- 文章认为，企业 AI 代理面临的最大挑战不再是 AI 模型本身，而是分散、不一致且难以管理的内部数据和知识。
- 目前常见的部署方式是为每个 AI 应用构建独立的上下文，导致多个团队处理同一文档，产生多个不同的嵌入（embeddings）、索引和知识库，从而增加了成本并导致回答不一致。
- 当文档、源代码或业务流程发生变化时，每个 AI 系统独立更新，导致 AI 代理使用不同版本的知识。
- 作者建议构建一个共享的企业知识平台，而不是让每个 AI 应用自行管理数据。
- 该模型包含 4 层：Raw（存储原始数据）；Refined（将文档标准化为知识对象）；Integrated（将多个系统的数据连接成统一的知识模型）；Serving（为每个 AI 代理或多个应用提供优化数据）。
- Integrated 层通过业务实体和关系（如依赖、所有权或影响）连接文档、源代码、Jira、邮件和其他系统，帮助 AI 理解企业背景，而不仅仅是关键词搜索。
- Serving 层创建共享资源，如搜索索引、嵌入、知识图谱、API，并同时为每个 AI 代理构建特定上下文，无需重复复制数据。
- 该架构支持数据生命周期管理、来源追踪、访问控制、AI 结果解释以及全企业的知识重用。
- 系统还允许将 AI 代理的反馈传回平台，以便持续审核和改进企业知识模型。
- 作者总结道，企业的下一个竞争优势将不在于构建更多的 AI 代理，而在于构建可靠的数据和知识平台，因为“垃圾进，垃圾出”的原则在 AI 领域依然适用。
📌 AI 代理只有在获得统一、准确且管理良好的企业知识源时才能发挥效用。企业不应让每个 AI 应用自行构建上下文，而应投资于一个具有四层数据管理功能的共享知识平台，从而减少重复、增强一致性、提高可解释性，并为在整个组织范围内扩展 AI 奠定基础。
