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。
介面層戰爭開打：模型喺貶值，數據語境先至係寶
Dreamforce 24 小時連發 Koa 模型、AIforce 介面層同兩單 Agent 落地個案，DeepSeek 更將任務成本推到 0.07 美元。模型喺貶值，企業數據語境先至係新戰場。
智能體的下半場：由編排競賽到本體圖記憶
過去兩日，OpenAI 將智能體編排做成公共 API，Salesforce 讓智能體追逐跨週目標，Iyuno CLOE 就揭示咗更深一層：令理解持續複利嘅唔係更大嘅上下文窗口，而係一張隨任務不斷生長嘅持久本體圖。
OpenAI 進場做數據智能體：決勝點喺語義層，唔係模型
OpenAI 喺 ChatGPT Work 推出 Data agent，直接駁通企業數據倉。但基準數據講得好白：企業級問數嘅樽頸從來唔係模型——企業 schema 上準確率得約 21%，信心遠超管控。語義層同數據治理，先至係 AI 問數落地嘅分水嶺。
AI 問數攻入真實企業數據庫：91.7% 背後的三個架構真相
最新研究喺 900 條真實企業查詢上將 NL2SQL 答對率推到 91.7%，領先次優基線 54.6 個百分點。本文拆解三個架構真相：真實企業數據庫有幾難、成本感知 Agent 點樣做、點解語義資產先係最大槓桿。
模型疲勞時代：企業 AI 底座嘅抗迭代設計
一星期之內 Anthropic、Meta、Google、OpenAI 齊發新模型，CNBC 造咗個新詞「模型疲勞」。本文拆解企業評測選型嘅真實負擔，並提出四條抗迭代設計原則，等數據資產穿越模型迭代週期。
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。