数据智能的实践与思考
我们在落地过程中学到的东西，关于数据、关于 AI、关于让技术真正服务于业务。
研读 Qwen3.8-Flash-Next：详解 51B N-gram Embedding 架构设计与行业影响
从一个被广泛误传的「58B」参数细节切入，我们尝试拆解 51B N-gram Embedding 的真实工作机制；同时也直面三类最常见的误区——它不是内置 RAG，也不会让 RAG 退出历史舞台，更不会带来通用能力的越级跃迁。一个更冷静的工程判断，或许比一份兴奋的测评更有价值。
Agent 能力冲上 Critical，企业敢用的前提是可审计
OpenAI 宣布 Astra 成为首个达到 Critical 网络安全能力层级的大模型，随之而来的是关于不可读推理的监控争议。当 Agent 自主性持续升级，企业落地真正的门槛不是榜单分数，而是每一步操作是否可审计、可追溯、可控。
Data Agent 独立成赛道：IDC 首发评估的三件事
9 月 1 日，IDC 首次发布中国 Data Agent 厂商评估：18 家厂商仅 4 家进入领导者象限，并预测到 2028 年 60% 的中国 500 强将部署企业级 Data Agent。数据智能体第一次成为独立采购品类。本文拆解首发评估的三个信号，以及落地前必须先打好的四张地基。
Agent 隔离治理期：从 ServiceNow 九倍增长、Replica Cyber 与 Kyndryl Incore Bank，看 OntiCards 的提前卡位
企业级 Agent 在 8 月最后一周同时进入两条主线：ServiceNow 生产部署 9 个月增长 9 倍、Replica Cyber 给 Agent 装上隔离引擎、Kyndryl × Incore Bank 用语义层 + 守门员 Agent 把银行 KYC 锁进治理范围。Gartner 预测 2027 年底 40% Agent 项目将被取消 —— 不是 Agent 不行，是治理还来不及。
Text-to-SQL 进企业，准确率只剩 25%：语义层为什么是必选项
实验室里接近满分的 Text-to-SQL 模型，放进真实企业数据库后准确率暴跌至 22%-25%。arXiv 最新基准测试与 dbt Labs 生产环境实验共同指向一个结论：没有语义层，LLM 连「找对表」都困难。
语义层成 Agent 新底座：从 Oracle、Google 和学术界这一周的共识，看 OntiCards 的卡位
Oracle 让 Agent 选 fixed trusted reports 而不是写 SQL，Google 把 Measures + Graph 并入 BigQuery，SIGMOD 2026 Semantic-Layer-mediated NL2SQL 把 Spider 2.0 准确率从 17% 推到 94.15%——三家在同一周押注同一件事，语义层正式成了 Data Agent 的新底座。
Agent 进入算账期：数据准备度决定落地成败
浦发银行部署 2500 个智能体覆盖 440 场景，江苏银行 Token 用量 6 个月暴涨 18 倍。当 Agent 从试点进入算账期，数据质量与查询准确率才是 ROI 的真正分水岭。
让数据开口说话：OntiCards 的四层架构与我们的实践
把数据从「堆在仓库里的字段」变成「能被业务人员直接提问的知识资产」，是我们做 OntiCards 的核心命题。本文讲清楚我们是怎么拆解这件事的。
一次真实的电商数据问答验证：从订单、退款到用户的全链路问数
我们用内部测试环境的电商数据源（5 张表）跑了一次完整的 OntiCards 实战：把数据接进来、生成数据卡片、用自然语言问业务问题。本文记录全过程与真实数据。