从 RAG 到 Agentic 数据：语义层与数据治理

AICon 2026 学习系列 · 阶段 2 · RAG 与数据 · 第 15/43 篇 · 🚧 占位待学
上一篇：《RAG 评估：没有评测集的调优是玄学》
下一篇：《ReAct 循环：思考-行动-观察》
学习大纲：《AICon 2026 学习总纲》

---

状态：待学习。 本文为占位文档：知识点清单、实验与验收标准已就绪，正文待按「先学习、先实验、再撰写」补全。
对应总纲单元：阶段 2 · 单元 2.5

一、本文要解决的问题

AICon 2026 专门设了「智能体时代的数据供给与治理」专题：企业数据要从「给报表和训练用」升级为「给 Agent 用」——可理解、可访问、可追溯、可治理。这一篇把 RAG 的终点接到大会的起跑线。

二、知识点清单

• RAG 的局限：文档是「给人看的」，不是「给 Agent 操作的」
• 语义层（semantic layer）：把业务口径、指标定义、实体关系显式化，Agent 拿到的是可推理的对象而非裸文本
• 数据权限与血缘：Agent 代理用户访问时的权限边界、答案可溯源
• Data Agent 与 BI 场景：Quick BI 数据分析智能体在做什么
• AI 数据质量与评估闭环

三、动手实验（学习时必须真跑）

• 精读 AICon 深圳站《可观测对象图语义层的设计与开源实践》《DataBuddy：数据语义驱动的企业 Agent Runtime》《Quick BI 数据分析智能体的可靠工程实践》三场议题的公开摘要
• 用一句话各自总结「它把哪段数据链路 Agent 化了」

四、验收标准（全部通过才进入下一篇）

• 能说清演进线：「给模型喂文档 → 给 Agent 喂可理解、可追溯、可治理的语义层」
• 能指出自己公司哪块数据适合先做语义层

五、阶段验收（本篇是阶段 2收尾篇）

• 最小 RAG 达到「敢给同事演示」的水平，并附一份「失败案例集」（每个失败案例对应一个可改进环节）

六、写作提示（补正文时遵守）

• 开篇问题驱动；结构走「是什么 → 为什么 → 怎么做 → 背景知识」
• 所有代码、命令、输出必须先在本机跑通再写入，不得杜撰
• 版本口径以总纲环境清单为准（Python 3.12 / Ollama / vLLM 与 SGLang 最新版 / Spring AI 1.x）
• 涉及版本敏感结论时标注出处与时间

---

本篇完成后，把文首导航块的「🚧 占位待学」去掉，并在总纲处打卡。