围绕企业智能体落地中的实际问题，龙石数据打造 AI 智能体开发平台，以“智能体落地，治理托底”为核心理念，将数据治理经验与大模型、智能体架构、图计算等技术相结合，提供智能体统一使用、自主构建与持续运营的一体化能力。
2026年9月24日，在2026全球数据管理峰会举办的“数据管理与人工智能创新技术开放交流”活动中，龙石 AI 智能体开发平台案例入选数据治理创新实践案例，并将收录于《2026年度DAMA数据管理和人工智能创新优秀案例集》。
一、面向企业智能体应用的现实挑战
企业在推进 AI 应用时，往往面临多方面的落地挑战：不同部门分别建设 AI 助手，应用入口分散、使用体验不一致；大模型生成的结果难以核验，业务指标缺少统一口径，影响关键业务场景的使用信心；权限、审计、用户反馈等运营机制尚未形成闭环，应用上线后仍面临管理与迭代压力。
与此同时，数据查询、知识检索、文档处理等通用能力重复建设，也增加了智能体的开发成本。多源数据中的字段语义不清、指标口径不一和数据质量问题，则进一步影响智能体对企业业务的理解。
这些问题表明，企业需要的不只是单一的智能体开发工具，而是能够将数据治理、智能体建设和运营管理贯通起来的平台能力。
二、构建统一使用、快速构建与可信运营体系
龙石 AI 智能体开发平台围绕“结果靠得住、过程管得住、能力长得快”的设计原则，形成统一入口、快速构建和可信运营三方面能力。
在使用侧，平台提供统一的智能体入口，内置智能问数、知识问答、公文写作、公文校验等业务智能体，并支持接入自定义智能体。用户可以通过统一入口提出需求，由平台根据任务意图将请求路由至相应智能体，减少应用之间的切换。
在开发侧，平台将数据查询、知识检索、文档处理、图表生成、MCP 接入和 Skill 等能力沉淀为公共能力池，支持开发者按需调用和组合。同时，平台提供深度工程型与敏捷组装型两种开发模式，分别适配生产级任务对执行质量的要求，以及业务探索场景对开发效率的要求。
在管理侧，平台将数据治理与智能体运营结合，统一管理知识库、数据集、角色权限、会话审计和反馈工单等资源，并通过反馈机制持续完善知识与治理规则，形成“治理—赋能—反馈—再治理”的持续改进过程。
三、以治理为基础，推动智能体持续进化
1. “智能体落地，治理托底”：让数据治理与智能体建设相互促进
传统建设路径往往将数据治理与 AI 应用分开推进。龙石 AI 智能体开发平台将数据治理能力融入智能体建设与运营过程：治理为智能体提供可信的数据、指标口径和业务知识，智能体在使用过程中产生的反馈又能够反向推动知识与治理规则完善。
在技术实现上，平台基于元数据语义增强与业务语义网络，将表字段、指标维度、数据血缘和质量规则组织为语义节点及关联关系；通过小样本学习与元数据特征推理生成字段业务含义标注建议，并借助本体对齐识别跨系统指标口径差异，辅助输出口径对齐建议与冲突溯源结果。图计算引擎支持语义网络的关联查询与路径推理，为智能体提供业务上下文。
在知识检索环节，平台采用“向量检索+规则校验”的 30:70 混合检索策略，将检索结果与企业标准指标、口径定义和维度字典进行映射对齐，并通过节点级置信度评分辅助判断请求是否满足执行条件。
同时，平台构建“用户反馈—审核沉淀—知识更新”的闭环流程。智能体执行过程中产生的口径修正、模板优化和业务洞察，经审核后转化为语义知识节点，更新至企业业务语义网络与记忆体系，使数据治理不再只是项目建设前期的准备工作，而成为智能体持续运营的一部分。
围绕智能体持续训练与效果评估，龙石数据已获得发明专利“一种融合工单反馈的智能体持续训练与效果评估闭环方法、系统及介质”。
2. 公共能力池：推动能力复用与开放协同
在企业智能体开发过程中，数据查询、知识检索、文档处理和图表生成等通用能力如果反复从零建设，容易造成投入重复，也不利于能力积累。平台将高频通用能力统一沉淀为公共能力池，覆盖数据查询、知识检索、文档处理、图表生成、MCP 接入和 Skill 等，并支持接入外部 MCP 接口与开源 Skill。
开发者可以根据具体任务组合调用已有能力，减少重复开发，并将成熟能力持续沉淀、复用于更多智能体场景。公共能力池也为多智能体协同提供基础：平台采用“决策层—执行层”解耦的混合架构，由大模型承担语义判断与任务编排，确定性执行引擎负责具体计算与结果处理；多个智能体可以通过异步调度并行执行子任务，并通过一致性校验检测结果偏差，必要时触发规则修正与链路回溯。
这种方式将单个项目中形成的能力转化为可持续复用的平台资源，支持智能体建设从单点交付逐步走向规模化生产。
3. 深度工程型与敏捷组装型：兼顾执行质量与开发效率
不同业务场景对智能体的要求并不相同。生产级任务通常更关注结果的准确性、过程的可控性与可追溯性；调研、策划和创新类任务则需要更快地验证想法、组合能力。
为此，平台构建深度工程型与敏捷组装型双模式开发体系。
深度工程型面向生产级智能体，通过授权访问、程序计算和稳健输出等机制控制任务执行过程。以智能问数为例，用户提出自然语言问题后，系统依次完成智能路由、语义要素提取、知识库匹配、程序化执行和图表渲染。大模型负责理解需求和生成执行策略，符合条件的查询再交由确定性执行引擎处理；严谨模式仅执行置信度达到要求的确定性查询，遵循“宁可不答、不可答错”的原则。探索模式则结合约束生成和多重校验，提供供用户参考的分析结论。
敏捷组装型面向调研、策划与创新类智能体，通过目标拆解、Skill 协同和人工确认快速组合所需能力，缩短从需求提出到初步交付的时间。两种模式相互补充，使业务需求能够快速验证，也为成熟能力进一步工程化沉淀提供路径。
四、关键技术指标与效能表现
围绕语义理解、知识检索、任务协同、开发效率和数据分析等环节，平台形成了以下量化指标：
知识检索准确率：≥95%
深度工程型智能体输出准确率：100%
多智能体协同任务成功率：≥90%
公共能力复用率：≥80%
深度工程型智能体交付周期：≤5天
敏捷组装型智能体交付周期：≤0.5天
智能体开发周期：缩短70%
数据分析人力成本：降低60%以上
数据分析周期：从数天压缩至秒级
这些指标分别对应平台在知识匹配、确定性执行、多智能体协同、能力复用和双模式开发等方面的设计目标与能力表现。
五、在实际业务中推进数据与 AI 融合
案例一：苏州市体育局——促进体育产业服务与治理协同
苏州市体育局依托数据资源中心，建设体育产业融合创新与价值释放系统，融合一体化综合管理服务平台、“运动苏州”全民健身数字平台等数据，整合市场监管、公共服务与全民健身场景。
项目基于龙石 AI 智能体开发平台部署体育 AI 服务智能体，为群众提供场馆推荐、惠民匹配和主动提醒等一站式服务，推动体育服务从多头查找向自然语言交互和需求匹配转变。
项目覆盖全市 17.04万余家市场主体、1000余家培训机构和900余家体育场馆，沉淀 400万余条核心数据。在业务治理方面，项目实现审批时限压缩60%以上，并针对法人变更、经营状态异常等情况建立自动预警机制，形成事前预警、事中协同、事后评价的闭环监管模式。项目还形成由标准规范、工具平台、运营机制和场景手册组成的实践方案，为后续推广提供参考。
案例二：江苏省高质量数据集智能底座——支撑数据集全生命周期管理
高质量数据集建设涉及数据采集、清洗、标注、质量评估和标准化管理等多个环节，对数据治理能力与流程协同提出了更高要求。
该项目以龙石全域数据管理平台和 AI 智能体开发平台为载体，叠加数据标注引擎，整合异构数据采集、清洗加工、质量评测、标准管理、元数据与资产管理等能力，构建覆盖数据资源获取、汇聚治理和共享应用的全生命周期智能管理体系。
项目围绕平台搭建、标注赋能、标准验证、安全保障和生态构建展开，建立标注规则体系与分层标注机制，并结合内嵌式智能标注模型和多重审核校验，推进数据集的标准化生产与质量管理。其中，多重审核校验的 Kappa 值达到95%以上。
该项目入选 2026年江苏省高质量数据集建设先行先试项目试点，并计划联动苏州市多个数字化实验室及产业供需平台，对接上下游主体，支撑城市治理与企业“智改数转”。
六、让智能体更好地融入企业业务
企业智能体的建设，不仅需要模型能力，也需要数据治理、工程化开发和持续运营的共同支撑。龙石 AI 智能体开发平台围绕“智能体落地，治理托底”，将业务语义与治理规则融入智能体建设过程，通过公共能力复用降低重复开发，并以深度工程型和敏捷组装型双模式适配不同业务需求。
从体育产业服务到高质量数据集建设，相关实践呈现了数据治理与人工智能应用融合的不同路径。龙石数据将继续围绕企业实际业务需求，推动智能体与数据资源、业务流程和治理机制协同，让 AI 应用更贴近业务、更便于管理和持续迭代。
