Agent 产物正发布得火热，但要说到竟然懂企业、懂决策的 Agent 还不算常有。

其背后，还有无数企业积贮的业务数据，在恭候被高效运用起来。数据 Agent 会成为一个好解法吗？

为此，咱们邀请到了 Agent 公司的代表数势科技和解独创东谈主谭李，以及数据库公司的代表飞轮科技科技和解独创东谈主肖康，聊了聊什么是"懂业务"的 Agent、Agent 与传统 BI 的谋划、Agent 如何参与决策，以及在将来企业中的脚色等等。

对话亮点

即使是一个通用目的——商品毛利，每家企业的打算措施也不同。一个懂业务的 Agent，领先要明确"商品毛利"背后到底是两项、五项如故十五风物的的组合。

数据分析正在从 "User-facing" 正在转向 "Agent-facing"。

Data Agent 带来的变革骨子上擢升了东谈主与数据系统的交互频率与效力。

Data Agent 稳健应用的场景好多，但它们背后都具备一个共同的要道特征——活泼、实时的决策。

以下基于嘉宾共享梳理，在不改变应允基础上有一定篡改。

"懂业务"的Agent，不仅仅用具，更是数据通知

量子位：咱们不错先从"懂业务"这个主张聊起。能否请数势科技先容一下，你们是如何贯通"懂业务"的 Agent？是否不错用几个要道词或智力目的来界说？

数势科技谭李：懂业务的 Agent，咱们不错用一个形象的比方来贯通：它就像是跟了你多年的通知，相等了解你。你刚运转抒发需求，它就能估量出你的方针，并进行分析和扩张。这是咱们所说的"懂业务"。而不懂业务的 Agent 更像是一个刚刚到岗的外包东谈主员，固然具备通用智力，但对咱们的业务语境、学问保密基才略略。

咱们不错把"懂"拆解为三个线索：第一是"我知谈是什么"（What），即对业务主张的贯通；第二是"我知谈为什么"（Why），能贯通背后的逻辑；第三是"我知谈如何办"（How），能提议现实操作建议。一个懂业务的 Agent，应该能在这三方面与使用者形成邃密互动。

以咱们服务的一些大型零卖客户为例，举例沃尔玛、山姆、永辉、胖东来等企业。咱们发现，即使是一个通用目的——商品毛利，每家企业的打算措施也不同。举例，有的企业会探究品味损耗、和解促销返利、狂放过时、盘盈盘亏等身分，而有的则不会。这些细节体现了 What 层的互异。一个懂业务的 Agent，领先要明确"商品毛利"背后到底是两项、五项如故十五风物的的组合。

接下来是 Why 的层面。如果你让一个通用 Agent 分析商品毛利，它可能会告诉你哪个品类毛利高，哪个低，却无法透露为什么。举例，洗发水的毛利偏低，日用百货/衣饰类的产物毛利相等高；洗发水毛利与宝洁这样的头部品牌限定着订价权有一定的谋划性。只须懂业务的 Agent 才知谈品类与毛利之间的业务逻辑关联。

第三层是 How。当你问如何提高一篮子货的毛利水平时，通用 Agent 可能会说"你加价"或"你降本"，这固然没错，但太通俗。懂业务的 Agent 会说："你需要从头评估这一篮子货的商品结构，因为你的商品结构决定合座毛利水平。"回来来说，懂业务的 Agent 不仅要回复 What，更要贯通 Why，最终提议靠近业求现实的 How。

量子位：咫尺好多通用型 Agent，也会称我方的产物为通知、使命伙伴。那数势科技认为，企业级数据 Agent 的定位和价值具体在那里？

数势科技谭李：咱们不错从两个维度分辩 Agent：通用 vs 垂直、企业级 vs 非企业级。咱们产物落在"垂直 + 企业级"的象限，专注于数据限度。

咱们如何认识产物呢？领先，它的使用对象是企业里面的业务东谈主员和分析师，因此"懂业务"尤为进犯。咱们并不是浅易调用大模子，而是构建企业私域学问，使每个企业不错建立或导入我方的学问体系，并让产物进行学习和迭代。

然后它的使用场景，是在企业作念业务决策时，提供分析的支捏。那么企业大概在私域的语义环境下，让业务东谈主员或分析师以更高效的形势拿到数据与洞见，来支捏业务决策。

量子位：那从数据库的角度来看，飞轮科技认为一个"懂业务"的 Agent 在数据处理上应该具备哪些智力？数据库进展了怎么的作用？

飞轮科技肖康：咱们贯通的"懂业务" Agent，与通用型最大的区别在于它贯通的是"有语义的数据"，而非裸数据（Raw data）。咫尺好多东谈主尝试用大模子进行 Text-to-SQL 查询，比如盘考"企业销售预计"，固然能生成 SQL 语句并运行，但效力并不好：一方面数据不准确，另一方面还需要东谈主工校验，反而增多了资本，甚而可能误导决策。

咱们分析下来，一个进犯的问题是在于中间败落了"语义层"。期许的形势是让当然说话领先映射到如故建模、贴合业务语义的目的数据中，比如目的平台中的数据。以商品毛利为例，不同企业的界说不同，如果跳过语义层告成查数据库，很容易出错。因此咱们认为，有语义的目的平台是要道，它是让 Agent 竟然"懂业务"的基础。

量子位：咫尺企业级 Agent 是如何模拟东谈主类分析师的，在发问和归因逻辑上有莫得终点的处理措施？

数势科技谭李：咱们前边把 Data Agent 比作"跟了你多年的数据通知"，我不错再举个例子：它就像企业为每个业务东谈主员配备了一头"电子牛马"。以前，数据分析主要依赖"表哥表姐"手动处理分析任务，可能2个分析师要支捏4、5个业务部门；而且还需要实足了解业务团队。

而咫尺，则由分析师"饲养"一群数据 Agent，让它们替代我方完成重叠服务，碎裂了东谈主力的瓶颈。通过 Data Agent 完结了"东谈主东谈主用数"，不错说是带来了数据坐褥和数据破钞上的根人道变革。

正如肖总提到的早期好多企业用 Text-to-SQL 的形势准确率很低。其实咱们从 2023 年就运转提倡旅途是 NLP-to-Semantic，即通过当然说话映射到语义层，再由语义层去勾通底层复杂的数据逻辑。这些语义层缔造在企业里面分析师的目的体系与业务逻辑之上，更贴合企业现实。

量子位：那在飞轮科技打造懂业务的 Agent 时，底层数据库作念了哪些使命？比如为了完结跨表处理等功能，数据库有什么需要终点作念到的吗？

飞轮科技肖康：AI 期间到底需要什么样的数据库，人人都在问。咱们的看法是，对像咱们这种分析型数据库来说，需求只会越来越高。比如 BI 查询，畴前是数据工程师写圭表、拉报表，咫尺用户不错告成用当然说话跟系统对话。这背后，其实即是 Agent 在替用户发起查询。将来，Agent 甚而会替东谈主作念大部分决策和分析。

你不错贯通成，分析从 "User-facing" 正在转向 "Agent-facing"。固然咫尺 Agent 还没那么多，但将来它们的数目可能是东谈主的十倍、百倍。而且它们不会"休息"——不是像东谈主一天看两次报表，而是每几分钟就查询一次。这对数据库提议三个挑战：

第一，高并发和高频打听。Agent 是圭表，条目响应快、并发高，几千甚而上万并发去作念查询是常态。

在这个方面，畴前数据的分析是面向里面、专科东谈主士的用数，咫尺也会有靠近外部用数的需求（编者注：不错将 Agent 用数贯通为一种外部用数）。咱们团队早期在百度作念 Doris 风物的时候，就坚贞到像 Hadoop 、MySQL 是欢喜不了这些需求的。

第二，更强的实时性。畴前数据蔓延不错是小时、分钟，咫尺要作念到上一秒用户产生了数据，下一秒就能分析。像传统的数仓使用的是批量的本事，即是不行欢喜这样的实时需求的。

第三，数据类型更万般。不仅是结构化数据，像咫尺企业里面的文档、用户评述都要用来作念分析，非结构数据如文本、文档、评述，甚而图片、音视频，这些都要能参与分析。

在这样多年的发展过程中，咱们也积贮了好多的本事往复解决这些需求，比如咱们作念了万般索引优化，不时榨干 CPU 资源来擢升效力。还成心作念了面向半结构化、非结构化数据的架构设想，和对象存储等系统（像 COS）买通，撑捏 AI 任务里的多源数据分析。

不错说，咱们的数据库即是为 AI 期间的 Agent 服务的，从架构到底层智力，都在往这个方针演进。

个性化、主动式Agent正在取代传统BI

量子位：两位浑厚也都提到了，传统企业是使用报表或传统BI来进行数据分析的。那么从产物智力看，Agent+Data与传统BI+大模子的最大互异在那里？

数势科技谭李：这其实恰是咱们刚才提到的本事旅途互异。不错浅易将其详细为两种旅途：一种是 Data Agent 的旅途，另一种是 Chat 与 BI 的旅途。两者的中枢互异不错回来为三点。

第一是「Personal」——Data Agent 更具个性化。在 BI 报表基础上叠加大模子，用户不错通过 Chat 的形势来查询数据，如实解决了活泼性问题，但你会发现，它仍然是基于报表内容自身，并不是为某个具体用户量身定制的。

而智能代理 Agent 就像是你的个东谈主数据通知，它大概贯通你的分析民俗。当对两位职工同期提到「帮我看一下畴前一个月的功绩情况，KPI 达标了吗」这个问题时，他们看到的内容可能不相同，因为他们地方部门不同、KPI 不同、方针值也不同。这种情况是传统 BI 难以解决的，而 Data Agent 大概贯通你个性化的语境与布景，提供竟然专属的分析支捏。

第二个特质是「Proactive」——主动性。传统的 Chat BI 是典型的"我问你答"，而且惟恐答不出来，或者数据还不完好，这种形势骨子上是被迫的，用户还需要有明确问题坚贞，门槛很高。而 Data Agent 则是主动式的，它能凭据设定推送数据、发出预警，自动生成陈说。比如在雇主早上进办公室前，它就应当已将要道数据整理好放在他桌面上，而不是等雇主进来后才被迫行止理。Data Agent 即是一个主动讲述、主动发现问题的智能通知，范式十足不同。

第三点是「Powerful」——更开阔。Agent 不仅仅信息查询的用具，它还能主动扩张一系列操作。比如咱们有一个客户是大型零卖连锁，寰球有几千家门店，他们通过 Agent 分析门店打算数据后，不错自动判断出哪些门店存在特定问题，并触发任务系统，告成将具体改良任务下发给店长或伴计，这些任务凭据公司 SOP 条目在一周内完成。这种决策-扩张联动的智力，是传统 BI 无法完结的。因此，Data Agent 相较 Chat BI 至少更个性化、更主动、更开阔。

量子位：咫尺咱们也不雅察到一个局势，好多企业认为传统 BI 用具并莫得充分激活千里淀下来的数据资源，也即是"千里睡的数据金矿"。那 Agent 是如何让这些数据竟然"活"起来的？

数势科技谭李：这是个更偏应用侧的问题。正如前边提到的，Agent 有着主动性、个性化等特征，而传统 BI 模式中，数据的使用是被迫的。业务东谈主员需要先提议具体的问题或需求，分析师才会从数据池沼中挖掘数据来欢喜这些需求。但这意味着分析师和业务东谈主员都必须相等明晰地知谈他们要什么，才能推动悉数过程。

在 Data Agent 模式下，咱们通事后台 7×24 小时捏续运行，建立万般分析范式和模板，然后由系统凭据业务脚色的互异主动推送分析陈说和预警。它不时扫描数据、索求瞻念察，并以稳健体式拜托给业务东谈主员。很是于增多了一种数据破钞的场景，让原来被忽略的数据能被挑出来、活过来，背后的业务问题和逻辑被阐释出来。

这样本来被忽略的"千里睡数据"就被激活了。

我还想强调一个将来趋势：企业职工会成为"超等个体"，领有多个 AI 用具的支捏。比如除了数据 Agent，还有写 PPT 的 Agent、作图的 Agent 等。咱们认为，一朝每个东谈主都有一个数据通知，数据破钞将被普惠化。

畴前的数据千里睡，不是因为莫得东谈主需要，而是因为需求被结合管制在分析师和 BI 报表的通谈里。而咫尺通谈掀开后，海量业务东谈主员的需求不错直斗殴达数据，通过 Agent 进行破钞。这是一种愈加普惠、活泼、庸碌的数据使用形势。

量子位：那么，数据库这边在这方面有哪些实践或支捏形势？

飞轮科技肖康：这个点上，数据库可能自身作念的并未几，更多是四肢撑捏平台。但我也谈一下我的看法。

畴前通过传统 BI 或表格的形势来获取数据，好多业务需求其实是被压抑的，骨子上是由效力决定的。比如一个业务东谈主员可能都不知谈数据库里有什么数据，只须数据工程师或分析师知谈。而分析师的时辰和元气心灵有限，是以业务东谈主员不会频繁发问。

如果能配备一个 Data Agent，业务东谈主员就不错随时提议需求，让 Agent 去自动探索数据库中可用的数据，再结合大模子和企业里面学问，完成任务。更进犯的是，它还能展示分析过程，让你贯通这个谜底是如何得出的，便于考据逻辑。这种多轮迭代机制极大擢升了效力。

骨子上，这种变革擢升了东谈主与数据系统的交互频率与效力。以往中间有分析师"把关"，咫尺则是告成与系统对话。这也对数据库提议了新的挑战，比如系统需要支捏更高的查询频率和更大的查询量。以前只须"表哥表姐"使用，咫尺是全公司的东谈主都在用。而这些查询往来去结合在岑岭期，比如上班时辰。

是以数据库需要具备弹性伸缩的智力，峰值时能扩展更多打算资源，低谷时则能简略资源，幸免企业为无用要的峰值付费。像咱们 SelectDB 就在云表提供弹性服务，以支捏 AI 应用的高并发需求。

量子位：在业务场景中，有哪些场景最能体现数据 Agent 的价值？这些场景有莫得一些共通的特征？

数势科技谭李：跟着咱们服务的客户越来越多，斗殴到的业务场景也不时丰富，咱们发现其实360行中，人人在原少见据破钞范式中都有好多痛点和问题。可应用的场景好多，但它们背后都具备一个共同的要道特征——活泼、实时的决策。

大型企业早已有万般目的和 BI 报表来撑捏日常分析，这部分的智力基本锻练了，区别仅仅分析师智力的强弱。但使用 Data Agent 带来的最大不同，在于它不是依赖固定、静态的报表，而是在动态业务场景中提供实时支捏决策的智力。

比如今天你需要作念一个业务决策，不想拍脑袋、不靠直观，而是但愿少见据支捏。这个时候，如果能通过当然说话即时向系统发问并得回谜底，那这个场景就极具价值。

我举一个身边的例子。比如在零卖行业，有一个典型脚色叫"督导"，终点是大型加盟连锁企业中。督导每天要巡店，拜访多家直营或加盟门店，一东谈主广泛风雅几十家。对任何东谈主来说，记着这样多门店的信息险些不可能。而且督导固然扩张力强，但并不一定擅长翰墨处理或数据分析。

他们广泛靠近的场景是：今天要拜访五家门店，却每每在赶赴门店的路上才惟恐辰临时了解店铺的打算情况，比如上个月的功绩、SOP 是否预警、前次提议了哪些改良建议、此次要要点检查哪些方面。两个门店之间的通勤时辰可能也就半小时，这种临时了解相等艰辛。

是以，咱们为每个督导配备了 Data Agent。督导不错对行将拜访的门店随时发问，如"这家店上月销售是否荒谬""职工去职率有莫得荒谬"等，Agent 会即时反馈，不再需要前一天作念贵寓准备或打印报表。

这个云表小助手也叫"百事通"，让督导从走马不雅样式巡店，变成竟然数据驱动、精益化的单店运营模式。对他们来说，这是极大的效力擢升，亦然让精益化单店运营竟然落地的一个要道杠杆。我认为这是一个相等具有代表性的"活泼、实时决策"的典型场景。

量子位：数据在什么样的场景中终点大概体现其价值？这些场景是否也有共通特征？

飞轮科技肖康：从咱们与客户的现实疏导来看，数据在"垂直类场景"中更容易展现价值，尤其是企业对我方的业务贯通相等深，大概用 AI 来重构现存业务进程的公司。

比如有些企业专注于营销、反讹诈、或客服限度。他们自身就有锻练的业务模子，再通过 AI + Agent 的形势进行重构，能看到相等彰着的擢升。比拟之下，那些尝试作念通用型 Agent 的探索往往效力就不如预期。

而且在作念垂直限度的应用时，还不错用传统的高手力资本的措施来对比考据，评估 AI 措施是否灵验。

是以咱们看到，最灵验的应用往往是那些在才略域已有深厚教养的公司，再用 AI 用具强化业务，何况能被明晰评估的场景。这类垂类 Agent 的扩张和落地更灵验，也更容易考据见效。

在私域数据加捏下，职工正被AI Agent增强

量子位：企业如何判断一个Agent的数据决策是"合理的"或"得胜的"？有莫得明确的评估模范？

数势科技谭李：咱们一直强调数据是用来撑捏决策的。其实不错将决策场景分为两类：一类是顽固场景，决策轨则相等明晰。比如积分轨则：刷满五笔，第五笔予以双倍积分。这种场景的轨则明确，Data Agent 不错很好地支捏决策，这种轨则导向型的场景，估量模范也很明晰。

另一类是"通达场景"，决策触及的身分相等多，终点是偏宏不雅的业务决策，需要探究的表里部要素也更多。此时，咱们的理念是，Agent 不是替你作念决策，而是提供决策支捏和扶持。咱们奋勉将更多的数据呈现出来，匡助业务东谈主员在更充足的信息布景下作念出更科学的决策。

在好多企业里，业务决策每每因为数据莫得那么多，或者惟恐效性，容易变成拍脑袋的决策或惯性决策，或者比如让教养最丰富的东谈主决定。但咱们认为，好的数据撑捏能显耀擢升决策的质地。

在顽固场景下，Data Agent 已能很好地支捏基于轨则的自动决策，甚而相接到扩张层。而在通达场景中，产物的中枢逻辑即是"懂业务"。Data Agent 会从业务语境开拔，结合里面数据与接入的外部巨擘数据，比如买通 Web 搜索，形成一个结构化的分析陈说。就像一个尽责的通知，征集王人悉数贵寓，最终由业务决策者来作念决定。

量子位：那四肢数据库，有莫得办法判断 Agent 是否充分运用了数据？比如判断数据是否缺失、不实、冲突，或者评估数据的可靠性？

飞轮科技肖康：数据库四肢底层撑捏系统，自身不睬解语义，职责主如果高效地组织和查询数据。比如数据库四肢中央存储，整合了 SQL 网关、ES 数据等多个起首，惟恐还包括文档数据。

数据库不错扶持评估哪些数据被频繁打听，哪些使用较少，初步反应数据的使用价值。但判断数据是否被"充分使用"以及使用是否"合理"，更多还要靠表层来评估。

数据库层面也不错提供本事支捏，比如通过慢查询日记判断是否保密索引、是否使用了低效查询形势等。咱们也在探索如何用更智能的形势匡助用户更高效地使用数据库。

量子位：在决策中往往触及明锐或要道数据，有什么措施不错在保证数据调用活泼的同期保险数据安全？

飞轮科技肖康：这就需要作念好精细的数据权限限定。常见的作念法是基于脚色（RBAC）进行权限设定，比如 CEO、一线职工、部门风雅东谈主领有不同打听权限。咱们不错限定用户能打听哪些表、哪些字段，甚而不错精确到表格的某一瞥或某个单位格。

在像 SelectDB 和 Doris 这样的系统中，这些都不错通过细粒度的权限限定抒发出来。尤其在 AI 和 Agent 期间，这种安全限定相等要道。以往数据由少数东谈主结合审批，甚而需要邮件肯求来得回数据权限。咫尺用户可能只需跟 AI 聊天就能获取数据。如果权限限定不到位，很容易酿成数据败露风险。

咱们认为对安全智力的条目，越限定到底层会越好。

量子位：数据 Agent 是否能在某些措施十足替代东谈主？

数势科技谭李：咫尺谈"十足替代东谈主"还为时过早。对于大模子和 Agent 是否会替代东谈主，其实咱们更倾向于认为它是在"增强东谈主"。如实，Data Agent 会替代一部分重叠性强、基于轨则的任务，但会增强另一部分东谈主的智力。越早拥抱 Data Agent 的东谈主，就越可能成为"被增强的东谈主"。

在顽固场景中，好多基于明晰轨则的日常决策，十足不错由 Data Agent 自动化完成。这其实不等于"替代东谈主"，而是把重叠、廉价值的使命交给 Agent，东谈主不错去作念更进犯的事。是以这触及两个层面：一是哪些决策不错由 Agent 自动化扩张；二是 Data Agent 的引入会替代哪些东谈主，又增强哪些东谈主。

量子位：这会对将来企业组织结构会带来怎么的影响？

数势科技谭李：最近咱们也在念念考这个问题。比如咫尺硅谷流行"超等个体"或"一东谈主公司"的主张，骨子是万般 AI 用具扩展了个体的智力。

畴前可能需要团队完成的数据分析、陈说生成、设想任务，咫尺一个东谈主就能管制。比如用 Coding Agent 搭建网站、用 Data Agent 管账户、出报表，甚而用 Design Agent 作念视觉设想。

这如实催生了"超等个体"，让他们不错身兼多职。但这并不虞味着数据分析师或设想师这些脚色会袪除。在大组织里，他们仍然需要。仅仅脚色发生了变化。比如原来是"表哥表姐"的东谈主，咫尺成了"电子牛马饲养员"——一个高档分析师，管制成百上千个 Agent，为各个业务线服务。

这时候对你提议的条目就更高了。你需要作念的是转机企业的数据质地和数据语义，要和解财务、销售、商品等部门共创分析范式，并千里淀为 Agent 模板。

这些全新的任务在传统范式下并不存在。是以并不是使命减少了，而是出现了新使命。只须你惬心拥抱大模子和 Agent，就能成为这种新范式下的中枢脚色，创造更大价值。这是我对将来的一个畅想。

量子位：跟着模子和数据本事的擢升，数据和 AI 的谋划也在变化。将来企业的智能化发展会更依赖更强的模子，如故更好的数据？

数势科技谭李：我认为这其实是一体两面的——既要更好的数据，也要更强的模子。咱们咫尺在作念企业级Data Agent时，是暂不触及基础模子的研发的。咱们更和顺的是如何把更强的基础模子与企业的私域数据结合起来，打造更机灵、更颖慧的 Data Agent 或企业级智能体。

咱们不错看到，咫尺底座模子在不时迭代，更多企业级应用在出身，企业也越来越深爱私域数据的积贮与治理。这样几件事的叠加作用下，飞轮正在动弹起来。将来咱们将看到越来越多竟然落地、有现实价值的 Data Agent 或更多应用在企业场景中进展作用。

飞轮科技肖康：我认为，模子要发展，领先必须有更好的数据。数据是模子的基础。大模子的显耀擢升，从 GPT-3 运转即是一个很好的例子。GPT-1 和 GPT-2 出刻下并莫得引起太多和顺，因为它们测验所用的数据量和质地还不够，而到了 GPT-3，测验数据的数目级擢升了好几个线索，才带来了质变。

这是第一个阶段，测验阶段，无数高质地数据决定了模子的智力。第二阶段是落地应用阶段，也即是谭总提到的，大部分企业并不会再去我方测验模子，而是基于已有的大模子进行应用。无论是开源模子的特有部署，如故调用已有模子的服务接口，要道在于如何将企业我方的数据与模子结合。

完成了第一阶段的大模子就像是刚毕业的大学生，领有通用智力，但对企业的业务进程、数据结构一无所知，需要一定时辰去适合、学习。这时候企业的私域数据相等要道。咱们广泛分为两类数据：一类是文本学问库，起首于企业里面的文档、贵寓，用来作念学问问答；另一类是结构化数据，也即是数据库或数仓中的业务数据。

是以，我认为测验阶段需要无数的高质地数据，企业落地应用阶段，也需要把企业私域数据的上风进展出来。企业只须用好我方积贮的数据，才能竟然让 AI 进展作用，不然无论模子多强，部署也仅仅体式，和开源模子没骨子区别。

量子位：临了两位嘉宾还有什么想要补充共享的？

数势科技谭李：无论是咱们今天聊的 Data + AI，如故其他 AI 应用场景的落地，咫尺都在烈烈轰轰地鼓吹中。四肢从业者，每天都很直爽。

第极少，我想强调心态：咱们应该积极拥抱 AI。正如咱们之前所说，AI agent 会替代一部分东谈主，也会增强一部分东谈主。咱们应该奋勉成为被增强的那部分。

第二点，对企业来说，最要道的事情是两件：一是把企业里面的私域数据、语义系统竟然治理好，才能驱动 AI 飞轮转起来；二是与业务结合，深切挖掘稳健落地的 use case，让本事与业务价值竟然交融。

飞轮科技肖康：我认为谭总说得很好。我想强调极少：AI 落地的过程，一定是一个不时探索、不时试错的过程。固然咫尺人人都很直爽，认为这是 AI 的新期间，但竟然落地还需要无数实践，去找到突破点。

在这个过程中，我认为业务和平台的和解共建相等进犯。业务方了解业务进程和价值，平台方提供底层本事支捏，包括数据库、AI Agent 智力等。只须两边抑遏疏导互动，平台才能更精确地欢喜业务需求，本事智力也才能不时增强。

因此也宽饶人人多与像数势、SelectDB 这样的数据平台、数据库公司多交发配合，悉数把 AI 探索落地，在企业中竟然用起来！

— 完 —

量子位年度AI主题策动正在征结合！

宽饶投稿专题 一千零一个AI应用，365行AI落地有筹画

或与咱们共享你在寻找的AI产物，或发现的AI新动向

点这里👇和顺我，记起标星哦～

一键三连「共享」、「点赞」和「在看」

科技前沿进展日日再见 ~