背景：为智能体 AI 构建可信的数据基础

背景信息是沟通的关键。脱离背景的言论，听起来可能与原意完全相反。在不了解背景的情况下遇见某人，我们可能都难以认出对方。背景信息如同黏合剂，维系着人际关系，也让我们得以理解社交互动的意义。

AI 智能体也是如此。背景信息能帮助智能体消除歧义，例如区分 Apple（科技公司）、Apple（唱片公司）和 apple（水果）。

这种消歧至关重要，因为企业级 AI能够以闪电般的速度做出决策并采取行动：标记交易、批准信贷、触发警报。如果智能体不了解其工作流程中涉及的实体，它们仍会继续行动，但可以肯定的是，它们会犯错。

一些估算认为，到今年年底，一家典型的大型企业将使用多达1,600 个智能体，这些错误很快就会成倍扩大。

解决数字身份问题的复杂性

智能体 AI 理应令人振奋，但在智能体真正理解其数据集中的实体之前，我们仍有可能是在沙地上筑城。

这并非易于解决的问题。例如，同一位客户可能以不同的形式出现在各种企业数据库中（J. Bloggs、Jane Bloggs、Bloggs 等）。同样，一个企业实体也可能在其多个子公司中被分别标记。智能体如何才能知道，这些看似不同的实体实际上都对应同一个档案？

目前，它们往往做不到。这与智能体的构建方式有关。智能体本质上是一种接收输入并返回输出的系统。但究竟应该向智能体提供多少数据？研究表明，过长的上下文窗口会导致智能体产生幻觉。反过来，如果提供的数据太少，智能体就会自信地做出决定，并依据不准确的信息采取行动。企业需要谨慎把握分寸，为系统提供恰到好处的背景信息，既不能多，也不能少。

数据整合至关重要

数据量只是挑战的一部分。企业还需要考虑数据质量和整合。数据连接不畅会造成背景信息失真。当智能体做出决策所需的数据，分散在一系列彼此隔离的数据库、应用程序和业务部门中时，就可能产生幻觉。大约 80-90% 的业务背景信息存在于彼此隔离、缺乏结构的文件中，散落在相互割裂的系统里。如果无法访问这些信息，AI 的输出就会建立在不完整的假设之上。

尽管存在这些问题，AI 智能体的部署仍在迅速推进。如果企业领导者无法信任智能体能够做出准确决策并采取正确行动，就不得不投入更多人力进行监督，远超原本所需的程度。企业最终得到的将不是他们所期待的自主、高效智能体，而是不值得信任、需要时刻照看的工具。另一种选择则是加大业务风险，并增加合规和法务团队的工作量。

构建背景数据基础

那么，应该怎么做？关键在于为智能体提供准确且经过验证的数据基础。这个基础能够整合来自内外部来源的碎片化数据，并对结构化和非结构化数据实施一致的治理。在此基础上，它还会补充背景信息，让输入 AI 的数据反映现实世界中的关系，而非孤立的记录。这样，智能体就能将某个人与其别名关联起来，或将某家子公司与其母公司关联起来。

建立背景数据基础后，由 AI 驱动的运营将更加准确、可解释，并能够支持有把握的决策。企业可以信任智能体，而不必时刻照看它们，从而充分受益于智能体自动化，无需过度监督。

从技术角度看，实现背景信息需要两项能力。第一项是实体解析，它能将指向同一实体的记录关联起来，即使这些引用分散在不同系统和数据类型中也是如此。随后，这些记录会经过协调，汇总为关于个人、组织和资产的统一可靠视图。那些经常损害数据质量并导致 AI 产生错误结果的重复记录和歧义，也由此得以解决。

第二项能力是知识图谱。知识图谱通过对实体之间的关系进行建模来补充背景信息：例如客户如何关联账户、交易如何与行为相关联，以及风险如何在网络中扩散。知识图谱与实体解析相结合，能够构建一幅准确反映现实世界数据状况的图景，为 AI 智能体提供成功大规模运行所需的基础。

智能体 AI 之外的益处

当然，企业中的数据使用者并不只有人工智能智能体。上下文数据基础能够确保运营人员、合规团队、业务分析师、人力资源团队以及所有其他数据使用者，同样受益于对现实情况的统一、准确认知。

反过来，这有助于提升客户体验。例如，如果一家企业为同一位客户维护多个档案，不同团队就可能多次联系该客户。至少可以说，这样的经历会让客户感到沮丧。以上下文为基础的数据能够改善客户体验，因为它能帮助企业更全面地了解客户，并确保以恰当的方式与他们互动。这最终是一种以人为本的方式，也能为企业节省时间和金钱。

让人工智能保持诚实

Gartner预测，40%的企业应用今年将配备针对特定任务的人工智能智能体，高于2025年的不到5%。智能体人工智能时代已经到来。

然而，并非所有投资这项技术的组织都能同等受益于智能体人工智能工作流。那些通过构建统一且富含上下文的数据基础来夯实基础的组织，将能够信任人工智能的输出，并迅速扩大应用规模。其他组织则会把时间和精力浪费在看护新系统上。因此，成功的关键在于从第一天起，就将一个持续演进的上下文层嵌入智能体技术栈。