AI Agent 为什么需要企业数据基础？

企业 AI Agent 要执行可靠的任务，首先需要可用的数据、明确的权限和可验证的业务动作。只接入模型并不能让 Agent 理解企业的客户、订单、知识文档或审批规则。数据基础至少包括来源、质量、更新频率、访问控制、系统接口和操作日志。

先分清“回答”与“执行”

回答型助手可以检索资料并给出建议；执行型 Agent 可能调用 CRM、ERP、工单或邮件接口。后者除了答案质量，还涉及是否允许写入、如何审批、失败后怎样回滚。对高影响操作，建议先由人确认，再逐步开放自动化范围。

最小数据清单是什么？

维度	先要确认的问题
来源	文件、数据库、CRM 或 ERP 中哪个系统是事实来源？
质量	字段是否完整、重复、过期或彼此冲突？
权限	谁能读、谁能写，是否继承原系统权限？
更新	资料多久同步一次，旧版本如何撤回？
验证	如何追溯答案、工具调用、人工审批与错误？

为什么需要数据分层与接口边界？

企业往往同时有文档、表格、业务库和外部平台。先在数据基盘中整理原始数据、校验数据与可供业务使用的数据，能减少 Agent 把不一致的字段当成事实。Databricks 将类似思路描述为 Bronze、Silver、Gold 数据层，分别关注原始、校验和面向业务的数据；这是一种设计模式，不是导入 AI 的唯一平台或必备产品。Databricks 官方说明。

SoftBusiness 的实践判断

从匿名 AI 经营分析基盘以及 Databricks 数据基盘项目的公开范围看，最早应明确文档与业务数据如何关联、哪些指标可用、检索是否能展示依据、审批和审计怎样进入流程。对于 Java、Dynamics 365、SAP 等既有系统，也要先确认 API 与数据迁移边界；不要让 Agent 绕过系统原有的权限和业务校验。查看企业 IT 与 AI 项目经验。

一个可执行的试点顺序

1. 选一个边界清楚、可人工复核的业务问题。
2. 确认数据所有者、权限、字段定义和更新频率。
3. 建立问题集与失败案例，包括找不到答案、资料冲突和越权请求。
4. 先做只读检索与引用，再逐步接入工具调用。
5. 记录质量、成本、延迟、审批与回滚条件。

常见问题

是否一定要先建大型数据仓库？

不一定。小范围试点可以从受控资料开始，但数据来源、权限和验证不能省略。

RAG 就是 Agent 吗？

不是。RAG 是检索并据资料生成回答的模式；Agent 还可能规划步骤与调用工具。两者可以组合，但职责不同。先了解 RAG 的边界。