为智能体 AI 准备数据：五项属性与四条建设路径

围绕智能体（agentic AI）的讨论大多聚焦框架、编排模式与协议，但如果数据层没有准备好，这些上层工作几乎无法真正产生价值。任何智能体在给出有用结果之前，所读取的数据必须达到机器可以直接消费、信任并据此行动的标准。文章从这个前提出发，讨论什么样的数据才能让智能体 AI 真正发挥效用。

数据的消费者正在改变

过去三十多年，数据系统的设计对象始终是人。仪表板、报表、分析师查询，都围绕坐在屏幕前的人展开，并且工作得不错，因为人自带大量隐式上下文，也会主动向同事追问缺失的信息。一位人类分析师天然知道公司里「营收」具体指什么、应该查哪些表、避开哪些表，也能在数字看起来不对、合计数过于整齐、日期落在节假日或价格低得不合理时本能地察觉。

智能体则不具备这些能力。它无法依赖多年积累的部落知识与模式识别，必须依赖被显式表达的上下文、实时可访问的数据源，以及稳定可信的质量。最关键的差异在于：当数据看起来「不对」时，人会停下来再核对一次，而智能体会毫不犹豫地按错误数据继续执行。整篇文章后续讨论正是建立在这个行为鸿沟之上。

「AI 就绪」现在意味着什么

面向人类消费者时，数据「差不多就行」，剩下的判断由分析师在脑中完成。一旦同样的数据交给智能体，所有这些隐式劳动都必须迁移到数据本身。文章把它拆成五项属性，每一项都对应过去由人类免费完成的工作：

• 可信（Trusted）：人会怀疑不对劲的数字，智能体不会。必须把过去由人提供的「置信度」前置到数据层，让数据在智能体接触之前就经过准确性、新鲜度与有效性校验。
• 有上下文（Contextual）：人知道「营收」已扣减退货、财年从二月开始；这些含义必须从人脑中显式写入数据。
• 可追溯（Traceable）：人的决策事后可以解释，智能体 30 秒内的推理如果没有即时记录就会消失，必须能够回放它做了什么、为什么这么做。
• 可治理（Governed）：人的访问受岗位与判断力约束，智能体的访问必须由设计限定，做到范围可控、可审计。
• 可执行（Operational）：人看完仪表板后会去做事，智能体必须能自己「做事」，数据不仅要可读，还要可被调用与回写。

五项属性归结到同一个核心：它们都是过去人类无意识完成、现在要交给数据本身的职责。任何一项缺位，智能体都不会像人那样优雅降级，而是会以高度自信的方式失败。

四条建设路径

文章把五项属性的落地拆成四个主题，建议按以下顺序推进：

• 数据契约与质量（Data Contracts and Quality）：让数据可信。优先解决，因为一条错误事实会污染其上所有层。
• 可追溯与治理（Traceability and Governance）：记录智能体为何行动、限定它能触达的范围，对应可追溯与可治理。
• 上下文层（The context layer）：把指标与实体的语义编码进数据，让数据具备上下文。
• 从可搜索到可执行（From Searchable to Actionable）：让智能体能够查询实时系统并回写，使数据真正可执行。

按顺序走完四条路径，五项属性就不再是抽象目标，而成为可以被工程化的对象，把普通数据转化为 AI 就绪数据。

数据契约与质量：智能体闻不出坏数据

人有识别坏数据的直觉，会注意到数字异常、日期不合理或价格失真。智能体缺乏这种本能。正如 Simon Willison 所言，大语言模型「很容易上当」，它会相信被喂入的任何内容并据此行动。一旦向 AI 智能体传入错误的值，它不会犹豫，而是直接使用这个数字，给出错误却自信的回答。没有可信的数据，agentic AI 的其他环节都无从谈起，因此这是起点。

文章给出了一个典型场景：某定价智能体被询问产品 X 的当前价格。昨日价格已由 49.99 美元更新为 59.99 美元，但智能体的数据源尚未刷新，仍显示旧值。智能体不会迟疑，它取出 49.99 美元报给客户，客户下单，公司每单亏损 10 美元。智能体的每一步操作都「技术正确」，工作流执行完美，问题出在它所读取的数据上。

相比之下，人类销售员会停顿一下：「等等，我们上周不是改过价吗？」然后再次核对，依赖机构记忆与异常感觉。智能体两者皆无：错误不会触发警告，而是悄无声息地沿着工作流扩散。文章提到，在 Precisely 与德雷克塞尔大学 LeBow 商学院联合发布的《2026 年数据完整性与 AI 就绪度报告》中，受访的 505 名数据与分析从业者普遍把数据就绪度视为最大障碍——而越是自信数据已 AI 就绪的领导者，反而越把数据就绪列为首要瓶颈。