10%存储拖垮90% GPU投资？ 去年公司花1000万买了60台A100，老板把我叫到办公室问我AI项目的ROI怎么样。 我当时支支吾吾说不上来，后来才发现GPU利用率只有30%，大部分时间都在等数据。 这让我想起2023年我犯的一个错，以为买了顶级的GPU就能出效果，结果被存储系统拖垮了整个项目。 那个教训花了公司快100万，差点让我离职。 今天把这段经历分享出来，是想告诉各位IT管理者：存储不是配角，是GPU价值的放大器。 你GPU利用率低、AI推理速度慢、算不过来，问题可能不在GPU本身，而在被你忽略的存储系统。 一个反认知的观点 先说个反认知的观点：很多IT管理者认为存储就是存数据的，够用就行。 这种想法在AI时代特别危险。 IBM最新的研究发现，不到10%的存储投入，可能拖垮90%的GPU投资。 什么概念呢？ 你花1000万买GPU，只花100万配存储，结果GPU利用率只有30%，相当于700万的GPU投资被浪费了。 我给你一个参考数据，2023年那个项目，我们就是因为存储系统跟不上，导致GPU空转率高达70%，每个月的电费就要多交20万，这种隐形成本很容易被忽略。 为什么存储会成为GPU的瓶颈？ 为什么存储会成为GPU的瓶颈？我给你一个实用的判断方法。 AI训练的典型流程是这样的：GPU先从存储读取训练数据，然后进行计算，计算完成后再把结果写回存储。 这个过程中，如果存储的读写速度跟不上GPU的计算速度，GPU就会一直等待，就像法拉利装了个拖拉机引擎。 IBM的研究显示，AI训练过程中70%的时间GPU在等待数据，只有30%的时间在真正计算。 而存储系统的性能，直接决定了这70%等待时间的长短。 一个真实案例：50万撬动450万价值 我给你一个真实案例，去年我帮一个客户做AI平台优化，他们的GPU利用率一直维持在30%左右，老板以为GPU买少了，准备再投500万扩容。 我让他们先做一次存储诊断，发现存储系统的随机读写性能只有GPU需求的1/3。 后来他们只花了50万升级存储系统，GPU利用率直接从30%提升到65%，节省了450万的不必要GPU投资。 这个案例特别典型，很多IT管理者看到GPU利用率低，第一反应是买更多GPU，而不是先查存储瓶颈。 三个已验证的方法 具体怎么做？我给你三个已经验证过的方法，都是我踩过坑总结出来的。 方法一：全链路诊断 第一个方法是做一次全链路诊断，从数据采集、数据传输、到GPU加载，每个环节都要测速。 这个诊断不用花很多钱，找存储供应商做个免费的PoC测试就行，重点看三个指标：存储的随机读写IOPS、顺序读写带宽、数据传输延迟。 这三个指标如果任何一个低于GPU需求的50%，你就知道瓶颈在哪里了。 我去年用这个方法帮5个客户做过诊断，其中有4个发现了存储瓶颈，而不是GPU不够用。 方法二：AI智能调度 第二个方法是用AI智能调度存储数据。 这个方法是IBM最新的研究成果，他们把AI Agent直接塞进了存储系统，让存储系统自己学会优先调度热点数据。 具体做法是这样的，你在存储系统中部署AI Agent，它会自动分析哪些数据集被GPU频繁访问，然后把这些热点数据放到高速存储层，冷数据放到低速存储层。 这种智能调度可以让GPU的等待时间减少60%以上。 IBM自己的测试数据显示，使用AI智能调度后，GPU利用率可以从30%提升到70%，而存储投入只需要增加不到10%。 这个方法特别适合那种GPU投资已经很大、但利用率一直上不来的场景。 方法三：分层存储架构 第三个方法是做分层存储架构。 这个方法特别实用，你把数据分为热数据、温数据、冷数据三层。 热数据是GPU正在频繁访问的训练数据，放到NVMe SSD层；温数据是偶尔访问的验证数据，放到SATA SSD层；冷数据是历史归档数据，放到大容量HDD层。 这种三层架构可以让存储成本下降40%，同时GPU利用率提升20%以上。 我去年在一家AI公司落地过这个方案，他们原来全部用NVMe SSD，存储成本很高，后来做了分层架构，存储成本从800万降到500万，GPU利用率反而从45%提升到55%。 存储是GPU价值的放大器 如果你正在筹备AI项目，或者GPU利用率一直上不来，建议你先把存储系统查一遍。 存储投入可能只占IT预算的10%不到，但直接决定了90%的GPU投资能不能发挥价值。 就像那个客户，本来准备花500万买GPU，后来只花了50万升级存储，就搞定了问题。 这种投资决策，需要IT管理者跳出传统思维，不是GPU越多越好，而是要看整体ROI。 存储不是配角，是GPU价值的放大器。 你花1000万买GPU，如果存储跟不上，GPU利用率只能到30%，相当于700万被浪费了。 反过来，你只需要多投入10%在存储上，GPU利用率就能从30%提升到70%，相当于用100万撬动了700万的价值。 这个账，IT管理者一定要会算。 2026年AI推理会迎来大爆发，到时候GPU的需求会是现在的3-5倍。 如果你的存储系统现在就有瓶颈，到时候问题会被放大3-5倍。 不如现在就开始布局，把存储系统从配角变成价值放大器，让每一分GPU投资都发挥最大价值。 来源（公众号）：IT管理知识库

2025年年底，推荐性国家标准《数据管理能力成熟度评估模型》（GB/T 36073-2025，简称DCMM2.0）正式修订发布。DCMM 2.0在标准一级能力域由8个增加至9个，新增数据资产域。 国家市场监督管理总局和国家标准化管理委员会正式发布推荐性国家标准《数据管理能力成熟度评估模型》（GB/T 36073-2025），即DCMM 2.0，这一新版标准将于2026年7月1日正式实施，目前已进入“即将实施”阶段。新标准由全国信息技术标准化技术委员会（TC28）提出并归口，由中国电子信息行业联合会会同50多家行业协会、央国企、高校及科研机构共同起草。 新版标准着力构建一个以数据价值实现为核心的资产化、业务化、智能化、可信化新框架。 “资产化”旨在确立数据作为可交易要素的经济属性，为数据资源的市场化定价与流通奠定基础，呼应数据要素市场化配置的改革方向； “业务化”与“智能化”相结合，确保数据供给能精准、高效地支撑具体业务创新与人工智能应用； “可信化”则为数据跨组织、跨域的安全有序流通构建制度与技术并重的信任环境，从而系统推动数据从“管理对象”向“经营要素”转变。 DCMM 2.0在标准架构上实现显著拓展与前瞻布局。一级能力域由8个增加至9个，新增数据资产域。二级能力项由28个增至33个。 DCMM 2.0的核心价值在于为培育和建设全国统一的数据要素市场提供统一的能力标尺。通过评估模型，帮助广大企事业单位建立系统化的运营体系与方法论，成为组织构建数据治理新范式的核心操作指南与支撑体系。 DCMM 2.0 的发布不仅是标准版本的迭代升级，也承载着在数据要素市场化配置背景下，为企业构建统一数据管理能力参照体系的现实意义，体现出数据治理模式由内部管控向要素化、价值化方向演进的趋势。推动数据治理从传统管理向现代化要素运营演进，为“十五五”时期做强做优做大数字经济提供坚实支撑，标志着我国数据治理体系建设进入以激活要素价值为导向的全新阶段。 DCMM1.0 和DCMM2.0系统对比 DCMM2.0（GB/T 36073-2025）于2025年12月31日发布、2026年7月1日实施，核心是新增数据资产域、升级能力项与成熟度规则，适配数据要素市场化与合规要求，相比DCMM1.0更聚焦价值释放与安全可控。 以下是系统对比与核心内容梳理： 一、修订背景 二、能力域对比 1. 能力域架构升级 DCMM1.0：8个能力域、28个能力项、445条评估指标，覆盖数据战略、治理、架构、应用、安全、质量、标准、生命周期。 DCMM2.0：9个能力域、33个能力项，核心调整如下： 新增数据资产域含权属管理、价值评估、资产运营，支撑数据资产入表与价值释放。原“数据应用”调整为数据应用流通：新增外部数据管理，规范数据合作与引入合规。数据安全衔接《数据安全法》《个人信息保护法》，细化个人信息保护、跨境数据治理；数据质量新增非结构化数据标注与检索规则等。 2. 能力项关键变化 三、成熟度等级与评估规则调整 1. 等级划分优化 DCMM1.0：5级（初始级1→受管理级2→稳健级3→量化管理级4→优化级5），无甲乙双方差异化设定。 DCMM2.0：合并初始级（1级）至受管理级（2级），首次申报最低从2级起评。按甲方（需求/应用方）、乙方（服务/提供方）业务属性，差异化设定评估指标与要求。优化级（5级）门槛提升：新增持续创新、数据驱动业务变革等硬性要求，强调数据价值最大化与生态协同。 2. 评估指标与术语更新 指标体系适配新能力域，补充数据资产、流通合规等相关指标，强化可操作性。 更新“数据文化”“数据流水线”等18个关键术语，贴合当前数据管理实践。 四、核心价值与适用场景 DCMM1.0：以基础数据管理体系建设为核心，帮助企业搭建标准化制度与组织架构，规范全流程管理，适用于数字化转型初期的企业。 DCMM2.0： 突出数据资产价值。助力企业实现数据从成本中心到价值中心的转变，支撑数据资产入表与市场化交易。 强化合规与安全。全面满足数据安全与个人信息保护合规要求，降低合规风险。 适配新技术场景。支撑AI训练数据治理、隐私计算等新技术应用，推动数据驱动创新。 适用场景：数字化转型进阶期企业、数据要素流通活跃的行业（金融、互联网、制造等）、涉及跨境数据处理的企业。 五、企业应对建议 对照新能力域梳理现状。重点排查数据资产权属、价值评估、外部数据管理等短板。 升级数据管理制度。完善数据资产相关制度，修订数据安全、质量、流通等流程，适配新合规要求。 分阶段推进能力建设。优先夯实数据资产基础能力，再拓展数据应用流通与创新能力，结合自身业务属性（甲方/乙方）制定差异化提升路径。 提前准备评估。熟悉DCMM2.0评估规则，针对优化级新增要求，提前布局数据驱动业务变革与持续创新机制。 来源（公众号）：数据要素社

在数字化转型浪潮中，数据已成为组织最核心的资产。然而，传统数据治理模式往往陷入“大而全、长周期”的困境——耗时数月甚至数年梳理数据，最终却因业务需求变化或价值不明确而半途而废。如何打破这一困局？敏捷数据治理正成为破局的关键。 一、敏捷治理：以价值驱动的“小步快跑” 传统数据治理常以“建标准、理资产、治质量”为线性路径，导致治理与业务需求脱节。而敏捷治理的核心在于“价值优先、场景切入”，通过快速解决业务痛点证明价值，逐步积累治理资产。 核心策略： 聚焦高价值场景：直接对接业务需求（如组织机构数据不准、分析需求无法满足），以此为治理起点。 最小可行治理（MVG）：将庞大体系拆解为可独立交付的小模块，优先解决核心问题。 自动化工具赋能：利用元数据发现、数据血缘解析等工具替代手工盘点，提升效率。 轻量化协作：成立虚拟敏捷小组，以2-4周为周期冲刺，简化审批流程。 持续迭代优化：设定可衡量指标，定期回顾并调整优先级。 二、高校数据治理：从“痛点”到“速赢”的闭环 高校数据治理面临三大痛点：标准不一致、原始数据质量低、数据价值呈现不足。传统线性路径难以快速见效，而“以用促治、单点突破”的敏捷闭环则能在2-3个月内初见成效。 行动框架： 选定“速赢”场景：选择业务部门痛点深、领导关注度高的场景（如“人员身份治理”“教师一站式办事”）。 反向定义主数据与规则：围绕场景需求，锁定核心主数据（如“学生”“课程”），制定最小化标准和质量规则。 轻量级技术整合：建立临时数据视图，实施质量稽核与整改，快速开发场景应用。 沉淀资产并复制推广：将治理成果固化为资产，向全校展示并征集下一个痛点场景，形成治理飞轮。 三、学生关爱系统：敏捷治理的“小切口”实践 以学生关爱系统为例，敏捷治理可在4-6周内交付可见价值。核心思路是“反向驱动、精准治理”，通过解决“主动发现重点关注学生”的场景需求，快速打通数据。 敏捷步骤： 精准定义场景：与学工部、保卫部等部门确定痛点（如“识别多重风险学生”），转化为数据产品需求。 梳理最小数据需求：围绕“学业、经济、心理、社交”四类风险，列出必要数据清单，确认唯一主数据（学号）。 治理与整合并行：成立虚拟小组，轻量级对齐主数据，自动化探查并修复数据问题，构建“关爱数据专区”。 快速应用与反馈：开发预警看板，试点后收集反馈，形成持续优化闭环。 四、敏捷治理的关键要点 范围最小化：只治理场景必需的数据，不求全。 决策扁平化：虚拟小组拥有现场决策权，避免层层审批。 工具轻量化：优先利用现有工具和脚本，避免等待大型平台。 价值即时化：以“周”为单位交付成果，持续获得业务支持。 结语：让治理“于无形”中创造价值 敏捷数据治理的精髓在于“治理于无形”——通过快速解决业务痛点证明价值，逐步培养组织习惯，自然演化出完善的治理体系。高校数据治理应摒弃“四面出击”的传统思维，集中火力打造“治理飞轮”，让数据在业务场景中真正释放价值。 敏捷治理，让数据从“资产”变为“价值”，数据治理不再是一项“工程”，而是一种“能力”。通过敏捷方法，组织能快速响应业务需求，让数据治理真正服务于业务创新，实现从“被动治理”到“主动赋能”的转变。 来源（公众号）：数智转型洞察

有一个关于盲人摸象的古老故事。每个人都摸到了大象的不同部位，然后都确信自己了解了大象的全部。有人摸到了象鼻，说它像蛇；有人摸到了象腿，坚持说它像树；还有人摸到了象身，说它像墙。 企业级人工智能看起来很像那样。 问工程师公司应该如何使用人工智能，你可能会听到代理、编排、API、评估和应用架构等术语。问顾问，你可能会得到一份转型路线图。问领域专家，你可能会听到某个应该立即自动化的高价值工作流程。 这些观点本身并没有错，但它们都不全面。而且大多数观点都忽略了一点：真正每天从事实际工作的人，往往才是最先发现人工智能在哪些领域能发挥作用的人。 这一点很重要，因为企业在人工智能领域早期犯的最大错误是认为实现价值的途径是从训练或构建开始的。 通常的模式是这样的：首先，公司培训员工如何撰写简洁明了的内容以及如何安全使用人工智能。然后，公司筛选出一些有前景的工作流程，并委托开发定制应用程序来实现自动化。这两个步骤听起来都很合理，也都有帮助。但单独来看，它们都无法解决根本问题：有效的AI实践仍然分散、地域性强，难以复用。 结果不出所料。一个团队开发出一个巧妙的客户支持分诊提示。另一个团队创建了一个内部代理，帮助分析师准备周报。一位开发人员找到了一个强大的 MCP 集成方案，使代理能够访问内部文档、问题跟踪器和分析系统。还有人构建了一个 Claude Code 工作流，可以将缺陷单转化为实施计划草案。所有这些都很有价值。然而，在大多数企业中，它们仍然局限于个人笔记本电脑、Slack 讨论、笔记本或一次性演示中。 这就是企业人工智能的重大秘诀：企业并非仅仅通过培训员工使用人工智能或构建孤立的人工智能应用就能获得最快的回报。相反，当企业创建一个共享平台，让有用的提示、代理、技能、工具和支持多级协作平台（MCP）的功能能够被发现、改进、管理和复用时，才能获得更快的回报。 为什么独自训练效果不佳 想象一下，给每位员工的办公桌上都放上一款功能强大的AI工具，比如OpenClaw，然后说：“它几乎可以自动化所有事情。去用吧。” 这听起来很有启发性。但实际上，这往往会导致犹豫不决。 大多数人醒来时并没有一份清晰明了的“值得自动化的任务”清单。他们有工作要做，有截止日期要赶，还有几十个细小的决策需要做出。他们每天的精力往往分散在各种例外情况、判断、反复沟通和碎片化的系统中。他们或许能从人工智能中获益匪浅，但他们可能无法提前明确哪些工作应该通过提示、自动化、代理或应用程序来实现。 这就是为什么最初的热情过后，推广应用往往会停滞不前的原因之一。员工可能会尝试，但这些尝试并不会自动转化为组织共享的能力。 这与更广泛的市场数据相符。麦肯锡对人工智能现状的研究发现，各组织机构正在迅速提高人工智能的采用率，但只有极少数机构能够大规模地看到人工智能对企业盈利的实质性影响。德勤的报告也指出，尽管各组织机构热情高涨且投资巨大，但许多机构仍然难以从试点阶段过渡到规模化应用，从而创造价值。这种差距通常并非源于缺乏创意，而是缺乏可复制性、推广性和运营化。 培训能帮助人们跨越最初的障碍，但它本身并不能修建道路。 为什么“让我们开发一个应用”的范围太窄 当企业不再局限于培训时，他们通常会直接着手为特定用例构建定制软件。 这并没有错。有些流程确实需要专门的产品体验。例如，受监管的承保工作流程、临床审核流程或关键任务型开发平台，可能都需要一个功能完善、针对特定任务的应用程序，该应用程序应具备可审计性、基于角色的控制以及结构化的界面。 但这对于大多数机会来说，起点太高了。 企业人工智能价值的最初体现往往并非一个完整的应用程序，而是一个每天能节省 20 分钟的提示模板，或者是一个可复用的研究工作流程，又或者是一个能够从文档中提取上下文信息、总结工单、撰写回复、比较合同、生成初步 SQL 查询语句或准备代码审查清单的智能体。这些并非微不足道的成果，规模化应用后，其价值将成倍增长。 假设一家公司拥有 2000 名知识型员工。如果其中只有 25% 的员工每天通过可复用的 AI 技能和共享代理工作流程节省 20 分钟，那么一年下来就能节省超过 4 万小时。即使在流程重新设计之前，这也能带来显著的运营效益。而且，与单个定制应用程序不同，这些效益可以同时在多个团队中实现。 问题在于，大多数企业仍然缺乏获取、改进和推广这些成功经验的机制。 缺失的层面：共享的企业公共领域 企业需要的不仅仅是人工智能的使用权限，还需要用于共享的人工智能基础设施。 这意味着存在一个公共层，人们可以在该层上贡献代码并发现可重用的功能，例如： 能够可靠地执行有价值任务的提示 协调多步骤工作的代理 具备将可重复的方法或工作流程打包的技能 将人工智能与业务系统连接起来的工具 MCP 服务器可安全地向代理应用程序公开数据、系统和服务。 模板和评估模式使成功应用得以复现 团队认可的适用于 Claude Code、Codex 和其他代理工作空间等应用程序的最佳实践 这一层充当人工智能使用的组织记忆。 令人惊讶的是，我还没有遇到过哪个工程团队能够自主创建这种编码共享平台。 如果没有它，每个员工都将从零开始。有了它，一位员工的洞察力就能加速其他团队的工作。良好的内部提示将成为标准操作工具。实用的 MCP 集成将惠及全公司。高效的开发人员调试工具将成为每个工程团队可复用的功能。法务部门开发的合同汇总工作流程也将成为采购和销售运营部门值得信赖的工具。 这就是本地实验如何转化为企业优势的过程。 从个人发现到组织能力 企业人工智能最重要的转变不是从“人工操作”到“自动化”，而是从孤立的发现到共享的能力。 想想这在实践中会如何发展。 一位产品经理发现，结构化的提示加上文档检索工具，就能将杂乱的客户访谈记录整理成一份清晰的每周洞察简报。这本身对一个人来说就很有用。但如果将这一工作流程打包成一项可复用的技能，并编写文档、共享，同时将其发布到公司的AI工作区，那么其他几十位产品经理就能立即使用。随着时间的推移，还可以通过改进检索功能、优化架构和完善评估标准来进一步提升效率。 以软件工程为例。一位资深开发人员创建了一个 Claude Code 工作流，该工作流读取 GitHub 问题，检查相关代码库，识别可能需要修改的文件，制定计划并提出测试用例。这个工作流最初可能只是个人提高效率的小技巧。但一旦在内部共享，它就变成了一种可复用的工程能力。如果再添加一个 MCP 服务器，提供对代码库元数据、项目文档和 CI 信号的安全访问，那么这个工作流就会变得更加健壮，用途也更加广泛。 同样的逻辑也适用于整个企业： 在销售中，可重复使用的代理可以汇总客户信息、生成通话准备材料，并根据 CRM 环境起草后续跟进内容。 他们可以提供支持，对工单进行分类，识别重复出现的问题，并根据帮助中心的内容提出解决方案。 在财务方面，他们可以解释预算差异、撰写评论，并准备初稿董事会报告材料。 在法律领域，他们可以比较条款、识别风险并组织合同审查。 在操作中，它们可以将零散的标准操作程序转化为引导式执行流程。 共享资源使这些模式可见且易于移植。 为什么MCP比它们乍看起来更重要 模型上下文协议 (MCP) 服务器之所以重要，是因为真正有用的企业级人工智能很少仅仅关乎模型智能，它还关乎在正确的时间获取正确的上下文、工具和系统。 缺乏业务背景的模型虽然条理清晰，但却流于表面。而通过精心设计的管理控制点（MCP）连接的模型，则能真正发挥作用。 例如： 与从零开始的编码代理相比，连接到版本控制、问题跟踪和内部文档的编码代理可以提供更好的实现支持。 连接到产品文档、帐户历史记录和已知事件的支持代理可以生成更准确的回复。 连接到内部报告、分析和客户笔记的研究代理可以综合出原本需要数小时手动整理才能得出的见解。 因此，企业面临的挑战不仅仅是“我们应该使用哪种模型？”，而是“我们如何在整个组织内提供最佳功能（上下文、工具、提示和代理模式），使其可重用、可管理？” 领先者不仅可以使用前沿模型，还将拥有围绕这些模型构建的可重用功能的内部生态系统。 机遇背后的统计数据 越来越多的数据支持这一观点。 麦肯锡的报告指出，生成式人工智能每年可为全球经济创造数万亿美元的价值，其中大部分价值集中在客户运营、市场营销、软件工程和研发等知识密集型工作领域。与此同时，许多调查也显示出一个熟悉的模式：企业都在大力投资，但只有少数企业能够成功地将人工智能扩展到所有工作流程中。 IBM 的企业人工智能研究发现，领导者们认为数据复杂性、技能差距和工具碎片化等障碍是实现人工智能价值的主要阻碍。微软和 LinkedIn 的工作趋势指数也显示，员工已经开始将人工智能应用于工作中，其速度往往快于企业制定正式的使用规范。这是一个至关重要的信号：人工智能正在被广泛采用。问题在于，企业能否将分散的使用转化为共享优势。 基于共享资源的方法恰好弥补了这一缺口。它减少了重复工作，加快了新用户上手速度，总结了最佳实践，使治理能够应用于可重用的资产，而不仅仅是一次性的实验。此外，它还能帮助组织识别哪些新兴工作流程值得转化为产品。 更完善的企业人工智能成熟度模型 大多数公司实际上都遵循着如下的成熟度模型： 对人们进行人工智能基础知识培训。 先试运行几个试点项目。 开发一些自定义应用程序。 尝试按比例缩放。 更好的模型是： 让团队能够使用功能强大的AI工具。 为提示、代理、技能、工具和 MCP 创建一个共享的企业公共资源。 让员工贡献、发现、调整和改进可重用的工作流程。 观察哪些能力能够真正推动应用并创造可衡量的价值。 必要时，将最重要、经过验证的工作流程推广到专用应用程序或产品中。 为什么？因为它既降低了实验成本，又保留了标准化的优势。企业无需为每个有前景的应用场景都预先开发一个软件项目，而是可以在人们已经使用的环境（例如聊天工作区、编码代理、内部助手和桌面人工智能工具）中测试和改进各项功能。 只有当一个工作流程证明了它的价值、可重复性和市场需求后，才需要将其发展成为定制产品。 这种顺序至关重要。它既能防止企业过早过度建设，又能为规模化发展创造条件。 这在一家真实的公司里是什么样的呢？ 想象一下一个拥有 5000 名员工的企业，其团队涵盖工程、财务、销售、运营和法律等各个领域。 在传统的AI部署过程中： 提供培训 一些团队进行了试验 零星的成功出现 有些商业案例是为定制应用程序编写的。 大多数有用的发现仍然分散各处。 在基于公共资源的推广中： 每个团队都可以访问企业级人工智能工作空间。 员工可以发布有用的提示、代理和技能。 精选的 MCP 服务器连接已批准的系统和数据源。 团队负责人可以推荐或批准可重用的功能。 像 Claude Code 或 Codex 这样的应用程序中使用的工具可以共享，而无需重新构建。 高效的工作流程在各部门间获得可见性。 治理、版本控制、访问控制和评估均采用集中式管理。 产品团队可以确定哪些共享功能值得进行全面的应用投资。 区别在于，现在这家公司不再仅仅是“使用人工智能”，而是在构建机构级人工智能资本。 战略回报 这种模式的战略收益不仅仅体现在生产力方面。 共享企业资源创造了： 更快实现价值，因为实用功能无需等待完整的应用程序开发即可扩展。 实验的投资回报率更高，因为一个人的发现可以使数百人受益。 更好的治理，因为可重用资产可以进行审查、版本控制、权限管理和监控。 由于人们从成熟的工作流程入手，而不是从空白聊天框开始，因此采用率会更高。 更清晰的产品信号，因为使用最广泛、影响最大的功能自然会揭示哪些体验值得专门的软件投资。 换句话说，共享平台并非企业软件的替代品，而是检验企业软件优劣的试验场。在这里，企业可以学习哪些方法真正有效。 新的竞争优势 随着智能体应用变得越来越普遍，无论是在 Claude Code、Codex、内部副驾驶系统还是未来的 AI 工作空间中，竞争优势将越来越来自企业能够在这些环境中提供的功能。 它不仅仅是一个模型，也不仅仅是一个聊天界面，而是一个由共享提示、代理、技能、工具以及基于 MCP 的真实组织环境访问构成的鲜活生态系统。 那些能做到这一点的公司之所以能发展更快，并非因为它们将每个用例都开发成了应用程序，而是因为它们使有用的功能可以移植。它们会让组织从边缘发现价值，推广行之有效的方法，并将反复取得的成功转化为记录系统和执行系统。 这才是企业人工智能的真正行动指南。 培训人员，当然要。必要时，也一定要生产产品。 但首先，要建立公共资源。 因为实现企业人工智能价值的最快途径并非要求每位员工从零开始创造，也并非强行将每个想法都转化为软件项目。而是为企业提供一种共享的方式，用于捕获、推广和复用行之有效的方法。 这就是实验如何转化为基础设施的方式。这就是个人创造力如何转化为组织杠杆的方式。 这就是企业人工智能的最大秘密。

为全面贯彻落实党的二十大和二十届历次全会精神，深入落实中央经济工作会议和全国两会精神，按照“十五五”规划纲要任务部署，促进实体经济和数字经济深度融合，国家数据局印发《2026年数字经济发展工作要点》（以下简称《工作要点》）。 《工作要点》对2026年推进数字经济高质量发展重点工作作出部署，提出8个方面重点任务。 一是深化数据要素市场化配置改革。 加快建立全国统一数据产权登记制度，印发登记指引，推动各地加快建立健全公共数据授权运营价格形成机制，制定出台建设开放、共享、安全的全国一体化数据市场相关政策文件。 二是筑牢数字基础设施底座。 加快建设全国一体化算力网，推动数据、网络、算力、能源等资源协同布局，稳妥推进数据基础设施建设，支持行业、领域示范性设施建设。 三是强化数据赋能人工智能发展。 实施强基扩容、应用赋能、提质增效、管理服务、价值释放、标注攻坚6大专项行动，形成一批满足AI就绪度要求、有效训练先进模型、切实解决行业难题的标杆性高质量数据集。 四是提升数字经济核心竞争力。 因地制宜培育创新引领型、区域支柱型、区域特色型数字产业集群，培育数字经济创新型企业，构建“政府+企业+创新+投资”四合一的专业化遴选培育机制，组建数字经济创新型企业培育库，开展企业遴选。 五是促进实体经济和数字经济深度融合。 深入推进制造业数字化转型行动和重点行业数字化转型实施方案，加快赋能服务业扩能提质，丰富数据资源运营、数据技术创新、数据分析应用等服务供给，鼓励探索风险共担、收益共享的数据应用服务新模式，围绕数据赋能重大场景建设，培育一批数智化转型服务商。 六是提升数字化治理与服务能力。 推进数字经济促进法立法进程，持续推进数据安全管理，强化重要数据和核心数据识别与保护。 七是深化数字经济国际合作。 开展数字经济多双边合作，积极参与数据领域国际规则标准制定，鼓励有条件的地方探索建设数据跨境流动服务基础设施、国际数据中心，建设一批跨境可信数据空间。 八是营造良好发展环境。 探索构建央地协同、科学规范的数字经济监测评估体系，研究发布数字经济发展指数和有关先行指数，深化国家数字经济创新发展试验区建设，组织开展专家行活动。 下一步，国家数据局将会同有关部门抓好各项任务落实，以经济领域重大场景为切入，充分释放数据要素价值，助力建设现代化产业体系，加快培育新质生产力，赋能经济高质量发展。 来源（网站）：国家数据局

领导者们，现在的问题不再是这场变革是否会发生，而是你们是先于变革做好准备，还是被动地应对变革。 我想从最高层开始——不是从分析师的职业焦虑开始，而是从这一刻对于负责数据职能的领导者来说究竟意味着什么开始。 大多数商业智能和分析团队的架构都基于一个已被悄然推翻的核心假设：组织智能的主要制约因素是人对 SQL 的访问权限。消除这一障碍——通过增加分析师人数、完善商业智能工具、覆盖仪表盘——企业就能更加数据驱动。 这一假设推动了长达十年的分析投资。它催生了庞大的商业智能团队，推动了Tableau和Power BI许可证的增长，并将“数据驱动”变成了高管层的口头禅。而且，它的确达到了目的。至少在一段时间内是这样。 智能体人工智能已经使它过时了。 如今，制约组织智能发展的不再是查询权限，而是连接原始数据和业务决策的知识层的质量。更紧迫的问题是速度——仪表盘本质上是被动的，只有在用户主动查找后才能提供洞察，而业务领导者越来越需要在事件发生时就能获得答案。智能体系统不会等待用户提问，它们会持续监控、推理并呈现信息。 那是一种截然不同的模式，需要一支截然不同的团队。 智能体人工智能对商业智能功能究竟有何作用 让我们说得更具体些，因为关于人工智能取代分析师的模糊说法对任何人都没有帮助。 智能体分析的最佳应用方式是增强而非取代组织现有的嵌入式商业智能和数据系统——它建立在已有的数据管道、语义模型和治理框架之上，使人工智能代理能够直接在公司现有环境中运行。关键在于“建立在……之上”。没有“直接部署人工智能”的捷径。基础设施必须先存在。语义层必须构建完成。业务逻辑必须编码完成。而且，必须有人来管理它。 正在消亡的是被动的、请求驱动的分析工作流程。智能体人工智能系统可以在几秒钟内完成分析，而分析师手动收集、查询和验证数据则需要两到四个小时。这种时间压缩并非意味着分析师变得无关紧要——相反，它使得分析师的机构知识，如果被正确编码到系统中，其价值将远超以往仅存在于他们头脑中的情况。 转变之处在于：以前分析师的输出是一个查询语句，现在则是一个受控的定义，一百个用户无需提交任何工单即可同时进行查询。 智能体人工智能使数据分析民主化，让组织内的广大用户都能轻松获取数据——业务用户可以提出复杂的问题，并获得简洁明了、对话式的答案，而无需了解 SQL 或任何技术语言。这对领导者的影响显而易见。非技术背景的利益相关者现在有了一个可靠的替代方案，无需再向你的团队寻求帮助。如果你的团队没有构建确保答案准确性的智能层，其他人就会去做——更糟糕的是，人工智能可能会凭空捏造出一个听起来合理的答案。 领导者思维模式问题：关注结果还是关注原因 真正的问题在于此，我就直说了。 目前大多数数据领导者都处于观望状态。他们密切关注着通用商业智能（GenBI）市场的发展，等待观察哪些工具最终胜出，谨慎地开展试点项目，并告诉团队“人工智能将增强而非取代现有业务”。这种说法本身并没有错，但却是一种危险的被动姿态。这是一种等待外部事件明朗化后再确定方向的心态。 那些身居要职的领导者不会坐以待毙。他们做出了如下豪赌：他们组织中的语义层——即对业务指标实际含义进行编码、管理、机器可读的定义——是他们现在能够构建的最有价值的基础设施。而且，他们是在被迫之前就着手构建它。 这两种策略带来的结果差异将十分显著。将人工智能项目成果与可衡量的仪表盘挂钩的分析团队，将改变预算讨论的焦点——不再围绕工具成本，而是围绕可衡量的回报。这种转变将数据职能从成本中心提升为战略资产。率先展开这种讨论的领导者将主导讨论的走向。 身处事业之中意味着要做出那些在没有完全把握的情况下令人感到不舒服的决定： 在GenBI平台完全验证之前，将分析师的精力从报告撰写转移到语义层构建。 在自助查询模式全面投入运营之前，告知利益相关者被动式查询模式即将逐步停止运行。 在组织尚未完全理解原因之前，就通过智能基础设施重组团队角色和 OKR，降低每次洞察的成本。 这种不适感是走在时代前沿而不是落后于时代所要付出的代价。 重新思考组织设计：从服务台到智能基础设施 组织架构设计问题是大多数数据领导者遇到的瓶颈。当前的组织结构既熟悉又稳定，并且与利益相关者的关系紧密相连。要改变它，就必须正视组织结构本身存在问题这一事实。 如今大多数 BI 团队都是按照领域相关的服务职能构建的： 这种设计旨在优化对各个利益相关群体的响应速度。每位分析师都拥有一个队列、一组关系以及一套领域知识。问题在于，这三者——队列、关系和知识——都属于个人，而非系统。当分析师离职时，这些知识也随之流失。当队列增长时，系统会聘请另一位分析师。当利益相关方需要新的仪表盘时，则由工程师负责构建。 传统商业智能 (BI) 的局限性意味着只有经过培训的分析师才能获取洞察，或者需要 BI 团队的参与，而且报告反映的是历史数据，而非未来预测或可执行的建议。服务台模式在结构上无法改变这一点。它的规模与员工人数呈线性增长，并且只能生成特定时间点的快照，而非动态的智能层。 GenBI 时代的团队设计遵循不同的原则：一次编码，处处可用。但支撑这一理念的结构模型并非重新集中化的分析功能，而是联邦式结构。领域团队拥有各自的数据产品，而中央平台团队则拥有运行所有这些产品的基础设施。这就是应用于智能体人工智能时代的“数据网格”原则。 这个设计中有几点值得一提。 平台团队是赋能者，而非守门人。其职责是提供基础设施、标准和工具，使领域团队能够独立构建和发布数据产品——包括语义引擎、GenBI 运行时、治理框架和数据目录。平台团队不拥有业务逻辑，业务逻辑属于各个领域。 每个领域团队都是一个全栈数据产品单元。它包含语义知识（负责编码业务定义的专家）、构建能力（负责构建和维护转换层的分析工程师）以及对两者都负责的领域专业知识。如果商业团队对客户流失的定义有误，则由商业分析负责人负责，而不是由与业务背景相隔三层的集中式 BI 部门负责。 在这次转型中，分析工程师的角色最被低估。在旧模式下，分析工程师是 dbt 开发人员——他们编写 SQL 转换、建模数据并构建分析师查询的干净表。在新模式下，他们是智能层本身的架构师。原因如下：一个成熟的 dbt 项目不仅仅是一个转换库，它是一个结构化、版本控制且文档齐全的知识库。每个 dbt 模型都有名称、描述、列级文档以及内置的业务逻辑测试。在 dbt 语义层中定义的每个指标（通过 dbt Metrics 或 MetricFlow）都是一个机器可读的业务定义，并附带一个血缘图。这正是 Vanna 和 Wren AI 生成准确、上下文相关的 SQL 所需的训练语料库。懂得如何将 dbt 项目作为 GenBI 训练源的分析工程师并非在做一份新工作——他们只是以更高的效率完成现有工作。他们不再构建分析师查询的模型，而是构建用于训练所有人都在查询的 AI 的模型。 dbt 存储库成为动态语义层，随着业务的发展不断更新，自动向智能层提供受管控的定义，而无需从头开始手动标注。 每个领域的分析主管都是一种新型角色。他们并非负责协调分析师工作的经理，而是资深实践者，负责该领域语义层的产品开发，包括其覆盖范围、准确性、治理以及随着业务变化而不断演进。他们参与业务部门领导层的讨论，了解决策内容以及支持这些决策所需的定义。 跨域指标由统一的部门进行管理。跨越多个领域的指标——例如公司总收入、综合客户获取成本、综合客户流失率——通过相关领域负责人参与的联合流程进行定义，并由平台团队的治理层批准。任何单一领域都无权单方面拥有这些指标。这是大多数数据网格实现方案设计不足的棘手治理问题，需要明确的设计而非假设。 从纸面上看，人员编制可能与现在差不多。但问责模式却截然不同。知识不再属于个人，而是属于版本化、文档化和管理化的领域数据产品。即使管理员离职，语义层依然保留。随着业务发展，领域负责人会更新定义。智能基础设施将成为组织资产，而非依靠机构记忆和Slack聊天记录维系的个人专业知识集合。 真正有效的技能提升计划 大多数组织中关于技能提升的讨论都缺乏正确的视角。领导者宣布启动“人工智能技能提升计划”，购买平台许可，并衡量在线课程的完成率。三个月后，分析师的行为却没有任何改变。 这种方法行不通，因为它把技能再培训视为学习问题。实际上，它是一个工作设计问题。 人们很容易急于在所有岗位上同时提升GenAI素养，但正确的方法是从业务成果入手，思考人工智能投资如何促进或加速这些成果的实现，然后再明确实现这些成果所需的技能。如果只注重技能而忽略成果导向的再培训，最终只会培养出证书收集者，而非真正具备实践能力的从业者。 以下是商业智能和分析职能部门进行转型时，有效的技能再培训的具体内容： 第一层级：面向所有分析师的人工智能素养（第 1-4 周） 团队中的每位分析师都需要对 GenBI 工具的运作方式有一个清晰的理解——不是如何配置，而是它们的准确性如何取决于底层语义层的质量。这是基础。如果没有这个基础，分析师就会把 GenBI 当作玩具，而不是他们负责构建和管理的系统。 实用形式：每周一次 90 分钟的工作坊——一部分讲解概念，一部分使用您的实际数据和 GenBI 平台进行实践操作。使用您自己的指标作为培训材料。标注您自己的查询。学习与实践密不可分。 第二层级：高级分析师的语义策展技能（第 5-12 周） 这才是真正技能提升的关键所在。高级分析师需要学习如何系统地将 SQL 知识转化为结构化的语义定义。具体技能包括： 编写精准的业务定义，消除歧义 识别并记录对指标的常见误解 对 GenBI 工具可作为训练数据接收的注释进行结构化处理 运行验证测试——使用利益相关者提出的相同问题查询 GenBI 层，比较输出结果，并进行迭代。 为期 12 周的课程可以将初级分析师培养成人工智能运维专家——对于拥有深厚领域知识的高级分析师来说，转型速度更快。他们的专业知识是原材料，课程教他们如何将其转化为实际应用。 第三层级：面向 GenBI 的分析工程（第 3-6 个月） 这是最直接、最具杠杆效应的技能提升发生的地方——也是大多数组织错失重大价值的地方。 已经使用 dbt 的分析工程师拥有一个尚未被广泛理解的优势。一个维护良好的 dbt 项目本身就是一个语义知识库。模型描述、列级文档、dbt 测试和 MetricFlow 指标定义都是结构化、机器可读且版本化的工件。Vanna 基于 RAG 的训练管道可以直接将 dbt 模型 YAML 文件作为文档源导入。Wren AI 的原生 dbt 集成意味着您可以连接现有的 dbt 项目，并完全跳过手动语义层设置——转换层本身就成为了训练语料库。 因此，分析工程师的技能提升并非从零开始学习新工具，而是学习如何编写以 GenBI 使用为导向的 dbt 文档： 模型描述应解释业务目的，而不仅仅是技术结构 列描述应定义业务含义，而不仅仅是数据类型 dbt 测试对每个指标的“正确”状态进行编码，并将失败结果作为语义层治理信号呈现出来。 MetricFlow 指标定义使业务计算更加明确、可重用且可供 AI 查询 一位分析工程师如果在整个数据库项目中系统地执行此操作，实际上就为 Vanna 或 Wren AI 预先构建了语义层。原本需要语义标注员花费数周时间才能从原始 SQL 数据中手动完成的标注工作已经完成——只需根据业务上下文编写合适的代码，即可用作 GenBI 训练数据。 此层级的学习工具：选取一个领域的数据库项目，审核文档完整性，重写模型和列描述以符合 GenBI 就绪标准，连接到 Vanna 或 Wren AI，并测量修改前后的查询准确率。差值即为概念验证。 什么因素加速了这三个层次的发展： 将技能提升与绩效目标直接挂钩。语义覆盖率、自助服务采用率和人工智能数据产品使用率是新的关键绩效指标 (KPI)。当职业发展取决于构建智能层而非处理查询时，分析师就能更快地适应新模式。 引入适当的激励措施可以激发员工的学习意愿，而让高管团队走在变革的前沿至关重要。如果数据副总裁仍然以仪表盘交付量和工单解决率来衡量团队绩效，那么无论技能提升计划的质量如何，最终都将以失败告终。 责任归属：当人工智能出错时，谁该负责？ 这是大多数 GenBI 实施项目在出现问题之前都会回避的治理问题。但这个问题无法回避。 当业务用户向 GenBI 平台询问“我们上季度的转化率是多少？”却得到错误答案，并据此采取行动时，谁该为此负责？不是人工智能，也不是平台供应商。责任在于拥有生成该答案的语义定义的人。或者，如果没有人负责，那么责任就在于允许未经监管的人工智能输出结果传递给决策者的数据负责人。 这才是所有权真正发挥作用的地方，而不仅仅是激励作用。 语义层中的每个指标都需要一个负责人。该负责人负责： 业务定义的准确性 对支撑它的 SQL 进行验证 随着业务发展，需要定期审查该定义。 输出错误时的事件响应 这并非官僚主义，而是确保大规模部署 GenBI 系统可信度的最低限度治理结构。人工智能治理需要透明度、审批门槛和决策监控——这些措施确保人工智能代理以负责任的方式运行，与现有 BI 系统无缝集成，并交付可衡量的业务成果。 实际上，情况如下： 指标注册表：一份动态文档（或者更准确地说，它本身就是一个受监管的数据产品），它将语义层中的每个指标映射到所有者、定义、上次验证日期以及负责签署定义的业务利益相关者。 语义审查频率：每月或每季度，由审核员审查使用率最高的指标，根据当前的业务实际情况验证其定义，并标记偏离最初意图的指标。 查询审计跟踪：GenBI 的每个输出都可追溯到生成它的语义定义——这不仅便于调试，还能满足受监管行业和财务职能部门所需的审计置信度。 在需要之前就构建好这一治理层的团队将赢得信任。而在事件发生后才构建的团队则需要花费数月时间才能恢复信誉。 衡量投资回报率：数据领导者需要的框架 大多数数据转型项目在第二年就夭折的原因并非技术故障，而是无法用首席财务官和首席执行官能够理解的方式阐明投资回报率。 “我们减少了分析师的工作量”不是一个商业案例。“我们在保持员工人数不变的情况下，将可决策范围扩大了5倍”才是。 以下是我用来衡量 GenBI 转型效果的 ROIC 框架： 一支中等规模的分析团队（8-12人）预计在12个月内总共需要投资30万欧元至60万欧元，其中包括过渡期间的生产力下降。 三个值流： 第一部分：分析师能力的恢复 追踪转移到自助服务的重复性查询百分比。如果您的团队目前每月处理 200 个临时请求，而自助服务吸收了其中 70%，那么您就释放了相当于 2-3 名分析师全职员工的产能。这些产能可以重新部署到语义层构建和 AI 产品开发中——从而实现收益的倍增，而不是仅仅通过裁员来获取。 第二部分：决策速度和质量 一项针对 500 家公司的 2025 年研究表明，智能人工智能系统可将任务完成时间缩短 34%，并将资源利用率提高 14%。对于那些洞察延迟会直接影响收入的业务职能——例如定价决策、营销活动优化和客户维系措施——这种时间缩短会带来可量化的损益影响。请与您的首席财务官合作，将决策延迟缩短一天所带来的收入与最具价值的应用场景挂钩。 第三部分：数据消费者规模 旧模型的扩展是线性的：增加一名分析师，活跃数据用户数量也会相应增加。新模型的扩展是指数级的：构建一个完善的语义层，就能吸引数百名活跃用户。将每周/每月活跃数据用户数 (WAU/MAU) 作为核心指标进行跟踪。如果您的团队目前服务于 50 位活跃数据用户，而 GenBI 层在 12 个月后服务于 250 位用户，那么您的每次洞察成本计算的分母就降低了 5 倍。这就是其商业价值所在。 ROIC 计算（示例）： 第一年投资：450,000 欧元； 分析师产能回收：180,000 欧元（重新部署 3 名全职员工）； 决策速度价值：200,000 欧元（保守估计，主要用例的延迟降低）； 消费者规模价值：120,000 欧元（避免了未招聘分析师的成本）； 第一年总回报：500,000 欧元； 第一年投资回报率：11% ；第二年（复利增长）： 持续投资：150,000 欧元（平台 + 维护）； 回报（扩展层）：650,000 欧元；第二年投资回报率：330%+ 第一年的投资回报率并不高——这对于基础设施投资而言属于正常现象。能够带来高投资回报率的团队从一开始就注重价值创造，而非为了学习而学习，并且着眼于整体转型，而非仅仅关注单一用例。第二年的回报体现了构建完善的语义层的复利效应。第一年标注的每个指标在第二年都无需任何维护成本。第二年新增的每个数据使用者也无需占用额外的分析师资源。 你应该和你的首席财务官谈谈：不是“我们需要为人工智能工具制定预算”，而是“我们正在构建一个智能基础设施，为更多决策者提供服务的边际成本接近于零”。 分析师现在需要做什么 如果你是以分析师而非领导者的身份读到这里——那么这一部分就是为你准备的。 我所描述的组织架构重塑并非假设，而是已经在一些快速发展的组织中实施。能够展现适应能力而非仅仅具备技术能力的专业人士正变得不可或缺——沟通能力、利益相关者管理能力和数据叙事能力正日益与硬技能一起出现在职位描述中。 能够在这种转型中脱颖而出的分析师都具备一个共同的特质：他们不把SQL知识视为可按需部署的个人技能，而是将其视为需要编码、管理和扩展的机构知识。这种转变的重点在于从“做事”转向“构建能够执行操作的系统”。 具体而言： 立即开始编码。提取过去 90 天的查询记录。针对每个重复出现的指标，编写结构化的注释——包括业务问题、精确定义、常见误解以及经过验证的 SQL 语句。不要等到公司强制要求才开始。这是你的作品集，它能在正式设立语义注释员职位之前就展现你的相关技能。 学习工具，而不仅仅是概念。在个人环境中搭建 Vanna 或 Wren AI 系统。向它输入你标注过的查询。测试它。找出它的问题所在。理解它在哪里失败以及失败的原因——因为这些失败总是源于文档的缺失，而弥补这些缺失正是语义策展人的核心工作。 重新定位你对利益相关者的价值。如果分析师说“我来解答你们的数据问题”，那么他很容易受到攻击。但如果分析师说“我管理的系统能够可靠地解答你们的数据问题”，那么他就不会那么容易受到攻击。这种重新定位不仅仅是语言上的改变——它要求你真正去构建这个系统。但这种框架对于领导层如何看待你在转型过程中的角色至关重要。 要勇于承担责任。指标所有权——即作为业务定义准确性的指定负责人——是一种新型的职业责任。它比编写仅供自己审核的查询语句更具风险性。要积极应对。那些承担情报层责任的分析师，将成为组织不可或缺的人才。 窗口是有限的 只有31%的领导者预计能够在六个月内评估人工智能投资的回报率——这意味着大多数人仍处于试验阶段，开展试点项目，观察市场反应。这就是机会窗口。 大多数组织的语义层都是空的。查询库缺乏文档。业务定义只存在于人们的脑海中。这不是一个可以最终解决的问题。对于那些现在就采取行动的领导者和分析师来说，这是先发优势。 到 2027 年，数据功能将具备受管控的、全面的语义层——构建在 GenBI 基础设施之上，服务于数百名非技术决策者，并具有可追溯的投资回报率——这将与那些在确定性之前才采取行动的竞争对手在结构上形成差异。 确定性尚未到来。在智能体人工智能时代蓬勃发展的组织，都是在市场迫使他们做出选择之前，就决定主动出击的组织。 现在你就可以做出决定了。问题是，你是否愿意做出决定。 来源（公众号）：数据驱动智能

针对SAP物料主数据中高频出现的评估类错误、物料组分类错误、HS Code分配错误及描述不规范问题，需构建"规则引擎+AI模型+外部数据验证"三位一体的治理体系。以上案例显示，AI技术已实现物料主数据错误率降低至1%-3%、运营成本下降30%-50%的突破。 通过NLP算法识别乱码物料（如"螺丝_001"与"LS-01"的语义相似度计算），结合文本（MAKTX）、图像（技术图纸）、结构化数据（MR AI 进行物料主数据编码规则学习训练。 一、核心场景与痛点分析 SAP物料主数据管理挑战 数据质量问题 字段值错误（如单位错误、分类错误） 重复数据（同一物料多版本编码） 描述信息非标准化（如“螺丝_Φ5” vs “螺钉5mm”） 规则验证效率低 人工校验耗时（需核对30+字段规则） 复杂关联规则难以覆盖（如物料组与工厂的依赖关系） 动态规则维护难 新增业务规则需手动编码实现 历史数据规则追溯困难 二、DeepSeeker AI赋能方案 1. 智能数据清洗与补全 （1）技术实现 自然语言处理（NLP）：解析物料描述字段，提取关键参数（如尺寸、材质）python # 示例：描述标准化模型 from transformers import pipeline nlp=pipeline("ner", model="deepseek/ner-material") text="不锈钢螺丝_Φ5x20mm" entities=nlp(text)#输出:{'material': '不锈钢', 'type': '螺丝', 'diameter': '5mm', 'length': '20mm'} 知识图谱补全：基于行业标准库（如ISO标准）自动填充缺失字段 异常检测：利用孤立森林算法识别异常值（如超出合理范围的采购价） （2）SAP集成 开发ABAP接口调用AI服务，在ME11/MM01事务代码界面实时提示修正建议 2. 规则自动化挖掘与验证 （1）规则发现引擎 关联规则挖掘：通过Apriori算法发现字段间隐含关系python # 示例：挖掘物料组与单位的关联规则 from mlxtend.frequent_patterns import apriori frequent_itemsets = apriori(df, min_support=0.1, use_colnames=True) # 输出: {物料组='原材料' → 单位='千克' (置信度98%)} 时序规则检测：识别有效期冲突（如旧物料未失效时创建新编码） （2）动态规则库构建 将AI发现的规则自动转换为SAP可执行的校验逻辑（IDoc/BDC脚本） 3. 持续学习与优化 反馈闭环设计 用户修正记录作为训练数据回流至模型 每周自动生成《规则有效性报告》，标注需人工确认的模糊规则 版本化管理 规则库与模型版本绑定，支持历史数据追溯验证 三、实施路径 阶段1：数据准备与模型训练（4-6周） 抽取SAP中100万+物料历史数据（MATNR、MAKTX、MEINS等） 标注典型错误样本（如单位错误、分类错误）-- AI 人工智能标注（各工厂) 训练初始模型：使用DeepSeek-7B基础模型进行微调 评估指标：字段补全准确率≥95%，异常检测召回率≥90% 阶段2：试点验证（2-3周） 选择3类物料（原材料、半成品、成品）进行测试 在SAP沙箱环境部署AI插件，对比验证： 指标 传统方式 AI赋能后 提升幅度 数据录入效率 15分钟/条 8分钟/条 47% 首次校验通过率 68% 92% 35% 阶段3：全量推广与优化（持续迭代） 部署至生产系统，覆盖所有物料类型（50+分类） 建立监控看板，实时显示：数据质量指数（DQI），规则命中率，用户采纳建议率 四、收益预测 维度 传统模式 AI赋能后 价值点 人力成本 5人专职校验团队 1人+AI监控 年节省人力成本≈200万元 错误处理时效 平均3天发现错误 实时拦截 减少库存错误损失≈500万元/年 规则覆盖度 静态规则300条 动态规则库1200+条 合规风险降低80% 五、风险控制 数据安全 采用私有化部署模式，通过RFC连接SAP与AI服务器 敏感字段（如价格）进行脱敏处理 模型可解释性 提供决策依据展示（如高亮字段修正原因） 设置人工复核阈值（置信度<90%时强制人工确认） 用户接受度 在SAP界面设计「AI建议」与「人工否决」双路径操作 开展「AI助手技能大赛」提升用户参与度 针对SAP物料主数据中高频出现的评估类错误、物料组分类错误、HS Code分配错误及描述不规范问题，需构建"规则引擎+AI模型+外部数据验证"三位一体的治理体系。以下是具体提升方案： 一、评估类错误治理方案 1. 智能校验矩阵搭建 python # 评估类与会计视图逻辑验证模型 def validate_valuation_class(mat_data): # 从SAP获取关联规则（物料类型+工厂+用途） rules = get_sap_rules('MBEW') # 实时调用DeepSeeker模型预测 pred_class = deepseek_model.predict(mat_data['MTART'], mat_data['WERKS']) # 交叉验证 if mat_data['BKLAS'] notin rules[pred_class]['allowed_classes']: return { "error_type": "评估类冲突", "suggestion": f"建议调整为{pred_class}对应评估类{rules[pred_class]['default_class']}", "confidence": 0.92 } 2. 动态知识库建设 数据源整合：集成财务系统（如CO模块成本要素数据） 抓取历史调整记录（TCODE: MM02修改日志） AI能力注入：使用Graph Neural Network构建物料-工厂-评估类关系图谱 开发异常交易模式检测模型（检测价格异常波动） 二、物料组分类优化方案 1. 多模态分类模型 python # 物料组智能分类流程 classification_pipeline = Pipeline([ ('text_feature', TextTransformer(fields=['MAKTX','BRGEW'])), # 提取文本特征 ('image_processor', VisionModelAdapter(model='resnet50')), # 处理技术图纸 ('ensemble',StackingClassifier([('xgb',XGBClassifier()),('deepseek', CustomDeepseekModel()) ])) ]) # 输出Top3候选物料组及置信度 2. 分类纠错机制 冲突检测规则：sql /* 物料组与基本单位逻辑校验 */ SELECT MATNR FROM MARA WHERE MATKL IN ('RAW','PACK') AND MEINS NOTIN ('KG','G','L'); -- 触发条件：包装材料单位应为KG/L，否则报警 历史数据清洗：对错误分类物料进行聚类分析（DBSCAN算法） 生成《分类迁移建议报告》自动推送至MDG工作台 三、HS Code精准匹配方案 1. 海关大数据融合 数据源 集成方式 更新频率 海关总署商品归类决定 API实时查询 即时 跨境同行申报数据 脱敏数据采购 月度 RPA爬取各国税则库 自然语言解析 季度 2. 智能归类引擎 python # HS Code多维度匹配算法 def hs_code_matching(text, img=None): # 文本特征提取 text_embed = deepseek_text_model.encode(text) # 图像特征提取（技术图纸/实物照片） img_embed = deepseek_vision_model.encode(img) if img elseNone # 混合检索 results = vector_db.search( query=text_embed, filter={"chapter": {"$in": predict_chapter(text)}} ) return rank_results(results, img_embed) 验证机制：申报风险预警：比对同类物料历史申报记录差异 逻辑校验：验证HS Code与原产地、计量单位关联性 四、描述标准化工程方案 1. 命名规则智能生成 python # 动态命名规则推导 def generate_naming_rules(matkl): # 从历史规范描述中提取模板 samples = get_standard_descriptions(matkl) # 使用序列标注模型识别关键要素 entities = ner_model.predict(samples) # 生成BNF范式规则 returnf"{材质}{类型}_{规格参数}{表面处理}" # 示例输出规则："不锈钢六角螺母_M8-1.25_镀锌" 2. 实时纠错助手 SAP GUI集成：abap * 在MM01事务代码界面增加AI校验弹窗 DATA(lv_suggestion) = zcl_deepseek_ai=>get_description_suggestion(im_maktx). IF lv_suggestion IS NOT INITIAL. CALL FUNCTION 'POPUP_TO_CONFIRM' EXPORTING text_question = 'AI建议修正描述为:' && lv_suggestion. ENDIF. 智能补全功能：输入"304螺"自动补全"304不锈钢内六角圆柱头螺钉" 图片扫码自动生成描述（OCR+图像识别） 五、全流程控制体系 1. 四层质量关卡 关卡 控制点 技术手段 录入层 ME11/MM01界面实时校验 嵌入式AI插件 审核层 MDG工作流审批 规则引擎+差异高亮 监控层 每日数据质量扫描 自动生成DQ报告（错误TOP10） 追溯层 历史版本对比分析 变更影响度模型 2. 持续改进机制 错误模式分析：python # 错误根因分析算法 error_patterns = [] for error in error_logs: # 提取上下文特征 context = extract_context(error) # 聚类分析 cluster = dbscan.fit_predict([context]) # 生成改进建议 suggest = causal_inference(error, cluster) error_patterns.append(suggest) 知识沉淀：季度更新《错误案例库》（含典型错误场景） 自动化生成《字段维护手册》更新版本 六、实施效果预测 指标 改进前 目标值 达成路径 评估类错误率 12% ≤1% 实时校验+财务规则库动态更新 物料组分类准确率 78% ≥98% 多模态模型+季度规则校准 HS Code一次通过率 65% ≥95% 海关大数据融合+智能归类引擎 描述标准化率 60% 100% 命名规则引擎+实时纠错 主数据维护人效 15min/条 5min/条 智能补全+自动化校验 七、关键成功要素 跨系统数据贯通 打通PLM（物料属性）、海关系统（HS规则）、财务系统（评估类逻辑） 混合规则策略 硬规则（系统强制校验）与软规则（AI建议）分层控制 用户赋能设计 在SAP界面增加"AI教练"功能（F1查看字段维护指南） 灰度发布机制 新模型先在10%物料范围试运行，通过A/B测试验证效果 建议建立数据治理专项小组，由主数据、IT、财务、关务部门组成联合团队，每月进行跨部门数据质量评审。技术实施时可优先从错误率最高的原材料类物料切入，快速形成示范效应。 八、技术趋势总结 多模态技术融合：结合文本（MAKTX）、图像（技术图纸）、结构化数据（MRP参数）进行综合判断 动态规则进化：采用强化学习机制，使校验规则随业务变化自动迭代（如新物料类型识别） 治理即服务（DGaaS）：企企通、筑龙等厂商提供云端AI清洗服务，支持API对接SAP/ERP系统 实践建议 分阶段实施：优先从高价值物料（如占采购额80%的A类物料）切入，快速验证ROI 人机协同设计：设置置信度阈值（如<90%时强制人工复核），平衡效率与风险1 知识资产沉淀：将清洗过程转化为可复用的规则模板（如化工行业PH值校验规则包） 以上案例显示，AI技术已实现物料主数据错误率降低至1%-3%、运营成本下降30%-50%的突破。建议企业优先评估自身数据成熟度，选择适配的AI治理路径。 来源（公众号）：数据驱动智能

文 | 中国科学院院士、复旦大学上海数学中心主任 李骏 复旦大学上海数学中心研究员 王天栋 当前，人工智能正加速赋能经济社会发展的各个领域，推动实体经济和数字经济深度融合，成为新一轮科技革命和产业变革的核心驱动力。我国数据资源丰富，产业体系完备，应用场景广阔，具备发展人工智能的重要基础。《全国数据资源调查报告（2025年）》（下文称《报告》）显示，2025年全国数据生产总量达52.26泽字节，同比增长27.28%；全国数据存储总量为2.53泽字节，同比增长21.05%；用于人工智能训练和推理的数据总量达199.48艾字节，同比增长42.86%。随着“人工智能+”深入推进，高质量数据供给正从规模扩张转向面向场景应用和价值转化的体系化能力建设，成为支撑人工智能产业高质量发展的关键基石。 一、人工智能驱动数据从规模扩张转向高质量供给 人工智能技术的快速迭代正重塑数据资源的价值导向和发展路径。在信息化发展前期阶段，数据主要服务于业务记录、统计分析、信息查询和流程管理等基础需求。进入大模型和智能体加速落地的新阶段后，数据需支撑模型预训练、场景化推理、多任务执行和动态迭代优化等多重目标。这一转变意味着高质量数据供给的评价标准，已不再单纯以资源规模大小为核心，而是更加注重数据的组织形态是否能够被模型高效理解、灵活调用、可靠验证和持续迭代，实现从“数据资源”到“模型可用资产”的价值跃迁。 智能体技术的普及进一步重构了数据生产和利用的全流程模式。与传统信息系统“用户发起请求－系统被动响应”的运作逻辑不同，数据使用方式从“被动查询”逐步走向“主动协同”。数据既是智能体完成任务的输入要素，也是智能体运行过程中产生新知识、积累新经验、形成新反馈的载体。这种双向互动关系要求高质量数据供给必须更加贴近应用场景和治理需求，在现有数据资源建设成果的基础上，进一步强化动态更新能力、反馈回流机制和闭环优化体系，推动数据供给与人工智能应用形成相互促进的良性循环。 词元调用量的爆发式增长为观察数据价值释放进程提供了全新的量化维度。词元作为大模型处理信息的基本单位，也是人工智能服务被调用、被计量和被商业化的载体。《报告》显示，2025年全年词元调用量约达21100万亿。公开数据显示，我国日均词元调用量已从2024年初的约1000亿增长到2025年底的约100万亿，在2026年3月突破140万亿关口。词元调用量的指数级增长，反映出人工智能应用正在从试点探索走向更高频、更广泛的产业落地，也体现出数据集供给、模型能力提升和应用需求拓展之间正在形成紧密联动的正向循环。 二、以重点行业场景牵引高质量数据集建设新格局 场景需求是高质量数据集建设的重要导向。《报告》显示，2025年我国高质量数据集数量超11万个，总数据量超908拍字节，同比分别增长61.13%和142.58%。不同行业、不同场景下的业务逻辑、风险边界和决策机制存在显著差异，以具体场景需求牵引数据供给体系建设，能够有效提升数据开发利用的针对性，避免低水平重复建设和资源浪费，推动数据资源配置效率最大化。 政务服务具备率先形成高质量数据供给示范场景的先天优势。《报告》显示，2025年公共数据开放数据量和授权运营数据量同比分别增长31.71%、53.96%，公共数据带动各行业数据融合应用的效应正加速显现。政务数据具有权威性高、连续性强等特征，是推进国家治理体系和治理能力现代化的重要基础资源。围绕政策咨询、事项办理、热线分派、基层治理、城市运行和公共安全等典型治理任务，推动政策文本、办件记录、群众诉求、事件处置和结果反馈等多源数据的协同利用，推动公共服务模式从“人找政策”向“政策找人”转变，实现更加主动、高效、便捷的公共服务供给。 实体经济领域是高质量数据集建设的关键应用场景。电力、交通、物流、农业等传统行业积累了海量的设备运行数据、生产工艺数据和场景应用数据，是人工智能技术赋能实体经济的核心切入点。以能源电力行业为例，负荷精准预测、设备智能巡检、故障提前预警和源网荷储协同调度等典型场景，对实时运行数据、设备状态数据、气象环境数据和历史处置数据的质量都提出了极高要求。围绕具体任务建设行业专题数据集，有效提升能源系统调度效率和运行安全水平。 三、健全要素转化机制促进数据要素价值释放 一是强化任务牵引的数据集建设机制。围绕政务服务、能源运行、金融风控、交通治理、工业制造、医疗健康等重点领域，建设一批面向人工智能训练与场景应用的专题数据集，明确服务对象、应用任务、更新机制和评测标准。在数据质量评价体系中，除传统完整性、准确性、时效性等指标外，同步纳入模型适配性、场景覆盖率、标注一致性、反馈回流能力等价值导向指标，推动数据供给从一次性交付向动态更新、持续优化转变，以优质数据资产为数据要素价值释放筑牢基础。 二是构建安全可信的数据流通生态。引导数据交易所（中心）、数据流通服务平台企业、数据商等三类市场主体各有侧重、协同发展，形成错位互补的市场格局。依托国家数据基础设施，提升数据发现、供需匹配、授权使用、定价交易的全流程效率；探索人工智能技术与数据流通交易的技术路径和机制设计，进一步降低流通成本、提高交易效率，以高效畅通的流通通道加速数据要素价值释放。 三是培育专业化数据服务产业体系。数据要素价值释放依托覆盖采集、清洗、标注、合成、治理、运营和安全服务的全生命周期专业支撑。加快培育分工清晰、协同高效的专业化数据服务产业体系，加强各环节、各主体间协同创新，全面提升数据资源开发利用的标准化、专业化水平，以成熟产业生态推动人工智能全方位赋能千行百业，为数据要素价值持续释放提供长效保障。 总体来看，我国拥有数据资源规模优势和应用场景丰富的双重优势，具备推动数据资源开发利用与人工智能创新发展互促共进的良好条件。面向下一阶段发展，应加快推动高质量数据集建设与行业场景深度融合，健全要素转化机制、畅通要素流通渠道、完善服务产业生态，全方位促进数据要素价值释放，为数字中国建设和经济社会高质量发展提供坚实支撑。 来源（公众号）：国家数据局

很多人第一次看到 OpenClaw 的架构图时，会被它复杂的分层结构吸引住——网关层、插件层、记忆系统、Agent 运行时……但如果继续往下看，往往会在一个词上停下来：Harness。 说实话，Harness 不是一个容易讲清楚的概念。因为它本身就不是一个具体的东西，而是一组设计思路的集合。如果非要给它一个最简洁的定义，我更愿意这么说：Harness 是 AI 应用面向大模型的结构化运行壳，它决定了模型该看到什么、允许做什么、做错了怎么纠正。 但这句话还是太抽象。 今天我们想基于 OpenClaw 出发，结合 OpenAI 和 Anthropic 两篇原文的核心观点，把 Harness 的真实面貌拆开给你看。 Harness 在 OpenClaw 里长什么样 先说 OpenClaw。 如果你研究过 OpenClaw 的架构，会发现它本质上是一个 Gateway-First 的项目。 它上接多个渠道入口——飞书、WebChat、CLI、Telegram，下连会话路由、插件扩展、记忆系统和运行时。 中间那条统一的执行主链路，靠的就是 Harness 层。 具体来说，OpenClaw 的 Harness 承担了这样几件事： 它负责组装 Prompt，把 System Prompt、Skills Prompt、文档、Bootstrap 文件、运行时信息全部拼成最终给模型的提示词。它挂载 Tools 和 Skills，让模型能够调用外部能力。 它接入 Memory 系统，在合适的时机把记忆检索的结果注入上下文。 它处理策略与安全限制，决定模型的调用边界在哪里。 最后，它通过 Provider Adapter 与不同厂商的 LLM API 交互——无论是 Claude、GPT 还是其他模型，Harness 把这些差异屏蔽掉了。 换句话说，没有 Harness 基础理论，OpenClaw 就只是一个“把文本丢给模型”的简单代理。 有了 Harness，它才真正变成了一个可扩展、可控制、可落地的 Agent 运行容器。 但这还是从 OpenClaw 自身的角度在讲。 如果我们把视野拉开，会发现 Harness 这个词在 AI 行业里早就不是 OpenClaw 的专属用语。 它正在变成一个通用概念——描述的是如何给 AI 模型搭建一个完整的运行环境，让它不只是在做单轮问答，而是能够持续地、可靠地完成任务。 为什么 Harness 这个概念突然变重要了 要理解 OpenClaw 和 Harness 的关系，还需要理解另一个背景：模型本身已经足够强，但大家的痛点正在转移。 Anthropic 之前发过一篇关于 Harness 设计的长文，里面有一组实验数据，我认为是理解这个问题最好的切入点。 他们用同一句 Prompt——“做一个 2D 复古游戏编辑器”——让同一个模型跑了两次。 第一次，单 Agent，没有任何外部辅助。 跑了 20 分钟，花了 9 美元。 打开之后，界面有了，编辑器有了，看上去功能都做了。 但真正点进去，核心游戏功能是坏的。角色放上去了，键盘没反应。代码层面，实体定义和运行时之间的接线根本没接通。 看起来像是完成了，其实什么都没完成。 第二次，基于 Harness 方法论 ——规划器展开需求、生成器按 Sprint 逐步实现、评估器用 Playwright 跑页面做 QA。 同一个模型跑了 6 个小时，花了 200 美元。 产出多了不止一个量级：精灵动画、行为模板、音效系统、AI 辅助关卡生成、游戏导出和分享链接，全部做出来了。 最关键的是，你真的能控制角色跑和跳。 成本差了 20 多倍，但第一次那 9 美元的产出，严格说不算产出——因为核心功能是废的。 模型没换，Prompt 没换。 变的只是它跑在什么系统里。 这个对比说明了一个很简单的事实：模型的能力不等于应用的产出。 中间差的那一层，就是 Harness。 很多人以为只要选个最强的模型、调调 Prompt，应用效果就能上来。 但实际跑过复杂任务的人都知道，这套玩法的天花板很低。真正把效果拉开差距的，是 Prompt 之外的那套运行环境——任务怎么拆、谁来验收、做错了怎么修正。 这些问题不解决，模型再强也只能在原地打转。 Harness 至少在管四类事情 从那组对比往下拆，你会发现单 Agent 和完整 Harness 之间，至少差了四类东西。 第一类：给模型看什么。 单 Agent 只有一句 Prompt。完整 Harness 里，规划器会先把一句话需求展开成详细的产品规格，每个 Sprint 还有专门的契约文档——生成器和评估器先谈好“做到什么算完成”，再动手。 这不是多给一点信息，而是把需求从模糊变得可执行。 第二类：允许模型做什么。 单 Agent 自己决定所有事。 完整 Harness 里，职责被拆开了——规划、实现、验收三件事不该混在同一个脑子里。 Anthropic 把这个拆成了 Planner、Generator、Evaluator 三个角色，各司其职，互相制约。 第三类：怎么判断它做得对不对。 单 Agent 自己评价自己。 但模型在评估自己产出的时候，往往会自信地给出偏正面的评价，即使在人类看来质量只是一般。 所以完整 Harness 里，评估器是独立的，它真正去跑页面、点按钮、看结果，而不是读代码打分。 第四类：出错之后怎么修。 单 Agent 犯了错可能完全意识不到。 完整 Harness 里，Sprint 不通过就打回去，反馈信号具体到“这个函数存在但没被正确触发”。 把这四类事情合在一起，Harness 的轮廓就清晰了：它是一组控制问题的总称，回答的是模型该看到什么、允许做什么、做完之后谁来验、跑偏了怎么纠正。 Harness 内部的三层结构 如果继续往下拆，把 OpenAI 和 Anthropic 的两篇原文放在一起对比，会发现 Harness 内部至少有三层——知识层、约束与流程层、反馈与运行时层。 这三层各有侧重，但彼此支撑，缺一不可。 知识层解决的是模型该读什么、团队经验放哪里、哪些规则必须显式可见。 OpenAI 在文章里讲过一个很典型的坑：他们最早试过写一份巨大的 AGENTS.md，把所有规则、约定、指引全塞进去。 结果很快撞了墙——上下文是稀缺资源，大文件会挤掉真正相关的信息；所有东西都标成重点，最后等于没有重点；文档很容易腐烂，而且没法做机械检查。 后来的做法是把 AGENTS.md 改成了一个内容目录，大约 100 行，只告诉 Agent 去哪里找什么。 真正的知识库被拆进结构化的 docs/ 目录里——设计文档、产品规格、执行计划、技术债追踪，全部版本化地存在仓库里。代码仓库本身变成了记录系统。 这里有一个很关键的判断：对 Agent 来说，看不见的知识就等于不存在。 Slack 里的讨论是知识，Google Docs 里的共识也是知识，某个资深工程师脑子里的隐性判断也是知识。但只要它没被编码进仓库，对 Agent 来说就像从未发生过。 知识层不补，模型永远只能靠临场发挥。 约束与流程层解决的是任务怎么拆、哪些步骤必须先发生、哪个角色负责什么、什么情况下该切换阶段。 Anthropic 对这一层的处理最有代表性。 他们的做法是把系统拆成 Planner、Generator、Evaluator 三个角色。Planner 负责把模糊需求扩成详细规格，而且刻意只聚焦产品上下文和高层设计，不去规定细粒度的技术细节——因为他们发现，如果规划器一开始就在实现细节上犯了错，错误会级联传导到下游所有实现中。 Generator 负责真正实现，按 Sprint 逐个做 feature，每个 Sprint 开始前要和 Evaluator 谈好一份契约——做到什么算完成，用什么标准验收。 Evaluator 负责验收，它不是读代码打分，而是真正去跑。 这个结构表面上像多 Agent 编排，但背后的工程含义更重要：原本混在一个模型里的几种职责，被拆成了不同的流程角色。这种拆分不是为了并行更快，而是为了别一边生成一边自我表扬。 Anthropic 还补了一个很关键的点——context reset。 长任务里光靠原地压缩历史还不够，有些模型会随着上下文越来越满，开始出现“提前收尾”或“失去一致性”的问题。 所以他们会定期清空上下文窗口，重新启一个新会话，再通过结构化工件把状态交接给下一个 Agent。这个设计听上去笨，但很工程。 反馈与运行时层解决的是模型做完之后，谁来告诉它对不对。 这是 Harness 里最容易被低估的一层。很多人对 Harness 的理解停在“给模型配上工具”，但工具本身不是反馈，工具只是让模型有了手，反馈是让它有了感官。 Anthropic 文中让我印象最深的地方就在这里。 他们发现真正拉开差距的，不只是让模型多做一轮，而是给它一个足够挑剔、能接触真实环境的 Evaluator。 这个 Evaluator 会用 Playwright 真正去跑页面、点按钮、看行为、发现没接上的地方，再把这些问题作为反馈交给 Generator。 原文里列了几个 Evaluator 实际发现的问题：矩形填充工具的 fillRectangle 函数存在但没被正确触发；删除实体只设置了 selectedEntityId 但没设置 selection；FastAPI 路由顺序写反导致 reorder 被解析成整数返回 422。这些不是“看代码打分”能发现的问题，它们只有在真正跑起来、点进去之后才会暴露。 OpenAI 对反馈层的做法方向一致，但路径不同。 他们把 Chrome DevTools 协议接入 Agent 运行时，让它能截图、查 DOM 快照、驱动页面导航；把日志、指标、追踪做成本地可观测性堆栈，Agent 可以直接用 LogQL 查日志、PromQL 查指标。 做的不是“再多给点说明”，而是把应用的可观察性和可验证性直接接进 Agent 的工作回路。 结语 回到最开头的问题：OpenClaw 和 Harness 是什么关系？ 现在可以给一个更清晰的答案了。 OpenClaw 是一个 Gateway-First 的 Agent 运行时框架，而 Harness 是它面向大模型的那一层方法论。 如果你正在做 AI 应用相关的事情，花时间想清楚 Harness 这层该怎么搭，可能比纠结用什么模型、调什么 Prompt 更有价值。 差距往往不在模型，在系统。 来源（公众号）：臻成AI大模型

概念鸿沟：为何大语言模型在数学推理上举步维艰 大语言模型（LLMs）已展现出令人惊叹的能力，能够解决曾被认为远超其能力范围的数学问题。它们可以解答竞赛级别的题目并执行复杂的数值计算。然而，仔细观察便会发现一个关键弱点：许多LLMs擅长程序性的模式匹配，但在真正的概念理解方面却有所欠缺。这一现象常被描述为 “定义-应用鸿沟”。 一个LLM或许能够完美地复述数学定理，如有理根定理，但在正确应用该定理解决问题时却会失败，尤其是当问题的表述方式稍有不寻常时。如研究中的图1所示，一个最先进的模型可以正确陈述该定理，但在将其应用于一道分子和分母角色被互换的多选题时，仍然会出错。这表明模型的解题过程往往固守于僵化的、基于启发式的模式，而非由对底层概念的灵活理解所引导。 流行的训练方法，如带可验证奖励的强化学习（RLVR），加剧了这一鸿沟。这类流程通常根据最终答案的正确性来奖励模型。虽然这能提升性能，但奖励信号过于粗糙。它并未告诉模型应使用哪个概念、在推理过程的何处应用它，或如何正确使用它。结果，模型学会了优化其搜索启发式方法并复用熟悉的解题模板，但未必学会了概念本身。这使得它们在面对需要真正概念推理的干扰和新问题时显得脆弱。 引入CORE：面向概念的强化学习 为应对这一根本性挑战，研究人员开发了 CORE，一种新颖的强化学习框架，旨在弥合数学推理中的定义-应用鸿沟。CORE的核心思想是在训练过程中，将抽象的数学概念转化为直接的、可控的监督信号。 CORE不仅奖励正确的最终答案，还提供细粒度的概念监督，以强化整个推理路径。其目标是教会模型不仅知道正确答案是什么，更要理解为什么它是正确的，通过将解决方案锚定在相关的数学原理上。通过这种方式，CORE鼓励模型超越表面的模式匹配，发展出更稳健的概念能力。 CORE框架的关键优势之一在于其通用性。它被设计为与算法和验证器无关，这意味着它可以与标准的策略梯度强化学习算法（如GRPO或PPO）集成，而无需改变模型架构。这使得CORE成为一个实用且可推广的工具，用于增强各种LLMs的数学推理能力。 CORE如何运作：从教材整理到概念对齐的测验 CORE的基础是一个精心整理的、高质量的数据集，该数据集明确地将数学概念与相关练习联系起来。该过程始于一个提供结构化、逻辑化课程大纲的规范来源。 从规范教材进行数据整理 研究人员选择了一本经典教材《高等代数（第三版）》，主要基于两个原因。首先，它提供了全面的课程大纲，每个章节都介绍了核心概念定义（C），提供了说明性示例，并包含了主要测试该章节概念的概念对齐练习（E）。其次，通过将原始中文文本手动翻译成英文，研究人员显著降低了困扰许多现有英文语料库的训练数据污染风险。这一初步整理工作产生了236个概念文本以及超过700个相关示例和练习。 用于可扩展训练的综合概念探针 为创建更大、更直接的训练和评估信号，CORE引入了概念探针 的想法。这些是从教材的概念定义直接生成的有针对性的多选题测验。研究人员使用了一个强大的生成器模型来创建一个包含1200个测验的候选池。为确保质量并减少偏差，一个独立的、强大的评估器模型执行了严格的验证，将候选池筛选至1110个高质量测验。 这些概念探针构成了一项诊断实验的基础，该实验量化了概念鸿沟。如表1所示，当模型在“稳健评估”协议下进行评估时——即多选题选项的顺序被随机打乱——其性能急剧下降。例如，某个模型的准确率从超过70%降至50%以下。这提供了强有力的经验证据，表明模型依赖于浅层启发式方法，而非对底层概念的深层结构性理解。 为理解而训练：轨迹替换与正则化 在具备概念对齐数据的基础上，CORE采用了一种巧妙的强化学习方案来灌输概念理解。其核心机制是一个条件干预，该干预在模型表现出概念失败时（即针对某个问题生成的所有解决方案均不正确）精确激活。该过程在图2中可视化，并主要有三种变体。 CORE-Base：这是基础方法。模型使用标准RL算法直接在整理好的概念测验集上进行训练。它作为衡量仅在概念丰富数据上训练所带来的益处的基线。 CORE-CR（概念引导的轨迹替换）：此方法提供明确的纠正性反馈。当模型未通过测验时，CORE-CR进行干预： 检索与该测验相关的真实概念文本。 使用原始问题加上概念文本重新提示模型，以生成新的、“概念启动”的轨迹。 然后，随机用这些新的、概念引导的轨迹替换部分原始失败轨迹，并赋予它们一个增强的奖励：。 这直接激励模型学习概念与其正确应用之间的联系。 CORE-KL（概念引导的KL正则化）：此方法提供一种更隐式的、细粒度的信号。同样在失败时触发，它鼓励模型的标准推理过程与其更稳健的、概念启动的过程对齐。这是通过向RL目标添加一个前向KL散度损失项来实现的： 该损失本质上迫使模型在原始问题（）上的内部推理，忠实地模仿其在被明确给予指导概念（）时会遵循的过程。 这些变体共同提供了通过显式替换和隐式正则化将概念信号注入训练过程的互补策略。 检验CORE：跨基准测试的性能提升 实证结果有力地证明了CORE框架的有效性。使用CORE训练的模型不仅在内域任务上表现出持续且显著的性能提升，在一系列外域基准测试中也同样如此。 如表2所示，使用CORE变体训练的Qwen2-Math-7B模型相较于原始基线取得了显著提升。在内域的Textbook测试集上，使用CORE-KL时，准确率从46.4%跃升至55.7%。更令人印象深刻的是，这些提升具有泛化性。在明确测试定理应用的THEOREMQA基准上，准确率从34.6%上升至44.2%。在GSM8K、MATH和其他具有挑战性的数据集上也观察到了类似的改进。 进一步的实验证实，CORE的益处并不局限于单一模型。表3显示CORE是模型无关的，为不同的模型（如DeepSeek-R1-Distill-Qwen-1.5B、Qwen2.5-Math-1.5B和Llama-3-8B-Instruct）在基础版和指令调优版设置下均带来了一致的改进。 关键的是，消融研究验证了这些提升归因于CORE的独特机制。表5显示，仅使用随机奖励或在GRPO中增加候选解决方案的数量并不能复现这些改进。此外，一项在表6中详述的“自监督”实验（整个流程被限制在单一模型家族内）证明，CORE的有效性并不依赖于从优越教师模型进行知识蒸馏。 驱动学习的是概念引导干预的内在逻辑，而非外部专业知识。 超越模式匹配：在AI中培养真正的概念能力 CORE的成功为开发更强大、更可靠的AI系统指明了一条充满希望的道路。该框架不仅仅是提高准确率分数；它似乎诱导了LLMs处理数学问题方式的根本性“机制转变”。 对CORE训练模型成功而基线模型失败的问题进行分析，揭示了一个清晰的模式。如表4详述，在这些案例中超过半数（52.6%被归类为纯概念选择），CORE模型在其推理中明确调用并正确应用了目标数学概念，而基线模型则没有。 此外，CORE增强了LLMs的鲁棒性。在一项将无关的“干扰”概念附加到问题提示前的实验中，CORE训练的模型表现出显著更好的答案保持能力。图3中的性能曲线显示，CORE模型，特别是CORE-CR变体，对此类概念干扰具有更高的稳定性。 总之，CORE框架证明了将强化学习明确地建立在数学概念基础上，可以显著增强LLMs的推理能力。 通过超越粗糙的、基于结果的奖励，并提供细粒度的概念监督，CORE帮助模型从脆弱的模式匹配向真正的概念能力迈进。这项工作不仅为改进AI的数学推理提供了实用解决方案，也激励了在所有需要原则性、结构化推理的领域中对以概念为中心的训练进行更广泛的探索。 来源（公众号）：AISignal前瞻