企业AI正经历一场尴尬的"毕业危机"——实验阶段风光无限，一到投产就寸步难行。问题不是模型不够聪明，而是数据太碎、场景太糙。
Appian人工智能架构总监Mark Talbot在Appian World 2026上的分享，揭示了一个被忽视的真相：AI代理（人工智能代理，指能自主执行任务的智能程序）的瓶颈从不在"能不能做"，而在"知不知道做什么"。
数据孤岛正在吃掉AI的上下文
Talbot的核心观点很直接：AI架构的关键组件，首先是数据——你给AI提供的上下文。
「有了我们的数据编织层（数据编织，指跨系统整合数据的架构技术），你可以挖掘支持案例之间的关系，或者知识库文章之间的关联。你的工具就位。代理需要工具才能工作。你的工具就是现有的动作和现有的流程。」
这段话点破了一个行业盲区。过去两年，企业疯狂追逐大模型参数、推理速度、多模态能力，却忽略了AI代理最基础的需求：它得知道自己在什么场景里干活。
采购数据分散在十几个系统，客户记录躺在Salesforce，财务数据锁在SAP，支持工单又藏在ServiceNow。代理拿到一个任务，连"去哪里找信息"都搞不清楚，更别说"找什么信息"。
Appian的解法是不搬数据，而是原地编织。通过数据编织层同步各系统数据，构建知识图谱（知识图谱，指用图结构表示实体关系的语义网络），映射Salesforce、SAP等系统间的关联。代理不需要理解底层数据库结构，只需要在统一的语义层上操作。
澳大利亚财富管理公司的"任务审计"实验
Talbot透露了一个具体案例。Appian与一家澳大利亚财富管理公司合作，先做了一件事：任务审计。
团队逐条梳理IT支持流程中哪些步骤由人类执行，判断哪些可以移交AI代理。最终落地的代理被赋予明确目标、指令集，以及数据编织层的访问权限。
结果：一级分类（一级分类，指问题初步筛选和分配）实现完全自主。代理自行检索历史支持工单、知识库文章，无需人工介入。
这个案例的微妙之处在于边界设定。代理没有被扔进"处理所有IT问题"的混沌场景，而是被严格限定在"一级分类"——足够窄，能验证；足够有价值，能节省人力。
Talbot没有透露具体节省了多少工时，但强调了方法论：先审计，再划定代理边界，最后给上下文。顺序不能乱。
代理与流程的边界：谁说了算？
Appian World的讨论中，一个反复出现的主题是：代理和确定性流程（确定性流程，指按固定规则执行的自动化流程）怎么分工？
Talbot的答案是分场景。错误成本高、合规要求严的领域，流程主导；模糊、多变、需要推理的任务，代理上场。
「在某些情况下，代理是流程的一部分。在其他情况下，流程是代理的一部分。」
这句话值得拆解。前半句是"流程调用代理"——现有BPM（业务流程管理）系统在特定节点触发AI能力，比如自动分类后的人工复核。后半句是"代理调用流程"——AI自主决策过程中，需要执行标准化动作时，回退到确定性流程。
这种双向嵌套的设计，解释了为什么Appian坚持把数据编织层做成"应用平台"而非单纯的数据目录。代理和流程共享同一套上下文，才能无缝切换。
Snowflake合作：扩展上下文，不松控制
Appian近期与Snowflake的合作，把数据编织层的触角伸得更远。企业数据湖里的冷数据、半结构化数据，理论上都能纳入代理的上下文池。
但Talbot强调了一个反直觉的立场：更宽的上下文，不意味着更松的控制。
数据编织层的价值恰恰在于"治理下的连接"。代理能访问什么、不能访问什么，由统一策略管控，而不是每个系统各自为政。这与"把数据倒进向量数据库让AI自己翻"的粗暴方案形成对比。
「数据编织层不仅仅是目录，它是应用平台，工作流、代理和人工任务围绕它组织。」
这句话定义了Appian的产品哲学：AI代理不是独立运行的智能体，而是嵌入现有企业架构的组件。它的智能程度，取决于它能调用多少经过治理的企业上下文。
行业影响：从"模型竞赛"到"上下文工程"
Talbot的分享指向一个正在发生的范式转移。
过去18个月，企业AI的讨论被模型厂商主导——参数规模、上下文长度、推理成本。但生产部署的反馈正在把焦点拉回数据层：你的代理能不能可靠地获取正确信息，比它能不能"思考"更决定成败。
这种转移对技术栈的影响是深远的。数据编织层、知识图谱、语义搜索这些"老技术"重新成为AI基础设施的核心。向量数据库和RAG（检索增强生成，指结合外部知识库提升生成质量的技术）只是起点，真正的挑战是企业级数据关系的建模和治理。
对从业者而言，这意味着技能重心的调整。懂Transformer架构（Transformer，一种深度学习模型结构）不够了，得懂数据血缘、主数据管理、跨系统语义对齐。AI架构师的战场正在从模型层下沉到数据层。
Appian的案例还揭示了一个部署策略：从窄场景切入，用任务审计划定边界，逐步扩展代理的自治范围。这与"先建通用AI中台再推场景"的思路相反，可能更适合当前的技术成熟度。
澳大利亚财富管理公司的IT支持代理，本质上是一个"可验证的窄智能"——在有限上下文内高度可靠，而不是在所有场景里勉强可用。这种务实路线，或许是企业AI从实验走向投产的关键。
热门跟贴