近日，江苏省数据局正式公示了2025年度江苏省第一批入库培育数据企业名单。 经过企业自主申报、地市数据主管部门初审、省级复审及公示等严格程序，苏州龙石信息科技有限公司（简称：龙石数据）凭借在数据技术领域的扎实积累与突出实力，成功入选江苏省首批入库培育企业行列。 此次江苏省数据企业入库培育工作，是深入贯彻落实《江苏省数据条例》及《省政府办公厅关于加快释放数据要素价值培育壮大数据产业的意见》 有关部署的关键举措。 其目的在于系统性摸清全省数据产业底数，构建优质数据企业培育库，并通过分层分类的精准培育机制，繁荣数据产业生态，为发展新质生产力注入强劲动能。 此次成功入选，是对龙石数据在合规运营、专业能力与发展潜力方面的充分肯定，更是我们融入省级数据产业发展蓝图的崭新起点。展望未来，龙石数据恪守数据产业发展规范，持续加大研发创新投入，不断提升技术服务水平，致力于为构建繁荣、安全、高效的数据产业生态贡献专业力量，与优秀企业一道，共促数据价值释放。 关于龙石数据 龙石数据专注于数据管理，是数据管理领域的影响力企业，以数据中台、数据共享交换平台和第三方数据质量管理为核心业务，以集团级(城市级)数据底座和AI用数智能体为创新业务，配套数据管理制度咨询服务，赋能300+合作伙伴。 龙石数据编写的书籍《数据治理实战指南（初稿）》已在龙石数据官方网站正式连载了前5章内容，供大家参考交流。 这本书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。 点击图片进入共创空间，与作者直连、获电子版书稿

能量守恒与价值交换，是世界运行的不变基石，也是商业活动的本质内核，任何“所得”都必须支付等价的“代价”。然而，在数字化浪潮的巅峰，数据正以前所未有的力量，重构这一底层逻辑的实现方式——从模糊走向精准，从孤立走向协同。 一、价值交换：人类社会的底层运行逻辑 要理解“商业的本质是价值在交换这一动态过程中被创造与实现”，可借助“天、地、人”三才共生的宏观视角。人类一切商业与社会活动，并非孤立存在，而是深深根植于这一宏大的系统互动之中。 农业文明是这一原理最本真的体现。在此模式下，劳动者（人）通过观察天时、勘测地利，将自身的体能与智慧（劳动）注入土地，最终将自然之力与人类劳作共同转化为农作物。这是一个经典的价值交换过程：人付出能量，从自然系统中获取回报。 步入工业时代，这一价值交换的范式并未改变，但其实现的复杂性与协作的规模发生了质的飞跃。企业通过向上游采购原材料与半成品，完成了与供应链的价值交换；在内部，通过人机协同作业，将原料转化为更高价值的产品，再经由销售进入下游，开启新一轮价值循环。在每一个环节，价值都通过交换实现流转与增值。 数据被确立为第五大生产要素，这标志着价值创造、衡量和分配的规则正被系统性重构，其本质，是以数据为核心，重塑企业在产业链中的价值地位。 二、重构认知：从“盲人摸象”到“上帝视角” 纵观农业时代至工业时代，一切价值创造与交换皆以人的知识、技能与经验为载体，并外化为工具与生产资料。 然而，这些经验与智慧往往分散于个体或小范围群体中，呈现碎片化状态。尽管部分知识物化于复杂产品或系统中，但整体仍受限于组织、时空与认知的边界——产业壁垒、企业壁垒、个体局限与地域差异，均构成天然约束。 因此，传统商业活动高度依赖特定组织与个人的能力。这种“经验驱动”模式虽能实现深度专业化，却因其孤岛式、高成本、慢迭代的特性，严重制约了价值创造的效率与规模。 市场调研：样本小、周期长、成本高，洞察滞后且易带偏见。 产品研发：脱离真实需求，试错成本高昂，创新保守且迭代缓慢。 供应链与生产：基于历史预测，导致库存积压与缺货并存，柔性差、响应慢。 营销销售：目标模糊、效果难量化，严重依赖渠道与个人能力。 用户服务：被动响应、体验割裂，难以沉淀忠诚度与增值价值。 数据驱动则从根本上改变了这一范式。它将分散的个人经验与组织智慧，沉淀为可聚合、可流通、可演化的数字资产，最终形成一个持续自我优化的“智慧中枢”。这意味着认知模式从“盲人摸象”的局部感知，升维为“上帝视角”的全局洞察——它既是凝聚群体智能的载体，也是驱动商业共识的新引擎。 三、重构模式：从“模糊博弈”到“精准共生” 价值交换是人类社会的底层运行逻辑”是为大道，揭示了世界运行中不变的基石；而“所有的生意都值得用数据重构一遍”则是术用，指明了数字化浪潮滚滚向前中，践行此道的必然选择。 1. 精准交换：从“盲目猜测”到“精准洞察” 传统模式：信息不透明导致价值交换充满不确定性。企业难以精准定位用户需求，用户也难以找到完全匹配的产品，造成巨大的资源浪费与机会错失。 数据重构后：数据消除了市场迷雾。企业能通过用户行为分析，精准洞察个体乃至群体的潜在需求，实现“按需定制”的精准价值创造，极大提升了交换的成功率与效率。 2. 无限交换：从“物理局限”到“生态协同” 传统模式：价值交换的规模与半径受制于物理位置、渠道覆盖和人力成本，其增长存在明显天花板。 数据重构后：数据流与互联网打破了时空边界。企业可通过数字平台，近乎零成本地将产品与服务瞬间触达全球市场的潜在用户，价值交换的生态效应被无限放大，催生过去无法想象的商业模式与市场容量。 3. 共生交换：从“零和博弈”到“利益共同体” 传统模式：一次性的交易往往是合作的终点。各方利益难以协同，常陷入短期博弈，无法激励长期的价值共创。 数据重构后：数据构建了可量化、可审计的价值协作系统。基于“效果分润”等机制，生态各方结为利益共享、风险共担的命运共同体，形成了“价值共创→效果追踪→按效分配→持续优化”的增长飞轮，驱动整个生态持续繁荣。 四、 重构路径：从“以产定销”到“数据驱动” 一切商业活动始终围绕人的需求展开。传统“以产定销”模式依赖经验预测，经多层分销触达用户，导致链条冗长、响应迟钝且与市场脱节。 进入数字化下半场，企业竞争正从内部资源的比拼，升维为全域生态的协同。未来的核心竞争力，在于拥有连接与赋能生态的数字能力资产。 而今，数据正在重构这一流程。D2M（Data-driven to Manufacturer，数据驱动制造）模式应运而生。 D2M是一种以数据贯穿全价值链的协同范式。它通过实时洞察需求，逆向驱动研发、生产与供应链，实现从“预测式生产”到 “需求驱动式创造” 的根本转变。在此模式下，数据作为核心枢纽，重新配置业务流与决策流，形成“需求-研发-交付-反馈”的闭环。 更重要的是，D2M远不止于生产环节的升级，也不只是对面向用户的终端消费环节的重构，而是对产业纵横价值链的系统性重构，使企业竞争从内部资源比拼，升维为连接与赋能生态的数字能力。 从演进路径看，C2M还只是起点，D2M是目标，而未来很长一段时间的常态将是D2C2M——从数据预测到研发、生产、营销、服务，再到完善消费者全域画像，形成一个无始无终、无先无后的生态闭环。 五、结语：迈向数据驱动的新商业生态 数字化浪潮中，商业的本质正回归价值交换，并被数据重新赋能。这不仅是技术升级，更是认知、模式与生态的系统重构。 从农业时代的“天人协作”到工业时代的“规模效率”，商业始终遵循价值交换的法则，却也长期受困于经验的局限、链条的冗长与协同的壁垒。如今，数据正在打破这些束缚：推动价值交换从模糊走向精准，从有限走向无限，从零和竞争走向生态共赢。 因此，“所有生意都值得用数据重构一遍”不是一句口号，而是必然的进化方向——以数据贯通全链路，构建一个更高效、透明、共生的新商业生态。 来源（公众号）：三界逆熵实验室

做了这么多年的数据集成，我最大的感悟就是：技术只是工具，业务需求才是根本。 不要为了技术而技术，不要为了炫技而炫技。 每一种数据集成方案都要从业务场景出发，问自己三个问题： 这个数据业务方真的需要吗？ 多快的更新频率能满足需求？ 投入产出比是否合理？

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。

《数据治理实战指南》一书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。

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》——致正在阅读本书的你 《数据治理实战指南》——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 【第三部分 实施篇】第6章 数据集成 【第三部分 实施篇】第7章 数据仓库及数据模型管理 【第三部分 实施篇】第8章 元数据管理 【第三部分 实施篇】第9章 数据标准管理 【第三部分 实施篇】第10章 数据质量管理 【第三部分 实施篇】第11章 主数据管理 【第三部分 实施篇】第12章 数据安全管理 【第三部分 实施篇】第13章 数据价值应用 【第四部分 实战篇】第14章 数据治理实战演练

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