从AI for Data到Data for AI，袋鼠云如何打通企业AI落地的完整链路？

企业AI建设正在从模型能力验证走向实际业务应用。但数据准备周期长、业务知识难以利用、应用开发与系统集成复杂等问题，仍然制约着AI价值的释放。

围绕这些挑战，袋鼠云构建了AI for Data与Data for AI双向协同的Data+AI能力体系：通过AI赋能多模态数据开发治理，加速高质量数据集建设；以可信数据和业务知识为基础，构建面向通用与行业场景的Agent应用矩阵，并形成从需求洞察到持续运营的完整交付链路。

一、AI for Data：双管齐下，让数据开发治理更智能

过去，企业数据平台主要依赖数据工程师完成数据接入、开发、治理和运维。面对不断增长的数据规模，以及文本、图像、音视频等多模态数据，传统开发方式面临处理流程复杂、人工投入大、专业门槛高等问题。

AI for Data的核心，是将大模型的语义理解与推理能力引入数据工作流，让AI直接参与数据加工、开发、治理和运维，从而提高数据生产效率，并为企业AI应用提供高质量的数据基础。

围绕这一方向，袋鼠云基于数栈多模态数据智能平台，构建了两条协同的技术路径。

路径一：外部大模型加持，提升多模态数据开发效率

面对文本、文档、图片、音视频等多模态数据，传统数据处理往往依赖不同工具和专用脚本，开发流程相对割裂。

袋鼠云数栈基于Daft、Data-Juicer等技术框架，内置100余个多模态数据处理算子，通过可视化流程编排，将数据处理算子与外部大模型能力结合，实现多模态数据的统一开发和智能加工。

例如，在企业合同、技术文档等非结构化数据处理场景中，平台可以通过文档解析、内容清洗、信息抽取、文本分类、标签生成等步骤，将原始文档加工为标准化数据、结构化信息和可检索的知识内容。

借助DeepSeek、通义千问等模型的语义理解能力，数据开发人员不再需要为每类非结构化数据单独编写大量处理逻辑，而是能够通过可视化编排灵活组合数据处理与AI能力。

大模型不再只是数据处理的外部工具，而是直接参与数据加工过程，推动多模态数据开发向智能化演进。

路径二：灵瞳Agent深入数据全生命周期

如果说外部大模型增强的是通用语义处理能力，那么袋鼠云自研的灵瞳智能体，则进一步将AI融入数据平台的专业工作场景。

围绕数据开发、治理、运维和应用四大环节，灵瞳构建了覆盖数据全生命周期的专业Agent矩阵。

数据开发Agent：根据自然语言需求辅助生成数据开发任务、SQL代码与开发配置，减少重复编码和人工配置工作。

数据治理Agent：结合元数据、血缘关系及数据质量规则，辅助完成元数据检索、血缘分析和质量规则生成，提升数据治理效率。

数据运维Agent：针对任务异常、调度失败等问题，结合运行日志与任务依赖关系，辅助开展故障诊断、异常定位和排障建议生成。

数据应用Agent：面向数据分析与业务洞察，支持自然语言问数、分析查询及趋势研判，降低数据使用门槛。

在运行机制上，灵瞳通过意图识别、AI调度、工具调用与人工审批相结合，将大模型推理能力与数据平台已有的专业工具连接起来，使Agent能够在受控的工作流中执行实际任务。

两条技术路径形成互补：外部大模型提升多模态数据的语义加工效率，灵瞳Agent深化数据开发治理的专业智能化能力。

从AI for Data延伸到Data Ready：加速高质量数据集建设

AI for Data的价值不仅是数据开发提效，更在于加速企业数据向AI可用资产转化。

围绕高质量数据集建设，袋鼠云形成了“规、采、预、标、验”五步建设流程：

• 规： 明确数据需求、应用目标与质量标准。
• 采： 统一采集和接入结构化、非结构化及多模态数据。
• 预： 通过智能算子与大模型能力完成清洗、解析、去重和加工。
• 标： 根据业务需求开展数据分类、标签生成及专业标注。
• 验： 对数据完整性、准确性、一致性和业务适用性进行检验与验证。

在这一过程中，大模型能够辅助内容理解和信息提取，灵瞳Agent则可以在数据开发、治理和质量管理等环节提供智能化支持，结合规则校验与人工审核，提高数据集建设效率。

最终，面向不同AI应用需求，企业可以逐步沉淀通识数据集、行业通识数据集与行业专识数据集，为知识检索、模型训练及专业智能体应用提供持续的数据供给。

从AI驱动数据生产，到高质量数据集持续供给，AI for Data正在帮助企业构建真正面向AI应用的数据基础设施。

二、Data for AI：从高质量数据走向通用与行业Agent应用矩阵

数据准备完成之后，如何让数据真正进入业务，是AI价值释放的关键。

围绕这一需求，袋鼠云基于AIWorks企业级智能体开发应用平台，将高质量数据、企业知识与模型能力相结合，构建面向通用业务和行业专业场景的Agent应用体系。

AIWorks提供多模型管理、知识库RAG、可视化工作流、Agent编排、工具调用及应用发布等能力，使企业能够将业务规则、专业知识与系统接口组织为可运行的智能应用。

通用Agent：解决企业高频共性需求

针对经营分析、文档处理、知识服务等跨行业需求，袋鼠云形成了多类可复用的智能体应用。

智能问数Agent： 结合AIMetrics智能指标平台的指标体系与业务语义能力，支持自然语言查询、指标分析和经营问题定位，让业务人员从反复取数转向直接获取分析结果。

合同预审Agent： 结合合同文本、企业制度和风险审核规则，辅助完成条款识别、风险提示及审核意见生成，减少合同初审中的重复工作。

智能报告生成Agent： 基于业务数据、分析结果与报告模板，自动组织报告内容、提炼关键变化并生成分析材料，提高周期性经营报告的编制效率。

这些应用具备一定的跨行业复用能力，并可根据企业的业务制度、数据结构和应用流程进行适配。

行业Agent：让专业知识真正进入业务流程

对于工程建设、制造、能源等行业，通用模型能力并不能直接解决复杂的专业问题。

行业Agent的关键，在于把行业知识、专业规则和具体业务流程转化为AI可调用、可执行的能力。

例如，在工程建设和制造相关场景中，袋鼠云围绕专业任务形成了多类智能体应用：

工程项目复盘Agent： 关联项目计划、成本、质量和过程资料，辅助识别执行偏差、总结问题并形成项目复盘报告。

BOM智能校准Agent： 结合物料清单、设计信息及校验规则，辅助识别编码、数量、层级及配置关系中的异常，降低人工核对成本。

方量核算Agent： 围绕工程资料、计算规则与核算流程，辅助完成信息提取、计算与结果核验。

这类Agent的价值，不在于增加一个AI交互入口，而在于将专业数据、行业规则与具体业务任务相结合，形成能够嵌入现有工作流程的智能应用。

通用Agent解决企业共性需求，行业Agent深入专业业务，两者共同构成袋鼠云面向多场景的智能应用矩阵。

三、从场景定义到持续运营：让Data Agent真正进入业务生产

企业AI落地的关键，不只是开发一个能够问答的Agent，而是让其真正理解业务、执行任务，并持续创造价值。

围绕这一目标，袋鼠云依托数栈多模态数据智能平台与AIWorks智能体开发应用平台，形成“定场景—备数据—建Agent—进业务”四步建设路径，实现从需求识别到业务运行的完整闭环。

第一步，定场景：明确角色、任务与价值。

围绕业务人员、数据团队、IT团队和管理层的实际需求，识别高频、高价值的业务任务，明确Agent的应用边界及预期收益，避免为了应用AI而开发AI。

第二步，备数据：构建可信的业务上下文。

依托数栈的多模态数据开发治理能力，将企业数据、专业知识与业务语义统一组织，为Agent提供准确、可追溯的数据和知识支撑。

第三步，建Agent：将业务需求转化为可执行能力。

基于AIWorks，融合模型推理、知识检索、工作流编排及工具调用能力，让Agent不仅能够理解问题，还能够按照业务规则完成多步骤任务。

第四步，进业务：实现执行与运营闭环。

通过API和工具调用对接企业业务系统，推动Agent进入实际工作流程，并围绕任务完成率、准确性、运行成本及业务效果持续评测优化。

在这一过程中，企业级Data Agent实现从“能用—能执行—能运营”的三级跃迁：从完成单点问答任务，到连接业务系统执行复杂任务，再到形成可评测、可管控、可持续优化的长期业务能力。

通过“场景—数据—Agent—业务—反馈优化”的持续循环，袋鼠云推动AI从单点应用走向企业级规模化落地，让Agent真正成为业务人员、数据团队、IT团队及管理层的智能化助手。

四、从数据智能化到业务智能化，形成Data+AI双向价值闭环

从数栈的多模态数据开发，到灵瞳Agent赋能数据全生命周期，再到AIWorks支撑的通用与行业智能体矩阵，袋鼠云正在将数据基础设施、智能应用与交付能力组织成一套完整的Data+AI体系。

其中，AI for Data让数据开发、治理和运维更加智能高效，并加速高质量数据集建设；Data for AI则让高质量数据与专业知识进入真实业务场景，支撑各类Agent持续落地。

与此同时，AI应用在实际运行中产生的数据需求、使用反馈与问题样本，又能够反向推动数据质量提升、业务知识更新和模型优化。

这种双向协同，使企业不必为每一个AI项目重复建设数据链路和应用框架，而是能够持续复用已有的数据资产、专业知识、模型服务与Agent组件。

从数据准备到智能应用，从单点交付到持续运营，袋鼠云希望帮助企业构建的，不仅是一批能够运行的Agent，更是一套能够不断沉淀数据资产、积累业务知识、规模化复制智能应用的Data+AI能力体系。