首页
学习
活动
专区
圈层
工具
发布
社区首页 >专栏 >AI 原生企业的智能体底座:语义层、驾驭工程与数据飞轮

AI 原生企业的智能体底座:语义层、驾驭工程与数据飞轮

原创
作者头像
OneCode
发布于 2026-11-20 22:52:17
发布于 2026-11-20 22:52:17
80
举报
文章被收录于专栏:ooderAgentooderAgent

Agentic Enterprise · 底座设计

AI 原生企业的智能体底座:语义层、驾驭工程与数据飞轮

从表单与流程,到业务对象与 Agentic Workflow;让业务部门自己造智能体,让平台守住边界

2026-11-20 | 阅读约 20 分钟 | 语义层 · Agent Harness · 数据飞轮

摘要:2026 年,企业智能体的竞争已经从“接入模型”转向“上下文与治理”。行业讨论的焦点,不再是“Agent 能不能跑”,而是“Agent 能不能 grounded(有依据)、能不能 write-back(写回业务)、能不能被治理”。本文以 formAgent 与 skillCenter 沙箱为样本,把“表单 / 流程 / 知识库”这些上一代概念升级为“业务对象 / Agentic Workflow / Context 层”,并给出 AI 原生企业智能体底座的三个新基建:语义层、驾驭工程、数据飞轮,以及 A/B/C 控制平面如何让高效与安全同源。

本文结构

  1. 语义层:业务部门直接定义企业本体
  2. 数据飞轮:专业 Agent 的检索、分析与规则回填
  3. 控制平面:A/B/C 让高效与安全同源

过去两年,企业级智能体最大的误区,是把“表单”当成业务对象,把“知识库”当成上下文,把“流程”当成 Agent 编排。概念不升级,底座就会停留在上一代:页面画得越来越快,但 Agent 依然不知道“这个字段是什么意思、这条规则为什么这么算、结论该写回哪里”。

2026 年的行业共识已经很清楚:没有语义层,Agent 的准确率会在跨系统数据面前迅速下降;没有 Harness,Agent 的能力无法稳定复现;没有数据飞轮,Agent 永远是一次性工具。本文讨论的,正是这三件事如何落到一个可运行、可治理的企业底座上。

01语义层:业务部门直接定义企业本体

“技术平权”这个词已经不新鲜了。真正的问题是:业务部门到底被赋予了什么权力?如果只是“能拖拽页面”,那不是平权,而是把 UI 编辑器的负担转移给了业务。AI 原生企业要赋予业务部门的,是定义业务对象、企业本体与 Agent 行为边界的权力。

先把概念升级讲清楚。下面五组词,代表了从“上一代信息化”到“AI 原生”的跨越:

旧概念

新概念

为什么要升级

表单

业务对象 / 语义契约

表单只是业务对象在某个节点上的呈现;业务对象才是可复用、可校验、可编排的语义契约。

流程

Agentic Workflow

流程是给人走的;Agentic Workflow 是人类、Agent、工具共同执行的编排。

知识库

Context 层

知识库是文档集合;Context 层是经过治理、可以进入模型上下文的企业语义。

字段字典

企业本体

字典是选项集合;本体是概念、关系、约束、证据与版本。

技能沙箱

Agent Harness

沙箱只是隔离环境;Harness 是上下文、标准、护栏与运行时的组合。

图 1 语义层不是“业务写代码”,而是“业务定义对象与语义,平台提供 Harness 与治理”

1.1 业务对象 + 企业本体:让业务数据闭环到语义层

业务部门提出需求时,通常不会说“我要一个 Entity”,而是说:“报销单要有费用类型、金额、部门、收款账号;费用类型只能从财务的枚举里选;金额要带两位小数;部门要带出负责人。”这些话里,已经包含了业务对象、属性、类型、枚举、外观与引用关系。

formAgent 做的第一件事,是把这些业务语言归一成三类契约:ObjectSpec(业务对象与属性,落地时对应 ModelSpec)、FormSpec(布局、校验、动作)、BindSpec(Workflow 节点与字段权限)。三条建模路线——视图优先、数据库表优先、模型/字典优先——只是契约的不同来源,后续的生成、编译、绑定、发布走同一条流水线。

概念升级的关键:不要再说“做一张表单”。要说“定义一个业务对象,并声明它在申请、审批、查询、报表四个场景下分别如何呈现”。表单是视图,业务对象是资产。

图 2 业务对象工作台(原表单设计器):左侧组件与字段树,中间栅格画布,右侧属性;业务人员直接调整布局、校验、字典与 Workflow 页签。截图来自实际运行界面。

“数据库表优先”是存量企业最需要的入口。很多企业的业务规则并不在文档里,而在十几年前建的那张表里。贴一段 CREATE TABLE,解析字段、类型、注释与主键,一键生成业务对象与实体;对象属性改了,还能反向吐出差分 ALTER语句。存量系统不必重写,先被理解,再被接管。

图 3 数据库表优先:贴 DDL → 解析字段 → 一键生成业务对象与实体;同一份表结构还能回吐变更 SQL。截图来自实际运行界面。

“模型/字典优先”则更接近业务部门的日常语言。财务模板、主数据、枚举三本字典已经沉淀为可检索的模型目录:选择公司、选择模板、勾选字段,系统自动带出控件类型、枚举候选、必填与外观。业务部门不需要知道 VARCHAR(32)和 DECIMAL(18,2)的区别,只需要确认“这个属性是不是这个意思”。

图 4 模型/字典优先:财务模板、主数据、枚举形成模型目录,勾选字段即可生成业务对象。截图来自实际运行界面。

真正让这套能力产生复利的,是企业本体。它不是文档库,而是业务对象的可计算语义:术语与别名、枚举与选项值、模板字段、类型映射、命名归一、外观规则、弹出数据源,以及公司/租户作用域。

当一个属性被提交给本体索引时,系统按“语义精确 → 别名精确 → 包含匹配”的顺序检索,并给出候选的控件类型、枚举、外观与置信度。置信度 ≥ 0.9自动采用;0.6–0.9进入人工确认;< 0.6交给 LLM 兜底或人工对象化。这条分级线,是自动化与可控性之间的工程分界。

图 5 业务数据闭环到语义层:感知采集 → 语义解析 → 本体对齐 → 对象契约化 → Agent 复用,再由反馈与晋升把经验写回本体

以“报销单”为例。业务人员写下“费用类型”,本体把它解析为枚举属性,并带出财务模板级的选项;写下“税额”,本体带出金额类型、两位小数与单位;写下“部门”,本体带出组织引用与负责人弹出源。第一次是人工确认,第二次是自动带出,第三次就变成了部门默认值。

表单是一次性的,业务对象与企业本体是复利的。业务数据闭环到语义层之后,下一次建模不是从零开始,而是从企业已经确认过的语义开始。

更重要的是,本体的修正不是“直接改大字典”。修正样本先进入反馈队列,经过 accepted / corrected / rejected / pending的裁决,再以 promotion overlay 的方式晋升;晋升结果可审计、可回滚,不直接污染 base 本体。这让业务部门敢于修正,也让平台敢于放开修正。

1.2 Context 层:业务部门独立运营上下文

2026 年最热的技术词之一,是 Context Engineering(上下文工程)。它讲的不是“把文档塞进向量库”,而是决定:什么信息进入上下文、以什么粒度进入、什么时候失效、由谁负责更新。知识库只是 Context 层的一个数据源,远不是全部。

很多企业的知识库失败,不是因为文档太少,而是因为上下文没有流程:谁提出、谁起草、谁评审、谁发布、谁修订、谁负责,全是模糊的。结果是文档越堆越多,口径越查越乱。

图 6 Context 运营流程:业务部门提出与确认,Context 管理员起草、评审、发布与留痕,Agent 检索、引用并触发反馈样本

在这套流程里,业务部门不是知识库的“读者”,而是 Context 的作者与维护者。他们提出口径需求、提供正例反例、确认适用边界;Context 管理员负责把口径写成可检索的条目、组织评审、发布版本、保留解释链;Agent 负责在使用中引用、标注不确定、把结果与偏差回填到反馈队列。

流程背后有三条硬规则:

RULE 01

只增不删

既有解释不能被悄悄抹掉。新口径可以叠加、可以修订,但历史解释必须保留,保证企业语义的演化史可追溯。

RULE 02

解释留痕

每一条口径都要能回答“谁提出、依据是什么、适用到哪里、什么时候生效”。Context 不是结论,Context 是结论加证据。

RULE 03

发布可回滚

Context 版本与 Workflow、Agent 版本一样,必须可回退。口径变更不是一次性的公告,而是一次受控的发布。

当 Agent 回答业务问题时,它不是在“自由发挥”,而是在检索 Context 层与企业本体之后,带着出处和口径回答。下面这张截图来自财务 Agent 的实际运行:用户询问“产出物位置校验”,Agent 在 Context 层中定位到最相关的流程规则,并给出产物归属、产出声明与校验点。

图 7 财务 Agent 检索 Context 层后回答“产出物位置校验”:引用 HISTORY 层、artifacts、producedOutputs 等口径,并保留执行轨迹。截图来自实际运行界面。

这张截图说明了一件事:Context 层的价值不在于“存了多少文档”,而在于“回答时能不能被引用、被追溯、被修正”。当业务部门拥有解释权,平台就不需要替业务解释;当解释留痕,Agent 就不需要靠提示词“猜”。

1.3 Agent Harness:全生命周期驾驭

Gartner 在 2026 年软件工程趋势中,把 Harness Engineering(驾驭工程)定义为:用上下文、标准与护栏配置 AI Agent,使其可靠执行任务;并预测到 2028 年,具备 AI coding harness 基础设施的组织,部署后缺陷会显著减少。这个判断对业务 Agent 同样成立:Agent 的能力上限,不只取决于模型,而取决于它被什么样的上下文与护栏驾驭。

通用底座必须覆盖 Agent 的全生命周期:业务对象需求、语义建模、对象契约、契约门、Agent 技能包、Harness 装载、Workflow 绑定、发布、运行回流。

图 8 Agent Harness 全生命周期:语义建模沙箱负责“定义对象”,Harness 负责“驾驭运行”,契约门与 Workflow 绑定把两端收口

这里有两个沙箱,职责不同,但共享同一套租户、令牌、白名单与审计:

沙箱

输入

产出

归属

语义建模沙箱

业务语言、DDL、视图、存量代码

ObjectSpec / FormSpec / BindSpec / 产物

B + C

Agent Harness

C 层代码包、能力声明、上下文与护栏

可运行的部门 Agent 与技能

C

契约门是语义建模沙箱的出口。它从结构完整性、类型与控件、命名规范、Workflow 绑定、对象完备性五个维度评分;BLOCK 级问题阻断发布,WARN 可运行但需修复,INFO 只是优化提示。契约门不是“建议”,而是发布前必须通过的机器闸门。

图 9 契约门:五维各 20 分,总分 100;BLOCK 阻断发布,WARN 与 INFO 分级提示。截图来自实际运行界面。

Harness 则由 skillCenter 管理。它的契约非常克制:每租户一个沙箱,不区分工程;只允许 C 层能力(构建、运行、测试、日志);心跳上报的模块必须是 ooder-biz-*、ooder-domain-*或中心已登记的工程;心跳超时即离线,不换绑、不回传密钥;共享令牌未配置时默认拒绝,而不是放行。

下面这张截图来自 codeAgent 工作台:左侧是工程与 VFS 文件,中间是对话与执行,右侧是 Harness 状态——沙箱地址、令牌、工程绑定、编码探测、harness 结论与日志。它把“代码在哪里、跑在哪个沙箱、能不能编译/打包/部署/运行”这些事实,直接摊在了业务与研发面前。

图 10 codeAgent 工作台:工程、VFS、Harness、执行状态同屏可见;Harness 只承担 C 层代码,状态可探测、可审计。截图来自实际运行界面。

Workflow 则是把“对象契约”与“Agent 运行”粘起来的最后一公里。流程定义列表展示了定义总数、写操作开关、上游来源与只读/可写状态;运行态再把节点与字段权限矩阵写进 config.fieldPerm,让“谁能看到什么、谁能改什么”在流程到达节点时自动生效,而不是靠前端隐藏。

图 11 Agentic Workflow 定义与写操作审计:定义总数、写操作开关、上游来源、只读/可写状态集中呈现;写操作受开关与审计约束。截图来自实际运行界面。

全生命周期可用的标志,不是“功能很多”,而是:业务部门能自己从业务对象走到 Agent 上线,并且每一步都有契约门、有回退、有留痕。

◆ ◆ ◆

02数据飞轮:专业 Agent 的检索、分析与规则回填

2026 年的企业智能体,不再比“谁更会聊天”,而是比“谁能把分析结论写回业务”。如果 Agent 只能生成一段报告,它就是一个高级搜索框;如果 Agent 能把结论写回字段、指标、规则与流程节点,它才成为企业系统的一部分。

2.1 专业 Agent 的工作方式:四步闭环

  1. 语义检索:先找依据,再回答同时检索企业本体与 Context 层:本体给出对象、属性、枚举与数据位置,Context 给出口径、解释、案例与政策。检索结果带出处,不带出处的不进入结论。
  2. 语义查询:按口径取数,而不是临时写 SQL查询技能绑定的是已经确认过的业务对象与指标口径。业务人员看到的是一句业务问题,系统执行的是受控查询;权限、租户、数据范围在查询前就已经确定。
  3. 归因分析:对比、归因、风险提示分析不是生成一段“看起来很像”的文字,而是基于取数结果做对比、归因、异常识别与风险提示。结论必须能回到数据与口径。
  4. 规则回填:把结论写回业务把分析结果写回字段、指标、规则或流程节点:凭证字段、费用类型、税率、指标定义、合同条款、履约节点。没有回填,分析就是一次性消耗;有了回填,分析才会变成下一次的默认值。

判断一个专业 Agent 是否“专业”,不看它说了什么,而看它能不能回答三个问题:依据来自哪里?数据怎么取的?结论写回了哪里?

2.2 三类专业 Agent:同一底座,不同领域包

财务、BI、合同看起来是三个完全不同的领域,但放在通用底座上,它们的结构高度一致:都有自己的数据源、本体用法、分析产出与回填对象。

Agent

主要数据

本体用法

分析产出

回填对象

财务 Agent

银行流水、发票、报销单、科目余额、合同付款节点

科目、税额、费用类型、账龄、往来单位

税负分析、凭证生成、账龄扫描、报销直付

凭证字段、费用类型、税率、付款状态

BI Agent

预算、资金、风险事件、项目与组织数据

指标、维度、预算科目、口径

预算对比、资金展望、风险雷达、结构分析

指标定义、分析主题、预警规则

合同 Agent

合同主表、条款、相对方、履约节点、收付款计划

条款类型、金额、税率、相对方、节点

条款风险、履约进度、收付款计划

条款字段、履约节点、付款条件

先看财务。下面这张截图来自财务 Agent 的实际运行:用户让“税务雷达执行体”导出上个月的税负分析结果;Agent 自动取数,梳理科目余额表与应交税费明细科目,生成税负分析表并补齐历史月份,校验资产负债表的资产与负债权益合计是否平衡,同时提示个税需要用户上传申报数据。

图 12 财务 Agent 的税负分析:自动取数、科目梳理、税负分析表、资产负债平衡校验、个税待办与转换结果 ID。截图来自实际运行界面。

这张截图里有三个值得注意的细节。第一,Agent 不是“直接回答税负是多少”,而是先把取数过程、科目范围、月份范围、校验结果摊开;第二,它知道自己的能力边界,个税数据需要用户上传,就明确提示,而不是编造;第三,它产出了转换结果 ID,说明分析结果进入了可追溯的产物体系,而不是停留在聊天窗口。

再看 Agent 入口。财务、技术、数据决策、知识、专利、代码等 Agent 并列在同一个入口里,用户不需要记住每个系统的地址,只需要选择“谁来处理”。这背后不是简单的菜单聚合,而是统一的 Agent 名册、能力声明与路由。

图 13 统一入口下的专业 Agent:财务、技术、数据决策、知识、专利、代码;用户选“谁来处理”,平台负责路由到对应能力。截图来自实际运行界面。

名册层则把“有哪些执行体、各自能做什么、挂在哪个节点上”变成可核对的事实。下面这张截图展示了财务域的执行体:银行流水转换、报销付款导出、开票回款对账、税负分析;每个执行体都有能力数、场景组与节点信息。

图 14 Agent 名册:财务域执行体(流水转换、报销付款、开票回款对账、税负分析)与能力数、节点信息集中呈现,便于对账与治理。截图来自实际运行界面。

BI 与合同 Agent 遵循同样的结构,只是领域包不同。BI 的“分析”更多落在预算对比、资金展望、风险雷达与结构分析;合同的“分析”更多落在条款风险、履约进度与收付款计划。它们共享同一套本体口径、同一套对象契约、同一套 Workflow 待办与 Harness 技能,差异只在 B/C 层的领域包。

专业 Agent 的专业化,不在提示词,而在领域包。提示词决定它“像不像专家”,领域包决定它“是不是专家”。

2.3 数据飞轮:业务主导的自助维护

把上面的四步闭环连起来,就得到一张数据飞轮:业务对象数据进入语义检索,检索支撑语义查询,查询支撑归因分析,分析产生规则回填,回填沉淀为本体与 Context,本体与 Context 再服务下一次检索。

图 15 业务主导的数据飞轮:语义检索 → 语义查询 → 归因分析 → 规则回填 → 本体/Context 沉淀 → 再检索

这张飞轮有三个“业务主导”的设计点:

主导点 01

规则由业务确认

本体候选、Context 条目、指标口径是否晋升,不由模型自行决定,而由业务部门确认。Agent 可以建议,但不能代替业务签字。

主导点 02

结果由业务评价

分析结论是否符合预期,由业务在使用中反馈。反馈进入 accepted / corrected / rejected 队列,成为下一轮修正样本。

主导点 03

版本由业务决定

口径什么时候生效、适用哪些部门、是否回滚,由业务与 Context 管理员共同决定;平台只负责版本、权限与审计。

行业坐标:CAICT《智能原生(AI Native)研究报告(1.0)》把飞轮拆成数据闭环、模型迭代、用户感知、价值转化四个要素;Gartner 2026 年战略技术趋势把多智能体系统(MAS)与 Harness Engineering 列入重点。本文的差异是:不把飞轮停在方法论,而是把它落到可执行的 B/C 资产——业务对象、企业本体、Context 层、Agent 技能包与 Workflow。

举个具体的例子。税负分析时,Agent 发现“进项税额”的取数口径与财务确认的口径不一致:有的月份按认证日期,有的月份按入账日期。它没有直接改数,而是把差异、影响金额与两种口径的对比回填到反馈队列。业务确认“以认证日期为准”,Context 管理员发布新版本,本体晋升对应的属性口径。下一次分析,Agent 自动按新口径取数,不再需要人工提醒。

这就是“业务主导的数据飞轮自助维护”:飞轮不是模型自转,而是业务规则的自转。模型负责检索、计算与回填,业务负责确认、评价与版本;平台负责权限、审计与回滚。

◆ ◆ ◆

03控制平面:A/B/C 让高效与安全同源

讲到这里,一个自然的问题会出现:业务部门权力这么大,平台怎么保证安全?答案不是“收紧权限”,而是“分层 + 控制平面”。A/B/C 不是一张架构图,而是一套治理契约:谁能改什么、多久改一次、改坏了怎么办,全部写成可执行的规则;身份、策略、运行时与生命周期,由控制平面统一编排。

3.1 三层职责:A 持平台,B 持领域,C 持实现

层

持有什么

绝不持有什么

发布节奏

A Agent Runtime

会话、意图路由、编排引擎、A2A、SSE、VFS、工具目录

任何业务词表、领域知识、部门流程

月级

B 语义声明层

业务对象契约、企业本体、Context 层、Workflow 定义、SPI 契约

具体业务实现、租户私有代码

客户周期

C Agent 实现层

业务对象生成器、专业 Agent 技能、部门私有逻辑

契约定义、平台能力

天 / 小时级

三层之间只有一条合法调用路线:A —(意图)→ B —(workflow / ObjectSpec)→ skills → C。A 不直连 C;B 是语义与声明的关口;C 只做实现。这条路线同时解决三件事:解耦(A 换版本不影响 B/C)、审计(跨界流量过 B 的 workflow)、权限(A 拿不到 C 的内部实现名)。

图 16 A/B/C 控制平面与 Guardrails:每层有明确的承载物、铁律与发布节奏;门禁把“安全”做成机器可判定的规则

3.2 安全:把边界做成运行环境

安全不是给 Agent 加一句“不要乱改”,而是让它在机器可判定的边界内自由行动。Agent Harness 的每一条契约,都是这条原则的落地:

  • 只跑 C 层:Harness 能力只允许 C_LAYER_BUILD / RUN / TEST / LOG,心跳上报的模块必须是 C 层白名单或中心已登记工程;
  • 租户隔离:每租户一个 Harness,不区分工程;同一租户换 Harness 需要先释放,禁止静默换绑;
  • 默认拒绝:共享令牌未配置时一律拒绝,而不是放行;心跳超时即离线,不回传任何密钥;
  • 变更门禁:业务词表扫描、SPI 变更闸、语义禁删闸、流程回环不变式、隐式装载闸、名册对账、能力对账,七道门禁在变更落库前逐项判定。

这些规则有一个共同点:它们都不依赖模型自觉。默认拒绝、白名单、TTL、只增不删、机器对账,全部是可计算、可验证、可回滚的。企业不必“信任 AI”,只需要信任这套闸门。

3.3 高效:让变更节奏彼此正交

高效不是“改得快”,而是“改得不动底座”。A/B/C 把三种变更节奏物理隔离:平台月级发布,领域按客户周期发布,业务按天/小时发布。三者互不牵连,才可能出现“业务部门当天改、当天上线”的效率。

  • 替换 C 包即发布:业务 jar 与平台基线保持数量级差异,替换 lib/biz/不需要重传平台基线;
  • 一次沉淀、多部门复用:企业本体、对象契约、Workflow 定义归 B 层,财务沉淀的口径可以被合同、BI 复用;
  • 多租户共享底座:每个租户一个 Harness,共享同一套 A 层能力,但代码、数据、令牌彼此隔离;
  • 运行态可回滚:Context 版本、Agent 技能包、Workflow 定义都保留回滚资产,出问题以分钟计恢复,而不是以天计排查。

高效与安全不是取舍,而是分层的结果。分层越清,业务越敢改;边界越硬,平台越敢放。

回到文章开头的问题:业务部门能不能直接定义企业本体与 Agent 行为?能,但前提是语义有地方放、Context 有流程评审、契约有版本可回滚、Agent 有 Harness 可运行、变更门禁可拦截。通用企业智能体底座的核心设计,正是把这五个“有”做成默认能力,而不是项目交付时的一次性承诺。

04结语:AI 原生企业的终点,是业务部门自己能造 Agent

把全文收束成三句话:

第一,业务对象 + 企业本体,证明“业务语言可以编译成语义契约”。表单只是视图,业务对象才是资产;三条建模路线与四类逆向,让存量系统也能被理解、被接管。

第二,Agent Harness 证明“业务实现可以被隔离生产”。每租户一个 Harness、只跑 C 层、心跳续约、离线即拒绝、密钥不回传,让业务部门可以快速发布,而平台不必承担不可控的风险。

第三,Context 层 + 数据飞轮,证明“不同部门的数据可以共享同一套语义”。本体管业务对象的语义,Context 管口径与解释;一个负责“是什么”,一个负责“为什么”。两者都不属于某个 Agent,而属于企业自己。

三者合起来,就是 AI 原生企业智能体底座的核心设计:A 持平台,B 持领域,C 持实现;语义建模沙箱负责定义对象,Agent Harness 负责驾驭运行,企业本体与 Context 负责让一切说同一种语言。

判断 AI 原生底座是否真正成立,只需要问一个问题: 业务部门新增一个业务对象、改一个 Agent 行为、换一个口径,还需不需要找平台排期? 如果不需要,而且改完还能回滚、能审计、能复用,那么底座就成立了。

最终交付给企业的,不是几个财务、BI、合同 Agent,而是一条任何部门都能自己使用的 Agent 生产线。平台在背后守住边界,业务在前台定义语义;Agent 在中间完成语义检索、受控查询、归因分析与规则回填。数据越用越准,规则越用越厚,Agent 越用越多——这才是 AI 原生企业智能体底座真正的价值。

说明:本文截图来自项目实际运行界面,示例数据仅用于说明架构与流程;图中出现的组织、人名与金额不代表真实业务数据。流程图使用 SVG 绘制,发布到公众号前建议导出为 2x PNG 以适配平台图片格式。 行业参考:Gartner《2026 年十大战略技术趋势》与《Hype Cycle for Agentic AI》;CAICT《智能原生(AI Native)研究报告(1.0)》;Gartner 2026 软件工程趋势中的 Harness Engineering;Atlan《Ontology AI Grounding》;Bain《The Lakehouse Becomes the Agentic Enterprise Control Plane》;Capgemini《Agentic Process Automation 2026》。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

目录
  • AI 原生企业的智能体底座:语义层、驾驭工程与数据飞轮
    • 01语义层:业务部门直接定义企业本体
      • 1.1 业务对象 + 企业本体:让业务数据闭环到语义层
      • 1.2 Context 层:业务部门独立运营上下文
      • 1.3 Agent Harness:全生命周期驾驭
    • 02数据飞轮:专业 Agent 的检索、分析与规则回填
      • 2.1 专业 Agent 的工作方式:四步闭环
      • 2.2 三类专业 Agent:同一底座,不同领域包
      • 2.3 数据飞轮:业务主导的自助维护
    • 03控制平面:A/B/C 让高效与安全同源
      • 3.1 三层职责:A 持平台,B 持领域,C 持实现
      • 3.2 安全:把边界做成运行环境
      • 3.3 高效:让变更节奏彼此正交
    • 04结语:AI 原生企业的终点,是业务部门自己能造 Agent
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档