AI 原生
数据治理智能体
DGAgent — 语义驱动 · 主动治理 · 价值可见
构建 AI 时代的高质量数据底座。自动化承担数据挖掘、清洗与语义对齐的繁重工作，为企业大模型与智能应用持续交付准确、有语义的高质量数据集。
已发布至数据目录，API 接口调用权限已开通。
从为 BI 治理数据，到为 AI 治理数据
AI 时代对数据治理提出了全新要求，传统模式正面临三重挑战
需求之变：从服务 BI 到服务 AI
- •过去数据治理服务于 BI 分析——分析师编写 SQL，业务人员查看报表
- •现在数据还需服务于 AI 应用——大语言模型、RAG、Agent 需要数据自带上下文
- •AI 无法容忍歧义和错误，数据必须准确且有语义
代价之重：80% 的精力消耗在数据准备
- •据行业实践统计，AI 项目约 80% 的工作量消耗在数据准备与治理环节
- •数据治理是公认的脏活累活，需要堆人去干
- •信息科技部门投入大量人力物力，成本高且不可持续
价值之困：做得越多越没存在感
- •业务部门感知不到治理带来的价值，配合意愿低
- •管理层难以评估治理工作的实际成效，过程中难以获得资源支持
- •做出成果后也不被认可，治理团队陷入困境
DGAgent 围绕三大核心理念，系统性解决这些问题。
语义驱动 · 主动治理 · 价值可见
三者形成闭环，持续进化
语义驱动
解决 AI 时代的数据消费需求，让每份数据都自带上下文
主动治理
将人从脏活累活中解放出来，让数据不需要治理
价值可见
把冰山下的功夫搬到台面上来，让治理工作被看见、被认可
语义驱动 — 从为 BI 治理数据，到为 AI 治理数据
语义就是 AI 的上下文，数据的语义与数据本身同等重要
已为您查询上月各产品线毛利率：
数据来源：dws_finance_monthly · 更新时间：2024-01-02
对话式治理
通过自然语言对话完成数据查询、标准定义、口径注册、问题诊断。业务人员无需了解表名和 SQL，将治理门槛从「技术配置」降低为「业务对话」。
自动化语义补齐
AI 自动识别缺失的字段含义、口径定义、业务分类、数据血缘，基于上下文智能推荐并补齐，大幅减少人工标注工作量。
客户唯一标识，关联 dim_customer
订单金额（元），含税
AI 推荐：产品分类编码
未识别，需人工标注
口径注册中心
统一定义指标口径，版本化管理，场景化推荐。解决「为什么财务毛利率和销售毛利率不一样」的经典问题。
主动治理 — 让数据不需要治理
数据治理是公认的脏活累活，DGAgent 将人从繁琐工作中解放出来
AI 自动巡检与预警
AI 智能体自动巡检核心表数据质量，发现异常即时推送预警，附带根因分析和修复建议。治理团队从「手工操作」转变为「审核确认」。
问题分类与对症下药
不是所有数据问题都该修数据。客户编码不统一，根因可能是缺乏统一的主数据管理流程。DGAgent 自动区分问题类型，对症下药。
治理前置到数据生产环节
将治理延伸到数据生产环节，通过端侧插件在数据录入时即完成质量校验，从源头控制数据质量，实现数据的「自动驾驶」。
- 模板下载：内置校验规则
- 实时校验：类型/格式/枚举/唯一性
- 智能填充：基于历史数据推荐
- 一键上传：校验通过后提交
- 页面数据识别：自动检测表格
- 实时校验：比对平台标准
- 来源记录：URL/时间/操作人
- 数据导入：附带溯源元数据
- 数据识别：日期/手机/金额等
- 格式校验：比对标准格式
- 一键修复：自动标准化转换
- 修复记录：全程可追溯
价值可见 — 数据治理的背后，是业务治理与组织治理
数据治理的本质是业务治理。业务部门定标准、认领问题、确认规则——AI 自动完成技术层面的脏活累活。让每个参与者有责任感，更有成就感。
组织参与度仪表盘
哪个部门参与了、参与程度如何、带来了什么价值——管理层一屏掌握。
业务协同工作台
业务部门定标准、认领问题、审核规则。治理的不只是数据，更是业务规则本身——有责任感，更有成就感。
AI 自动治理 + 成效追溯
纯技术层面的数据治理工作由 AI 自动完成，治理团队只需审核确认。每项动作可追溯、可度量。
安全可控，开放集成
满足央国企安全合规要求，无缝融入 AI 技术生态
信创环境全栈适配
适配国产操作系统（麒麟、统信）、国产数据库（达梦、人大金仓）、国产中间件。通过信创环境兼容性验证。
支持本地模型 + 内网部署
支持完全内网部署，数据不出企业边界。支持接入本地部署的大语言模型（DeepSeek、Qwen 等），无需依赖外部 API。
MCP 协议对接 AI 工具链
通过 MCP 协议让 AI 应用直接消费治理后的高质量数据。支持对接 Claude、ChatGPT、Cursor、企业自建大模型等。
// 通过 MCP 协议获取治理后的高质量数据
const result = await mcp.call("dgagent/query", {
question: "上月各产品线毛利率",
format: "table",
include_semantics: true,
include_lineage: true
});
// result.data — 结构化数据
// result.semantics — 字段语义与口径定义
// result.lineage — 数据血缘追溯链DGAgent 对比传统平台
从理念到落地，全方位升级
| 对比维度 | 传统数据治理平台 | DGAgent（AI 智能体） |
|---|---|---|
| 治理目标 | 为 BI 治理数据 | 为 AI 治理数据（适配大模型） |
| 交互方式 | 复杂的表单配置 | 自然语言对话（NL2SQL / NL2Action） |
| 语义定位 | 可选的注释信息 | 必选的基础设施（Schema 对齐） |
| 语义补齐 | 人工逐一标注（成本高） | AI 自动识别并补齐（高效准确） |
| 工作方式 | 堆人干活（依赖专家） | AI 智能体自动执行 |
| 业务参与 | 被动配合（数据部门主导） | 业务协同工作台，主动参与 |
| 治理时机 | 事后修补（问题发生后） | 前置到数据生产环节（端侧插件） |
| 价值衡量 | 效果说不清（缺乏量化指标） | 三层可见，ROI 完全可量化 |
准备好为 AI 提速了吗？
了解 DGAgent 如何助力您的数据治理