數據智能的實踐與思考
我們在落地過程中學到的東西——關於數據、關於 AI、關於讓技術真正服務於業務。
研讀 Qwen3.8-Flash-Next：詳解 51B N-gram Embedding 架構設計與行業影響
從一個被廣為流傳嘅「58B」參數細節切入，我哋嘗試拆解 51B N-gram Embedding 嘅真實運作機制；同時也直面三類最常見嘅誤區——佢唔係內置 RAG，亦唔會令 RAG 退出歷史舞臺，更加唔會帶嚟通用能力嘅越級躍遷。一份更冷靜嘅工程判斷，往往比一份興奮嘅測評更有價值。
Agent 能力衝上 Critical，企業敢用嘅前提係可審計
OpenAI 宣布 Astra 成為首個達到 Critical 網絡安全能力層級嘅大模型，隨之而嚟嘅係「不可讀推理」嘅監控爭議。當 Agent 自主性持續升級，企業落地真正嘅門檻唔係榜單分數，而係每一步操作係咪可審計、可追溯、可控。
Data Agent 自成一個賽道：IDC 首份評估嘅三件事
九月一日，IDC 首次發布中國 Data Agent 廠商評估：18 間廠商得 4 間入到領導者象限，仲預測去到 2028 年，六成中國 500 強企業會部署企業級 Data Agent。數據智能體第一次成為獨立採購品類。呢篇拆解首份評估嘅三個訊號，同落地之前要打定嘅四張地基。
Agent 進入隔離治理期：從 ServiceNow 九倍增長、Replica Cyber 同 Kyndryl Incore Bank，睇 OntiCards 嘅提前卡位
企業級 Agent 上週同時衝兩條主線：ServiceNow 生產部署 9 個月增長 9 倍、Replica Cyber 幫 Agent 裝咗隔離引擎、Kyndryl × Incore Bank 用語義層加守門員 Agent，將銀行 KYC 鎖入治理範圍。Gartner 預測 2027 年底四成 Agent 項目會被取消 — 唔係 Agent 唔得，係治理仲未趕到。
Text-to-SQL 入企業，準確率只剩 25%：語義層點解係必選項
實驗室裏接近滿分嘅 Text-to-SQL 模型，放入真實企業數據庫後準確率暴跌至 22%-25%。arXiv 最新基準測試同 dbt Labs 生產環境實驗共同指向一個結論：冇語義層，LLM 連「搵啱表」都困難。
語義層成 Agent 新底座：從 Oracle、Google 同學界本週嘅共識，睇 OntiCards 點定位
Oracle 要 Agent 揀 trusted reports 而唔係寫 SQL，Google 將 Measures + Graph 並入 BigQuery，SIGMOD 2026 Semantic-Layer-mediated NL2SQL 將 Spider 2.0 準確率由 17% 推到 94.15%——三家同一個禮拜押注同一件事，語義層正式成為 Data Agent 嘅新底座。
Agent 進入算賬期：數據準備度決定落地成敗
浦發銀行部署 2500 個智能體覆蓋 440 個場景，江蘇銀行 Token 用量 6 個月內暴漲 18 倍。當 Agent 從試點進入算賬期，數據質素與查詢準確率才是 ROI 的真正分水嶺。
讓數據開口說話：OntiCards 嘅四層架構同我哋嘅實踐
將數據由「囤喺倉入面嘅欄位」升級做「俾业务人直接提問嘅知識資產」，係我哋做 OntiCards 嘅核心命題。本文講清楚我哋係點樣拆解呢件事嘅。
一次真實嘅電商數據問答驗證：由訂單、退款到用戶嘅全鏈路問數
我哋用內部測試環境嘅電商數據源（5 張表）跑咗一次完整嘅 OntiCards 實戰：將數據接埋嚟、生成數據卡片、用自然語言問业务問題。本文記錄全過程同真實數據。