先说结论

这场论坛的名字很长——「为 Agent 重塑数据服务：Data Agent 的入口、协同与落地」——但它回答的问题很短：当 Agent 已经足够聪明，为什么企业还是用不起来？开场讲者、阿里云数据库产品事业部生态工具部与 DBaaS 产品部负责人周方圆用开场那个经典问题定调：业务老板问一句"为什么收入下降了"，背后是订单、库存、营销、PR 多个系统里口径不一的数据和无数次"这个数到底准不准"的校对会 [0-240s]。整整三个半小时、七个议题、十四位讲者，给出的答案是同一条逻辑链：Data Agent 的瓶颈不在模型，而在语义没对齐、经验没沉淀、交付没验收。阿里云为此把数据服务为 Agent 重做了一遍——AI DBS 的三层底座、Agent Context 的记忆-知识-技能循环、PolarDB Agent Squad 的任务契约、AnalyticDB 的多模知识库，最后用 FDE（Forward Deployed Engineer，前置交付工程师）补上最后一公里；而富友支付、古茗、小红书、贪玩游戏、延锋国际、沃趣科技六类客户与伙伴给出的数字，比产品发布更有说服力。最值得记住的一句话来自压轴讲者于海涛：能被 Agent 调用，代表产品拿到了进入 Agent 生态的入场券；能被企业认可和托付，才决定它能不能进入生产核心 [11760-12000s]。

（说明：本文基于该论坛官方回放转写整理，转写全文 0s–14063s 已完整覆盖；讲者名单与讲题经云栖官方议程页核验（agendaId=133，9月23日，国博一期-3F-大宴会厅A）。转写中的 ASR 误识已按议程与外部资料校正，如 PolarDB Agent Score→Squad、古明/股民→古茗、富有→富友、NITDB→AnalyticDB 等，详见文中标注；无法确认的专名保留转写原文并注明"转写疑似"。）

一、语义先于智能：数据没准备好，Agent 越快越危险

论坛反复回到同一个前提：模型层已经卷不出差异化，数据层才是 Agent 生产化的瓶颈。周方圆的复盘很直白——做靠谱的 Data Agent 需要两个东西，数据靠谱（这是数据库的基本功：结构化、权限清晰、流程可追溯）和跟上业务变化的敏捷（需求千奇百怪，从查库存到支付风控，过去的 schema 查询和手写 SQL 撑不住）[120-360s]。他的解法是把两者放进同一个体系：底层把存量数据变成 AI 可用的数据源，中间层把数据库语义、企业最佳实践文档和口径定义对齐成他称之为 data wiki 的资产——“我要销售额，是订单结算金额、合同金额，算不算退款，每个企业理解不一样” [240-480s]；顶层才是开箱即用的预装 AI 服务和一个能查库、能搜网、能读文档的 Super Data Agent。用他引用的行话：“计算机领域没有什么问题是抽象一层解决不了的，Agent 干不了的时候，就在上面加个 super Agent” [720-840s]。

这个判断在第五个议题拿到了最硬的证据支撑。阿里云王振华引用了两份报告的数字：2026 中国企业数字化转型指数显示 88% 的企业已跨过先进 AI 应用试点阶段（同比上升 42 个百分点），但真正实现显著价值的只有 14%（同比只涨 5 个百分点）[8160-8400s]；节目另引用 IDC 的预测——如果不优先构建高质量 AI-ready 数据基础设施，到 2027 年生产力可能不升反降 15%，因为 Agent 找不到可靠事实就会产生幻觉，反而需要更多人力来纠正（报告口径，未经本文独立核验）。他给"AI ready"下了四个可操作的定义：说得清（识别人物、指标、字段的业务含义）、对得上（同一个人同一件商品在不同文件里能对上号）、查得到（能回到文档页码、表格行号、视频时间点）、算得动（还能带着版本、权限、审核状态做过滤关联聚合）[8280-8400s]。

这四条之所以重要，是因为它们把"数据治理"从抽象口号翻译成了 Agent 时代的验收标准。王振华举的代言素材案例很有代表性：投放前要回答"这批素材还能不能投"，答案散落在视频（艺人有没有出现）、合同（授权怎么约定）、台账（如何登记）三种格式里——这不是做一次 chunk 加 embedding 的经典 RAG 能解决的。真正难的不是找到某份文件，而是"像大海捞针一样找到证据，再把分散的事实串起来" [8400-8520s]。更有信息量的是系统面对冲突的处理方式：合同显示授权截止 2026 年 8 月 31 日、台账登记 12 月 31 日，一个说过期一个说有效，系统不硬答"能"或"不能"，而是把冲突连同证据一起返回，交给人核验——可能是登记错了，也可能少了一份续签协议需要补数据回流 [8640-8760s]。这套 AnalyticDB 多模知识库在真实客户数据上的综合得分 92.2 分（含召回命中率与证据完整度，自建测试集口径）[8760-8880s]。

这条链可以概括为：语义缺口是 Agent 落地的第一道关 → 直接后果是 AI 试点快、价值兑现慢（88% 对 14%）→ 二阶影响是数据错误在全自动执行下从报表瑕疵变成真金白银的损失 → 观察指标是"冲突是否被当作交付物返回而非被掩盖" → 对读者的启发是：上 Agent 之前先问四个问题——说得清、对得上、查得到、算得动，任何一个答不上来，模型再强也是幻觉放大器。

二、把口径、记忆和经验变成资产：入口、协同的真正含义

如果说议题一讲的是"入口"（数据和语义怎么供给 Agent），中间三个议题讲的就是"协同"——而且都指向同一件事：把散落的经验变成可流转的资产。

周方圆的 data wiki 是第一层：把"只有写这些表的人熟悉"的数据源，和企业文档、开会记录、口径定义对齐，让存量 Agent 和新内置的 Agent（包括大家常用的 Coder 类工具）基于同一规则、同一数据、同一权限执行 [480-720s]。把这个语义底座产品化的是第二个议题的陈茏久（转写"陈龙九"，按议程校正），他给市场判断加了时间维度：data agent 市场在涨，但比 general agent 晚一年，因为企业把 Agent 构建在离数据更近的地方——而他眼中今天 AI 叙事的最大错觉，是以为 AI 从业务自上而下就行，缺了语义根基，“业务逻辑 Agent 非常容易构建，但不结合企业数据，真的能落地吗” [1920-2040s]。他的 Meta Agent 用大模型加企业每天使用数据的日常行为，重塑自顶向下的数据资产维护——“分析师知道这个业务应该怎么分析，他每天的 SQL 就是这个数据集的核心用法，这些 SQL 有没有被持续更新，还是只存在他脑子里” [2160-2400s]——再以一百多种专业 data skill（应用域、管理开发域、运维域）供给企业自己的 Agent，配套 Data Guard 统一拦截所有 Agent 的数据风险并留痕审计 [2400-2760s]。第三议题的王颜培把这件事做成了独立产品 Agent Context，他给出的资产分类学值得单独记：Memory 是 Agent 私有的（来自对话和执行过程，有隐私性，可能不稳定）；Knowledge 是可共享的（一部分由记忆提炼高价值内容晋升而来，一部分来自企业文档原文这类"经过验证的可信数据"）；Skill 是执行中产生的方法和能力。三类资产互相流转，加上一个五步的 Context Growth Loop——记录、组织、召回、沉淀、进化——就是"让 Context 持续生长，驱动 Agent 持续进化" [4200-4560s]。他的观察也戳中当下：年初大家还在问"我有没有 Agent"，今天的问题已经是"Agent 太多了，管不过来了"；写代码用 Code，办公用千问办公，不同 Agent 的记忆怎么复用而不是换一个就重训 [4800-4920s]。

小红书的实践给这套抽象补了组织细节。讲者蔡金龙（议程署名小红书关系型数据库团队负责人；转写开场自报所属团队产品 SDBP）的痛点是：存储数据库团队人数远小于业务增长速度，传统知识库里规则一变知识就过期、冲突知识难清理，不同 Agent 之间记忆隔离、经验不能复用 [5280-5400s]。他们的做法是把运维入口统一成一个聊天窗口，所有信息集中后由 Agent Context 提炼，团队级经验要走四环节才能晋升为共享知识：识别高价值记忆、提炼候选、产品 owner 评审、发布 [5520-5640s]。数字（嘉宾口径）：数千份历史手册已沉淀入 Agent Context，支撑总计 3000 家用户协同，沉淀上万条记忆，团队内重复问题下降 30%——而且这个 30% 用的是高标准定义：从用户第一次提问到最后得到正确答案全程无人介入的占比 [5760-5880s]。

第四议题的翁宁龙（转写自报"温宁龙"，议程校正）把协同推到了交付层面。他的判断是：企业级 Agent 化不能只看单个 Agent 强不强，要建立统一的任务和交付管理 [6120-6240s]。PolarDB Agent Squad（转写通篇误作"Agent Score"，按议程讲题校正；demo 中"智能体小队"的说法是旁证）的机制是围绕一条以 issue 为交付主线的任务管理五个维度：任务定义（含输入输出验收标准——他称之为最关键的一环，“验收标准只在你的认知里，没法告诉 AI，后面就难了”）、流程编排、验收与证据校验、数据知识复用、效能观测（周期、人工介入、质量、token 消耗）[6360-6480s]。任务结果只有四种状态：Pass、Retry、Rewind、Human；流程闭环的要求是"检查有依据，失败有去处，交付有记录"。现场演示的 Terraform 开源项目 bug 修复已经完全交给这套系统跑：需求分析、研发、测试三个智能体按剧本接力，测试智能体从源码构建 provider 独立验证（避免开发与测试脱节），交付后还要自动化复盘，这次复盘沉淀了两项改进——测试阶段先按 CI 规则收敛检查范围、发布失败时使用有边界的回退路径——先生成提案、经人工审批、再更新智能体 [6720-6960s]。他的同事卢肇（转写自报"韦恒"，按议程校正）随后展开了与某大型车企的共建细节：需求从企业自己的 Task Note 平台进入，Agent Squad 承接后续交付契约——按复杂度评估拆出可独立验收的子需求切片，agent 开发、User Story 测试、Code Review、预发部署、SLS 日志监控比对历史 error，全部门禁通过后仍保留人工 gate 做最终线上发布 [7200-8040s]。他的结论是接入前"开发用人推、质量卡点靠经验、验收证据散在各系统"，接入后人只负责目标边界、上线决策和流程改进；嘉宾口径称端到端交付有"很大比例"提效、AI 代码生成率达到 100%（未经第三方核验）[7920-8160s]。

第二条链：经验资产化机制（data wiki / Memory→Knowledge→Skill / 运行数据落 PolarDB 底座）→ 直接后果是个人提效能转化为组织产能 → 二阶影响是企业的壁垒从"老师傅经验"迁移到"可复用、可度量、可进化的资产"，换人不再丢能力 → 观察指标是重复问题下降率、经验晋升环节数、验收证据的可追溯比例 → 启发是：今天记录 Agent 犯的每一个错，就是在给明天的组织存钱；不沉淀的 Agent 使用只是一次性劳动力。

三、客户不是布景板：六家企业各自换了什么生产方式

这场论坛最扎实的部分是客户数字，而且难得地不重样。在这六家之外，还有两家阿里云讲者的行业纵深值得一提：第六议题的印才华补齐了 AnalyticDB PostgreSQL 版（转写多处作 ADPG/AgentDB）的全栈拼图——从支撑 Coding Agent 的 serverless PostgreSQL 后端（秒级实例、闲时自动 scale to zero），到把 Data Agent 分成工具型 BI、对话式分析、端到端闭环决策、主动发现异常并干预四阶段，一句总结是"BI 让你看到发生了什么，Copilot 让你问出发生了什么，Data Agent 告诉你发生什么、该怎么办，并帮你做完" [10560-10800s]；其底层引擎支撑钉钉 AI 表格千万行列计算和阿里云百炼千亿规模知识库（Nova 向量引擎经官方文档核验）。他的同事陈雷雨则贡献了游戏美术 Agent 的实践：AI 刚出现时都以为先被替代的是美术，实际先被替代的是程序员；美术真正的痛点是"AI 干活偷感十足"——生成的图藏在上下文里，聊着聊着就没了，一压缩就忘——解法是把创意摊在无限画布上"指哪打哪"，把主美的审美蒸馏成可跨项目复用的风格模板，人的灵感链（每张图从哪派生）被系统记住 [10920-11520s]。

富友支付：风控的 AlphaGo 时刻。 行业技术负责人杨顺的叙事从瓶颈开始：传统风控是资深专家把经验沉淀成规则、人肉巡检修正，早期有效，但交易规模扩大后撞上四堵墙——覆盖不了（每日新增风险商户数远超人工上限）、区分不了（风险特征混杂，简单规则分辨不出场景）、迭代滞后（欺诈手法传播快于规则上线）、知识孤岛（依赖专家知识沉淀，难以复用）[1200-1320s]。他的定性很锋利：这本质不是人力不足，是传统风控在交易规模跃升、商户结构多元、风险对抗智能化之后的生产范式瓶颈 [1320-1440s]。基于阿里云 AI DBS 构建的三层架构里，最有意思的是第三层大语言模型推理层负责"说明白"：不只判断是否异常，还判断是否合理——学校开学批量缴费、节假日支付高峰这类符合集中收费场景的交易不会被误判 [1440-1560s]。踩坑史同样有价值：1.0 版人工挑样测试效果优异，全量回测误判严重，教训是训练数据必须来自真实环境；2.0 间隔采样波动大，教训是不平衡数据的时间跨度必须足够长；3.0 整月全量数据才让日间波动收窄、月均覆盖大于 90% [1560-1680s]。上线结果（嘉宾口径，未经第三方核验）：拦截不足 1% 的商户，覆盖九成以上人工标注的风险商户，正常商户误伤率下降一个数量级。他对"AlphaGo 时刻"的定义值得引用：不是在某一个点上比人更强，而是整个风控的生产方式发生了变化——从千人盯万商，走向机器全盘识别、人工只处理少量复杂案例 [1800-1920s]。（富友支付公司实体经央行官网核验：持支付业务许可证 Z2008231000013，2011 年首次获牌。）

古茗：两个 DBA 怎么撑住万店茶饮。 运维负责人刘星光抛出的数字自带戏剧性：上万家门店、日均百万杯销量的企业，DBA 只有两个，管着一百多个数据库实例 [3000-3120s]（古茗 2010 年创立、2025 年 2 月港交所上市经外部核验；转写开场"二零零一年成立"系 ASR 误识）。他的案例是联名活动：规则冻结、小程序首发、渠道放量、持续运营四个环节缺一不可，而 IT 团队最难的是峰值预估——曾经有场联名活动预估流量 100，实际只有七八十，三成资源成本白白付出，还因为"减配必抖动"三天不敢动 [3360-3480s]。用 Forecast 产品整合历史活动、门店画像、实时早期信号给出的建议值，在上个月的大活动中远超运营团队凭年纪和直觉的判断（学生周边的流量大于明星联名，是"中间力量"）[3480-3600s]。更坦率的是他对 DBA 价值的判断：DAS Agent（阿里云数据库自治服务；转写误作"大四 agent"）串联 ARMS 全链路监控后给出的慢 SQL 解法比 DBA 更好，因为加索引从来不是唯一解，上下文联动才是；但企业不敢让 AI 走全流程，人做最终判断，所以 2026、2027 年基础运维被替代的威胁微乎其微——几年后就不一定了，古茗的 DBA 已经转向自研 DMS 工具开发 [3720-3960s]。

贪玩游戏：场景即流程。 AI 效率部负责人仇俊文（转写"裘俊文"，按议程校正）贡献了全场最好的比喻系统。他先立靶子：游戏的主线任务保证大多数玩家能通关，就像企业的标准流程保证质量下限——但流程依据过去经验设置，业务变化快时反而限制效率；如果目标是速通，你要研究的是机制、道具、技能甚至 bug。由此提出"场景即流程"：目标是决定什么信息重要的变量，环境变了场景就更新 [9120-9360s]。落到工具上，ADB 多模知识库就是那个召回机制：一个素材文件名与查询毫无关系仍能被语义召回、一段视频能定位到相关的那一秒、一条"永久买断制"素材没有游戏名却能靠画面里的装备角色反推出归属游戏 [9360-9600s]。老玩家召回广告的例子最完整：传统流程做出的是"回流送福利"的固化卖点；先让知识库围绕目标召回一切相关信息后，一条"当年一起玩的队友都不在了，但还想再聚"的用户反馈进入上下文，新的创意变成"邀兄弟重聚一起攻城"。他特意声明两个案例不评优劣，只是多了原来流程里发现不了的路径 [9720-9840s]。（贪玩游戏母公司中旭未来 2023 年 9 月港交所上市经核验；“注册用户超六亿"为嘉宾口径，2023 年招股书口径为 4.18 亿。）

延锋国际与保险核保：FDE 的两个切片。 于海涛的延锋案例（全球百强汽车零部件厂商、六万余员工，经延锋官网核验）里最反直觉的细节是：前两周不写 prompt，先让 FDE 进现场做 MES、ERP、质量库的洞察，Meta Agent 自动扫描元数据口径，建模成 Ontology，“先形成共同语言，再让 Agent 答题”，十二周做成规模化闭环 [12360-12600s]。保险核保的对照更尖锐：传统一次核保单响应两天以上，做成十分钟——FDE 做的事是和业务共建规则、文档、金标和人工复核的边界 [12600-12720s]。从制造业扩到保险，框架不变，换的只是知识和规则。

第三条链：验收契约机制（四状态出口 + human gate + e2e harness"飞行记录仪”+ 事实冲突返回人工）→ 直接后果是概率性的大模型系统获得了确定性的质量出口 → 二阶影响是企业"敢放手"的阈值从模型能力转移到流程设计，AI 全流程不再是胆量问题而是机制问题 → 观察指标是交付证据链完整度、异常回退成功率、人工介入占比 → 启发是：不要问"AI 能不能做这件事"，要问"这件事做错了，我的系统知不知道、接不接受得住"。

四、最后一公里：名义流程不等于实际流程

压轴议题把整场论坛从产品视角拉回组织视角。于海涛的缺口分析里最有穿透力的一句是：制度里定义的都是名义流程，实际执行靠的是 Excel 表格和老师傅的经验判断——名义流程不等于实际流程；Agent 进来之后，既要理解后者，又要被前者约束 [12000-12120s]。他把最后一公里拆成语义、工程化、信任三个缺口，对应的解法是三个乘数：AI 底座（统一数据接入、安全治理、数据准备做成标准件）× 伙伴 FDE（深入行业现场把模糊需求变成场景边界）× 共同资产（行业语义、流程模板、运营 SOP 双方共建）[12120-12360s]。三缺一不可：没底座，FDE 退化成手工作坊；没 FDE，产品停在通用能力，离客户永远差一公里；没资产回流，无法复制。他特意澄清 FDE 不是售前的升级版，也不是改名的驻场外包，其定义是"从模糊的问题到生产结果保持连续责任，中间不交棒"——而这套体系的目标竟是"逐步没有 FDE"，让交付资产可复用到不需要人每次从零开始 [12120-12360s]。

伙伴侧的沃趣科技 CTO 魏兴华（转写自报"魏新华"，按议程校正）补上了线下市场的视角。沃趣 2012 年发布国内第一款商业数据库一体机 QData（官网核验，转写误作"Co Data"）、2017 年做线下数据库私有云，今年战略升级为 AI Infra for Database [13080-13200s]。他们的迁移实践给出了一个可量化的切口：传统工具 ADAM（业内俗称"亚当"，基于规则引擎，长尾很长）升级为千问大模型 + 十四年迁移经验的 RAG 知识库 + 规则引擎三者结合后，在山西交控的 Oracle SQL 到 PolarDB-PG 迁移项目里，11.6% 的业务 SQL 可由大模型直接转化、无需人工介入（嘉宾口径）[13320-13440s]。两个细节比数字更有味道。一是"吃自己的狗粮"：二线团队遇到客户现场故障先用 Agent 分析，因为人看几十个组件的日志极难，Agent 能同时分析同一时刻几十个组件的日志——以前要系统、网络、存储、数据库几个专家会诊的事，现在一个智能体给出回答 [13440-13560s]。二是 Skill 的减法：产品发版之初写了大量 Skill，后来发现不少 Skill 的产出不如大模型原生输出，于是删掉了很多，留下的才是经典的；未来 Skill 更多起格式化 SOP 的作用，“很多专家已经不如大模型聪明了” [13560-13800s]。这个"先做加法再做减法"的轨迹，对所有在搭 Agent 工具链的团队都是一剂清醒药。他把终局指向"无头 SaaS"：UI 是给人用的，UI 会越来越不重要，平台厂商要做的是把可靠性、安全、能力暴露成 MCP 接口供智能体调用 [13800-14040s]——这与周方圆开场的 Super Data Agent、小红书的统一入口遥相呼应，构成了整场论坛关于"入口"的完整答案：入口不是又一个界面，而是能力被调用的标准化方式。

尾声：观察什么，做什么

整场论坛七个议题拼出的路径是：数据语义（AI DBS、data wiki）→ 上下文供给（Agent Context）→ 多智能体协作（PolarDB Agent Squad）→ 分析与多模知识（AnalyticDB 两版）→ 企业交付（FDE、DBStack）。产品的名字会过时——按沃趣讲者的说法，AI 领域的分享一两个月就会过时——但三条判断的生命周期会更长。

第一，语义是新的基础设施建设。富友的三层数据迭代、延锋的前两周不写 prompt 先建 Ontology、小红书的四环节经验晋升，说的都是同一件事：在模型足够聪明的年代，企业差异化投入的性价比排序变了，先对齐口径，再谈智能。判断自己处在哪一步，可以看一个简单信号：你的"销售额"有几个定义。

第二，验收是放手的心理学。论坛里所有敢把生产系统交给 Agent 的案例，无一例外先设计了失败的去处：Pass/Retry/Rewind/Human 四状态、事实冲突返回人工、human gate 保留最终发布权、red team 验证边界。这提示一个组织决策原则：推进 Agent 化的顺序不是挑最聪明的场景，而是挑最能承受错误的场景先跑通验收机制，再迁移到高风险场景。古茗 DBA 的"AI 给建议、人做决策"和富友的"机器全盘识别、人工只审复杂案例"，都是这条原则的变体。

第三，入口之争的终局是接口化。当于海涛说"能被 Agent 调用只是入场券"，当魏兴华说"UI 会越来越不重要"，两句话合起来是一个对平台厂商和开发者都适用的预判：未来两年的竞争不在谁的界面更好，而在谁的能力更容易被别人的 Agent 组合——MCP、Skill、语义视图这些被全场反复提及的词，本质上都是在把"被调用"这件事标准化。留一个论坛没有回答的问题作结：当入口接口化、经验资产化之后，企业数据团队的编制会变大还是变小？古茗两个 DBA 管一百多个实例、小红书重复问题降 30%、贪玩"人即一个游戏团队"的愿景，指向的都是后一种未来——但正如多位讲者自己承认的，2026 年的企业还不敢让 AI 走完全程，这个时间差，正是现在动手建语义、建验收、建资产的企业能赚到的窗口。

（核验说明：本文讲者名单与讲题经云栖官方议程页核验；古茗创立与上市时间、富友支付牌照、中旭未来上市、沃趣 QData、AnalyticDB Nova 向量引擎支撑阿里云百炼、延锋全球百强排名与员工数共 6 项经外部公开资料核验属实。文中标注"嘉宾口径/节目引用"的数字——富友风控指标、小红书 30%、车企 AI 代码生成率 100%、ADB 92.2 分、数字化转型指数 88%/14%、IDC 2027 年 -15% 预测、山西交控 11.6% 等——均来自现场演讲自报，未经第三方核验。）