个案例。

一笔订单从采购入库、生产排产、订单执行，到仓储发货、物流在途和客户签收，要经过多个系统与部门。交付受阻时，业务人员常常只能看到结果，却要逐层追查：卡在哪里，卡了多久，是否会影响后续履约？

数帆通过语义图谱关联销售、生产和采购等节点，结合指标计算与归因分析，支持订单履行健康度诊断、交付风险监控，以及环节耗时和瓶颈分析。

数帆的实践案例显示，该制造业场景的问题排查效率提升90%，订单准时交付率提升10%以上，产销计划达成率提升15%。这些收益对应具体业务实践，其基础是跨系统数据和业务口径能够衔接，让问题定位与风险监控有据可依。

分析完成之后，还可以继续沉淀。DataAgent支持将分析结果保存为看板与模板，将分析过程固化为技能，并结合指标监测和定时推送，让一次问答形成后续可复用的资产。

对企业决策者而言，评估Agent不能只看演示效果，还要看数据来源和口径是否清楚、调用是否受控、结果能否核验。数据底座建设的价值，最终体现在具体工作中：减少重复排查，支撑业务判断，并让每次使用的经验能够沉淀下来。