近日，中国通信标准化协会大数据技术标准推进委员会（CCSA TC601）2025 年总结表彰会议在北京圆满落幕。 会议全面复盘了2025年度大数据与数智化技术标准建设成果，系统回顾了标准预研、应用创新、产业推广等领域的重点工作，并对2026年度重点工作方向进行规划部署。 凭借在大数据技术标准建设与产业发展中的突出贡献，苏州龙石信息科技有限公司（简称：龙石数据）荣获 CCSA TC601 “2025年度优秀成员单位”，公司数据领域专家孙晓宁和杨毓慧也荣获CCSA TC601 “2025年度突出贡献专家”。 标准引领实践，实干铸就成果 2025 年，龙石数据积极投身行业标准化建设，深度参编《数据资产管理能力要求》团体标准、《一体化政务大数据体系建设实践指南 1.0》等重要成果，将自身在数据管理等场景的实践经验转化为行业共识，为规范数据流通、释放数据要素价值提供了关键支撑。 同时，今年龙石数据也创新性地推出了数据中台主导型的 “AI 用数智能体”，让业务人员通过自然语言即可获取数据洞察，实现数据立等可取/辅助决策/驱动业务闭环的目标。 接下来，龙石数据编写的书籍《数据治理实战指南》也将陆续开启连载。 它不是一本晦涩的理论著作，而是一套基于多年实践经验、可提升数据治理成效的落地方法论。更特别的是，本书采用了开放式共创的编撰模式，诚邀大家审阅、研讨、共创和交流。 荣誉既是肯定，更是前行的动力。未来，龙石数据将持续深耕数据治理领域，在AI技术与数据治理融合等方向创新突破，同时深度参与行业研究，将实践成果与技术沉淀转化为更多行业标杆成果，与行业伙伴共赴数字经济高质量发展新征程。

AI协作时代的到来，已经不是趋势，而是现实。

来源（公众号）：大数据 AI 智能圈 在人工智能飞速发展的今天，我们正在亲历一场从对话机器人向智能实体跨越的深刻变革。 很多人对 AI 的印象还停留在你问我答的聊天框阶段，但真正的 AI Agent（智能体）早已突破了单纯的对话功能，演变为能够感知环境、自主决策、执行任务并持续进化的复杂系统... 如果说大模型是具备高智商的大脑，那么 AI Agent 就是一个装备齐全的特种兵。 从工程实现的视角来看，一个成熟的 AI Agent 绝非简单的 Demo 玩具，而是一套精密的系统工程，它由六大核心模块协同运作，共同构建了一个完整的智能闭环。 我们需要理解的第一个核心能力是感知。 对于智能体而言，感知模块就是它的五官，负责与纷繁复杂的外部世界进行交互。 这就好比人类通过视觉、听觉和触觉来认识世界一样，AI Agent 的感知系统需要处理多模态的信息。无论是对话框里的文字、API 接口传回的数据，还是通过自动语音识别（ASR）转写的语音，甚至是需要光学字符识别（OCR）解析的图像，这一切信息都需要被感知模块精准捕捉。 但这不仅仅是接收信息那么简单。 感知模块最关键的作用在于翻译和标准化。 现实世界的信息是杂乱无章的，感知模块必须将这些非结构化的文本、图像以及实时监控到的业务事件（如订单异常、流量暴涨），转化为系统可理解的标准化观测数据。 只有经过这样高质量的预处理，后续的大脑才能做出准确的判断。它就像是一个极其高效的情报官，在信息进入指挥中心之前，已经完成了去噪和整理。 当情报就位，就轮到决策引擎这个大脑登场了。 这是 AI Agent 架构中最具魅力的部分，通常由大型语言模型（LLM）驱动。 与普通聊天不同，决策引擎引入了思维链（Chain-of-Thought）推理机制。 它不会草率地直接抛出答案，而是像人类专家一样显式地进行逻辑推演。面对一个复杂目标，它会首先进行拆解，列出多种可能的解决方案，并在内心评估每种方案的优劣，最后才决定下一步是该调用工具、查询数据库，还是继续深思熟虑。 这种规划能力在处理长链路任务时尤为重要。 试想一个数据分析任务，决策引擎会将其规划为获取数据、清洗数据、聚合指标、生成图表等多个步骤。更厉害的是，这种规划是动态的。 如果在执行过程中遇到了意料之外的情况，比如数据缺失或接口报错，决策引擎会实时感知并调整计划，重新规划路径。这种具备动态调整能力的决策机制，才是智能体区别于传统自动化脚本的本质特征。 拥有了大脑和五官，智能体还需要手脚来改变世界，这就是执行系统的职责。 在 AI Agent 的架构中，执行不仅仅是简单的动作，而是将自然语言的决策转化为精准的计算机指令。 它通过预定义的 工具模式（Tool Schema） 构建参数，去调用外部的 API、运行脚本或操作插件。一个优秀的执行系统必须具备极高的鲁棒性，因为它直接面对现实世界的各种不确定性。 为了确保执行的可靠性，工程设计上通常会采用幂等设计和退避重试策略。这意味着即使网络波动导致请求重复，系统也能保证结果的一致性；遇到超时也会智能地等待重试。 对于那些高风险的操作，执行系统甚至会引入快照和回滚机制，或者在关键时刻请求人工确认。 这种严谨的执行逻辑，确保了 AI Agent 在处理金融交易或系统运维等敏感任务时，既能高效行动，又能守住安全的底线。 除了感知、决策和执行，记忆管理是区分临时工与资深专家的分水岭。 没有记忆的 Agent 只能在当前的对话窗口里打转，而成熟的 AI Agent 拥有完善的分层记忆体系。这包括处理当前上下文的工作记忆、保存近期交互记录的短期记忆，以及存储行业知识、用户偏好和业务事实的长期记忆。 这种分层设计，让智能体在处理任务时显得游刃有余。 在技术底层，这通常通过向量数据库和知识图谱的结合来实现。 向量数据库擅长模糊检索，能从海量的非结构化文档或对话历史中找到相似的片段；而知识图谱则像一张严谨的关系网，管理着实体与属性之间的结构化关联。 这种记忆系统实现了检索增强生成（RAG）模式，让智能体在做决策前能先查阅大脑中的知识库，从而给出更加精准且符合背景的回答，避免了模型由幻觉导致的胡言乱语。 然而，一个系统如果只能机械地执行既定程序，它永远无法被称为真正的智能。 反馈优化模块就是 AI Agent 实现自我进化的关键一环。 这一模块赋予了智能体反思的能力。在每次任务结束后，它不会立刻停机，而是会启动自我评估机制：结果是否达成了目标？过程中是否有冗余的步骤？哪些环节容易出错？这种机制往往通过一个专门的反思 Agent来实现，它像一位严格的导师，复盘每一次行动。 更高阶的进化则依赖于强化学习。 系统会为各类任务设定 KPI 指标，比如成功率、耗时或用户满意度。通过不断收集执行数据，智能体能够自主调整决策策略。 这种基于数据的持续优化闭环，使得 AI Agent 具备了越用越聪明的特质。它不再是一个静态的软件，而是一个能够随着使用时间和数据积累而不断成长的数字生命体。 为了更直观地理解这六大模块是如何像齿轮一样咬合的，我们可以看一个金融数据分析智能体的真实工作流： 当接收到分析某板块股票表现的任务时，感知模块首先启动，从 API、数据库甚至新闻流中收集海量的交易数据和舆情信息，并实时监测其中的异常波动。 此时，作为大脑的决策引擎开始运作，它将宏大的任务分解为基本面分析、技术面分析和风险评估等子任务，并决定采用 PE 比率和动量指标作为分析工具。 紧接着，执行系统接管任务，调用数据 API 获取原始数据，并运行清洗脚本处理其中的缺失值。 在这一过程中，如果发现数据清洗步骤耗时过长，反馈优化模块会记录下这个瓶颈，并在下一次任务中建议预缓存清洗逻辑，从而提升效率。最后，记忆模块会将本次分析的关键发现存入知识库，并根据用户的反馈更新对报告格式的偏好。 这就是一个从感知到执行，再到记忆和优化的完整闭环。 这种架构的演进展示了 AI 技术从单点突破向系统化融合的趋势。 未来的 AI Agent 将更加注重模块化与标准化，这意味着各个模块可以像乐高积木一样灵活替换和升级。 同时，随着边缘智能的融合，部分感知和决策能力将下沉到端侧设备，实现更快的响应。而多 Agent 协作模式的出现，将让不同专业的智能体能够联手解决更加复杂的问题，就像组建一支全能的专家团队。 综上所述，AI Agent 的强大并非来自某单一模型的参数规模，而是源于感知、决策、执行、记忆、反馈以及基础大模型这六大模块的有机结合。它们共同构成了一个具备自主性、适应性和成长性的智能系统。 在这个系统中，感知的全面性、决策的准确性、执行的可靠性、记忆的有效性和优化的持续性缺一不可。正是这种系统工程化的力量，正在推动 AI 从实验室的算法模型，真正走进各行各业的复杂现实场景，创造出实实在在的价值。

在数字经济与人工智能浪潮交汇的时代，数据已成为与土地、劳动力、资本和技术并列的关键生产要素。然而，大多数情况下，数据并非直接可用的“燃料”，尤其在追求精准与可靠的AI应用中更是如此。在众多组织中，海量的数据也并未能自动转化为驱动业务增长与创新的核心资产，反而带来了数据孤岛、质量低下、安全风险和价值难测等一系列严峻挑战。我们常常看到，企业在数据治理的征途中投入巨大，却因缺乏系统性的方法论和可落地的实施指引，最终陷入“只见树木，不见森林”和“盲人摸象”的困境，在复杂的细节中迷失方向。 为什么写本书？ 正是为了系统性地解决上述痛点，我们撰写了本书。它并非一本晦涩的理论著作，而是一本源自实践、归于实践的 “行动手册” 。我们的核心目的是为数据治理团队和数据从业者提供一套清晰、完整、步步为营的“作战地图”，将抽象的数据治理理念，转化为具体的、可操作的实施步骤、模板与案例，帮助大家少走弯路，高效、稳健地推进数据治理体系建设，真正让数据资产价值得以释放。 本书为谁而写？ 本书主要服务于在数据治理一线奋斗的同仁，包括但不限于： 数据项目管理者：负责数据项目的规划、协调与推进，需要掌握整体实施框架与治理要点。 数据项目实施团队：包括数据治理、开发、分析、运营等数据团队成员，负责数据治理各环节的落地执行。 业务部门的数据接口人与爱好者：希望深入了解数据如何被规范治理，以便更好地提出需求和应用数据。 对数据治理体系建设有兴趣的所有学习者：可作为体系化入门和实践的指导教材。 本书核心思路是什么？ 本书的指导思想融合了国家标准《GB/T 36073-2018 数据管理能力成熟度评估模型》（DCMM）和国际数据管理知识体系（DAMA）的最佳实践，并在各章节穿插提升数据治理效率的AI活动，形成了独具特色的 “理采存管用”五阶方法论，并细化为 “定战略、建体系、摸家底、聚数据、绘模型、管数据、促共享、重应用”八大实施步骤。这一框架覆盖了数据从规划、获取、存储、治理到价值释放的全生命周期，确保治理工作环环相扣，形成闭环。 同时，本书也融入了AI技术如何赋能数据治理的思考。我们将在相关章节中，穿插介绍如何利用AI技术来提升数据梳理、元数据管理、数据质量评估、智能分类分级等环节的自动化与智能化水平，实现“用AI治理数据”，让治理工作更高效。 为提升实战指导性，本书配有丰富的可视化工具与即用型材料，其中包含了至少10个关键流程图和50个数据治理模板，帮助读者直观理解流程、快速套用实践。 本书的内容紧紧围绕“如何做”展开。在每一章节中，您将不仅看到对核心概念的精要阐述，更能获得： 清晰的实施路线图：明确每一步的目标、活动与产出。 实用的操作指南：详述关键活动的执行要点与常见问题的解决方法。 可直接参考的模板与案例：提供清单、表格、模板以及来自真实项目的简化案例，助您快速上手。 可借鉴的AI提效方法：提供AI技术的应用建议，将部分治理工作智能化，帮助团队提升效率。 内容速览 本书共分为三部分，共x章。以实践为导向，力求让每一位读者都能按图索骥，稳步推进数据治理落地进程。 第一部分 框架篇 本部分系统阐述数据治理的核心理念与五阶八步方法论，帮助读者建立全局视角，主要包括数据治理的行业概述、整体方法论、模块关系、各模块实施方法等内容。 第二部分 规划篇 作为本书的核心，第二部分与第三部分将按照“理采存管用”逐一展开，深入解析各步骤的实施路径，详细说明各模块的目标设定、关键任务与操作步骤，并配套示例模板。 本部分（第x-第x章）为“理”阶段，专注于数据治理的顶层设计与启动准备。涵盖定战略（明确方向）、建体系（构建组织、制度、技术保障）和摸家底（现状评估）三部分内容，解决“为何做、谁来做、做什么”的问题。 第三部分 实施篇 本部分包含“采、存、管、用”四大阶段，通过实操指南提供端到端的落地指引。 采（第x-第x章）：聚焦数据集成与清洗，解决数据如何高效、高质量汇聚和清洗的问题。 存（第x-第x章）：详解数据模型管理和数仓分层，确保数据被合理、结构化地存储。 管（第x-第x章）：囊括元数据、数据标准、数据质量、主数据、数据安全五大核心治理领域，解决“如何管好数据”的关键问题，确保数据可信、可用、可控。 用（第x-第x章）：通过数据指标、数据标签等体系构建，以及数据资源目录、数据共享交换和数据服务，推动数据在业务场景中的深度应用，实现价值闭环。 第四部分 实战篇 提供了综合性的实战案例，展示如何将前述方法论在实际项目中灵活应用，解决复杂的实际业务问题。本书将以一个中型企业为例，详细描绘其如何从数据分散、质量不一、标准缺失的困境中，通过系统化的数据治理，构建起统一、可信的数据治理体系。案例最后将展现数据如何直接赋能销售、产品等核心业务环节，实现运营效率与决策水平的显著提升。 让我们开始吧 我们希望这本指南能成为您数据治理旅途中的一位可靠伙伴。它不能替代您的思考与决策，但能为您提供坚实的知识底座和实践武器。由于数据治理领域在不断发展，书中内容难免有不足之处，我们恳请广大读者不吝指正，共同推动数据治理实践的进步与成熟。 现在，让我们开启这段数据治理的系统化实施之旅，共同将数据转化为驱动组织未来的强大引擎。 （或访问：https://xcnoejbrkx3v.feishu.cn/drive/folder/HCXufFf6ilq0ejdF5Hmc3CJhnYf） 本书采用了开放式共创的编撰模式。我们坚信，内容的可靠性与实践性来自持续的交流与共创。因此，我们诚挚邀请您——每一位关注数据治理的同行者、实践者与思考者——加入本书的共创计划。 如果您在阅读过程中，提出关键修正、贡献具有借鉴价值的优质案例，或补充了不可或缺的核心内容，我们将诚挚邀请您成为本书的共同署名共创者，并参与后续的专题研讨与行业交流，共同推动数据治理领域的实践进步与生态发展。 愿这本书不仅是一本指南，更是一次连接行业、凝聚共识、共创未来的行动。 《数据治理实战指南（初稿）》——致正在阅读本书的你 《数据治理实战指南（初稿）》——导读 【第一部分 框架篇】第1章 数据治理行业概述 【第一部分 框架篇】第2章 数据治理方法论 【第二部分 规划篇】第3章 定战略 【第二部分 规划篇】第4章 建体系 【第二部分 规划篇】第5章 摸家底

致正在阅读本书的您： 在数字化转型与 AI 浪潮的推动下，数据已成为组织最核心的资产。然而，许多组织仍深陷于“看不见、读不懂、不一致、流不通、信不过”的数据困境，数据治理项目也常因此陷入停滞，难以实现预期价值。 《数据治理实战指南》正是为解决这一痛点而生。它不是一本晦涩的理论著作，而是一套基于多年实践经验、可提升数据治理成效的落地方法论。更特别的是，本书采用了开放式共创的编撰模式。我们坚信，内容的可靠性与实践性来自持续的交流与共创。因此，我们诚挚邀请您——每一位关注数据治理的同行者、实践者与思考者——加入本书的共创计划。 如果您在阅读过程中，提出关键修正、贡献具有借鉴价值的优质案例，或补充了不可或缺的核心内容，我们将诚挚邀请您成为本书的署名共创者，并参与后续的专题研讨与行业交流，共同推动数据治理领域的实践进步与生态发展。 愿这本书不仅是一本指南，更是一次连接行业、凝聚共识、共创未来的行动。 期待您的参与和宝贵贡献。 （或访问：https://xcnoejbrkx3v.feishu.cn/drive/folder/HCXufFf6ilq0ejdF5Hmc3CJhnYf） 本书采用了开放式共创的编撰模式。我们坚信，内容的可靠性与实践性来自持续的交流与共创。因此，我们诚挚邀请您——每一位关注数据治理的同行者、实践者与思考者——加入本书的共创计划。 如果您在阅读过程中，提出关键修正、贡献具有借鉴价值的优质案例，或补充了不可或缺的核心内容，我们将诚挚邀请您成为本书的共同署名共创者，并参与后续的专题研讨与行业交流，共同推动数据治理领域的实践进步与生态发展。 愿这本书不仅是一本指南，更是一次连接行业、凝聚共识、共创未来的行动。 《数据治理实战指南（初稿）》——致正在阅读本书的你 《数据治理实战指南（初稿）》——导读 【第一部分 框架篇】第1章 数据治理行业概述 【第一部分 框架篇】第2章 数据治理方法论 【第二部分 规划篇】第3章 定战略 【第二部分 规划篇】第4章 建体系 【第二部分 规划篇】第5章 摸家底

本部分系统阐述数据治理的核心理念与“理采存管用”五阶八步方法论，涵盖数据治理的行业背景、典型困境与实施框架，帮助读者建立全局视角，理解数据治理为何做、做什么及如何体系化推进。

2025年“数据要素×”大赛全国总决赛近日落下帷幕，住建行业的11支数智住建项目代表队在城市治理赛道进入决赛并获奖，展示了数智住建工作的阶段性成效。“数据要素×城市治理”重点在于通过对城市运行各类数据的深度挖掘和治理应用，以共建共治共享激发数据要素的乘数效应，推动超大城市治理从“经验驱动”向“数据驱动”、从“条块分割”向“协同共治”、从“被动响应”向“主动预见”转型。 以数据归集的“全域穿透”，构建城市治理的“全景图谱”。数据要素是推动城市治理现代化的新型治理要素，超大城市治理的首要挑战在于数据碎片化、孤岛化。通过“物理归集+逻辑归集”双轨并进，打破部门、层级与领域的数据壁垒，搭建统一的数据资源管理平台，以“全域穿透”的归集模式将分散在城市各个角落的数据编织成城市数据“全息图谱”，为精准识别治理痛点、科学配置治理资源提供全景数据支撑。 以数据治理的“标准协同”，构筑城市治理的“信任基石”。数据治理是提升治理精度的核心环节，推动数据从“可用”到“好用”，推行“一数一源一标准”，完善数据清洗规则，建立数据质量评价体系，通过跨层级闭环处置机制解决数据失真、滞后等问题。探索AI驱动的目录智能检索、治理规则智能推荐等场景，实现数据治理从“人工审核”向“智能优化”的升级，让数据成为识别城市风险、预判治理问题的信任资产，为多元主体协同治理提供数据保障。 以数据共享的“场景牵引”，激活城市治理的“乘数效应”。数据共享是释放数据要素价值的关键环节，数据共享的核心在于价值共创。搭建城市级数据共享平台，建立跨部门、跨层级的数据流通机制，实现公共数据“一本账”管理、“一平台”运营、“一体化”应用，以“场景牵引”推动数据从“静态资源”转化为“动态动能”，让数据要素与治理场景深度融合，产生“1+1>2”的乘数效应。 超大城市现代化治理的路径，本质上是数据要素与治理需求深度耦合的路径。要持续完善数据要素市场机制、强化数据安全与隐私保护、推动数据应用创新，充分释放数据要素价值潜力，为超大城市治理数智化转型注入持久动能。 作者： 重庆市城市管理局党组成员、副局长 李昌良 来源（公众号）：北京数据

数据安全不是成本，是投资。就像买保险一样，平时看起来没什么用，但一旦出问题，就是救命稻草。 在AI浪潮席卷而来的今天，数据就是企业的血液，数据安全就是企业的免疫力。免疫力强的企业才能在激烈的竞争中存活下来，免疫力弱的，往往一击即溃。

“摸家底”奠定了数据治理成效的基础。本章通过摸底准备、现状调研、数据梳理、现状评估4个步骤和20个模板帮助您了解“组织有什么、缺什么、问题在哪里”。

数据治理体系由组织、制度和技术三大支柱构成，组织体系明确“谁来做”，制度体系明确“如何做”，技术体系明确“用什么做”，三者协同联动、互为依托，共同构成数据治理成功实施的坚实基础。