本体落地不难，首批中国企业已跑通，金融、电商、制造全覆盖

为什么少？

•  没有统一标准。Palantir、Snowflake、Databricks、Apache Ossie、Agent Memory，五条路线各走各的，差异不在“有没有图”，而在知识怎么表示、怎么运行、怎么生产、怎么验证。企业面对的不是“好不好”，是“跟谁”。

• 容易做成“大而全”。全域一次性铺开的本体，往往是最先陈旧的那一个。业务一变，它就臃肿、失效、贬值。

• 实现路径不可逆。本体到底是一层“翻译”还是一份“数据”？只建映射上线快但多跳跑不动，真建对象库查得快但要啃同步、一致性、成本、“谁是真值”一堆硬骨头。选错了，只能推倒重建。

•  口径永远在打架。各业务线对“活跃用户”各说各话，强行统一会扭曲业务理解，不统一 Agent 又不知道该听谁的。

•  建完就贬值。缺少持续迭代机制，知识资产从交付那天起开始折旧。

10月23-24日，DACon 2026北京站，这批企业第一次集中出现，并且把账本摊开了。

蚂蚁集团、理想汽车、Shopee、天翼支付、奇虎 360、懂车帝、易车、润和软件、悦点科技、云器科技、Datastrato、数新智能，以及中国人民大学——14 场演讲，覆盖金融、汽车、跨境电商、支付、内容、零售、工业软件七个行业。

扫码了解会议详情

下面是完整的议题清单。

本体已经跑进生产系统的企业

这 7 场不是方法论推演，是已经在业务里跑起来、并且拿得出数字的实证。

01｜蚂蚁集团：金融数据知识本体，让 Agent 从“会查数”到“懂业务”

讲师：崔伟斌 · 蚂蚁集团 · 资深数据技术专家、蚂蚁消费信贷数据负责人

演讲主题：蚂蚁集团金融数据知识本体：让 Agent 从“会查数”到“懂业务”

演讲介绍：蚂蚁的选择是：放弃“按表取数”的传统范式，用数据知识本体打通多源业务语义，把字段和指标翻译成“用户”“产品”“行为”这类业务对象，让系统理解数据到底在“说什么”。

最典型的问题是各业务线对“活跃用户”各说各话。蚂蚁的做法不是强行统一——而是让本体保留差异，Agent 按需取用。底层用 LangGraph 六节点状态机（InputParser → Comprehender → EntityResolver → Reconciler → Synthesizer → Verifier）自动化完成本体合成与校验；同时用 SQL Understander 从历史任务代码里反向萃取字段语义和表间关联，形成“代码即标注”的自动生成管线。

服务层用互索引架构，同步检索三类知识：KG_cs（业务视角，如花呗“活跃用户”的定义规则）、KG_fr（实体关系图，如“用户A-持有-借呗额度5万”）、RC（原始文档证据），三层结果融合去重后打包成 KnowledgePackage。

效果：交叉机会识别从 3-5 天缩到小时级，异动归因准确率超 85%，已支撑多条营销策略落地。

演讲提纲：

1. 方案选型：为什么放弃“按表取数”，改走数据知识本体

2. 底层：LangGraph 六节点状态机，实现表结构全量感知、实体识别、跨表矛盾消融、本体合成与校验

3. SQL Understander（sqlglot + 正则）：从历史任务代码反向萃取字段语义与表间关联

4. Reconciler：跨表同名字段的 7 层级成本递进消融（全自动合并 → 人工确认），核心原则是冲突标记但不强制合并

5. Verifier：Pydantic + 业务规则 + 深坑检测三重校验，不通过触发 L4 重试或降级 warning

6. 服务层：KG_cs / KG_fr / RC 三层协同检索的互索引架构

7. 成效：覆盖数千张表，交叉机会识别小时级，异动根因分析准确率 85%+

听众收益：

· 掌握一套可复用的“海量表自动化本体构建”方法论

· 理解“分层联合召回”架构如何提升业务分析效率

· 获得“多业务线口径冲突”在金融场景下的实战经验

02｜理想汽车：本体驱动的 Agent，从查数、分析走到销售决策

讲师：梁伟 · 理想汽车 · 企业智能-算法研发 · 高级算法工程师、数据智能部门负责人

演讲主题：本体驱动的 Agent 实践——从查数、分析到销售决策

演讲介绍：理想汽车曾通过后训练把自然语言问数的业务准确率做到接近 100%。但随之而来的问题更棘手：知识准备和训练周期很长，扩展到新领域困难，业务口径一变就难以维护。

为解决这个问题，团队开始用本体重新组织企业数据，让对象、关系、指标和业务规则变成 Agent 可理解、可查询的语义结构。

这场演讲会复盘从 NL2SQL、MCP、Skill 到内置 Agent 的四次演进与取舍，并结合销售决策的真实实践，讲清本体如何支撑 Agent 从查数、分析，进一步走向业务决策。

演讲提纲：

1. 智能问数做得很准之后，我们遇到了什么：NL2SQL 与后训练方案在扩展和维护上的局限

2. 企业数据为什么需要按 Agent 的理解方式重新组织：业务语义与底层数据结构之间的距离

3. 如何设计面向 Agent 的本体：对象、属性、关系、指标、业务规则与语义查询机制

4. 从 MCP、Skill 到内置 Agent 的三次迭代：灵活性、稳定性和接入成本之间的取舍

5. 从查数走向决策：业务事实层、销售认知层、场景执行层的三层设计

6. 本体建设的边界与下一步：知识治理、持续优化中尚未完全解决的问题

听众收益：

· 理解 NL2SQL 在单领域取得高准确率后，仍然会遇到的扩展、维护和知识更新问题

· 了解如何通过对象、关系、指标和业务规则组织本体，降低 Agent 理解和使用企业数据的难度

· 获得一次基于实际业务场景的本体建模与应用经验，看本体如何支撑从查数分析走向业务决策

扫码了解会议详情

03｜理想汽车：语义层即上下文，生产级 Agent 的语义工程

讲师：钱瀚 · 理想汽车 · 大数据平台负责人

演讲主题：语义层即上下文：理想汽车生产级 Agent 的语义工程实践

演讲介绍：生产级 Agent 的真正瓶颈不在模型能力，而在上下文质量——Agent 拿到的是散落在 Prompt、工具、日志里的碎片化信息，还是经过语义治理、可理解、可追溯的结构化上下文，决定了它能不能在生产环境稳定交付。

以 Spark/Flink 故障诊断为例，理想汽车把散落在 Prompt 与工具中的知识，拆分为本体、OSI、Playbook 和通用执行层四层，为 Agent 构建高质量语义上下文。Agent 据此跨日志、指标、数仓取证，形成有证据的根因判断，并把诊断缺口沉淀为可版本化、可校验、可回归的语义资产。

钱瀚拥有十余年分布式大数据与 AI 基础设施建设经验，先后任职搜狗、百度、京东、字节跳动，现主导理想汽车大数据云原生、实时数据湖、元数据与语义层技术落地，服务百万级车辆大数据场景，承载万亿级车辆信号处理。

演讲提纲：

1. 生产级 Agent 的上下文挑战：为什么散落知识是最大瓶颈

2. 语义层即上下文工程：本体、OSI、Playbook 的职责边界与协作

3. 理想汽车落地实践：从故障诊断到有证据的根因判断

4. 关键取舍与演进：从单点场景到生产级 Agent 平台

听众收益：

· 掌握一套将专家经验转化为可治理语义资产、为 Agent 提供高质量上下文的方法

· 理解本体、查询语义、Playbook 和工具层在上下文构建中的职责边界

· 学会构建带证据、置信度和答案边界的 Agent 输出，理解语义约束如何提升上下文质量

· 获得一条从单点场景逐步演进到生产级 Agent 平台的实践路径

04｜天翼支付：本体落地的分叉路口——语义映射与对象存储的取舍

讲师：徐德华 · 天翼支付科技有限公司（天翼电子商务有限公司）· 风险管理部总监、模型团队负责人、总经理助理

演讲主题：本体落地的分叉路口：语义映射与对象存储的取舍与实践

演讲介绍：这是全场最直接的一本体落地复盘。

天翼支付在建设过程中反复撞上同一个问题：本体到底是一层“翻译”，还是一份“数据”？

· 只建映射，本体就是一层元数据，查询时翻译成面向数仓的 SQL，数据不搬家、上线快、无冗余；但多跳穿透跑不动，口径受底层表结构牵制，对象的状态和执行结果没有地方落。

· 真建一个对象库，把实例、属性、关系物化存下来，查得快、能承载状态、支持决策闭环；但要面对实时同步、增量一致性、存储成本和“谁是真值”这一堆问题。

这个选择基本不可逆。

而它的上游还有一个更容易被跳过的问题：概念口径和真实业务数据，本来就不该混在一层做。

这场演讲会完整交代这两个问题上的判断依据、混合方案的边界划法，以及为此付出返工代价的几个决策，同时给出本体如何为智能体供数、跨域如何复用、项目以什么标准验收的具体做法。

演讲提纲：

1. 业务背景：本体已经建成，智能体依然用不起来——三个现实瓶颈（缺少企业运行现实的表达、组织经验无法继承、单场景建设形成语义孤岛）

2. 方案选型：概念口径与业务数据为什么必须分两层做——概念层负责对象/属性/关系/口径/规则，实例层负责亿级实例、状态变化、历史链路与结果回写

3. 落地挑战：实例层是建映射还是建实例库——四条选型判据：查询形态、时延要求、是否需要状态与回写、变更频率

4. 解决思路：混合方案与一致性保障——核心对象物化、长尾保留映射，边界必须写死而不是临场判断

5. 面向智能体供数：最小必要上下文、受治理访问接口、回退条件与风险计量

6. 跨域复用与验收标准：业务域资产交付五件套（本体片段、规则库、案例库、已验证查询、评测集）

听众收益：

· 认知刷新：本体落地的真正难点不在建模方法，而在概念层与实例层的职责划分，以及实例层实现路径的不可逆选择

· 方法可复用：语义映射与对象存储的正面对比、四条选型判据、混合方案的边界划法，可直接用于自身架构决策

· 实践指南：面向智能体供数的具体设计与跨域复用规则，以及一套让本体项目可度量、可验收的交付模板与踩坑清单

05｜Shopee：基于图平台的反欺诈本体建模与智能决策

讲师：张松清 · Shopee · Data Infra · 图平台负责人

演讲主题：Shopee：基于图平台的反欺诈本体建模与智能决策实践

演讲介绍：面对电商促销和信贷中账号、设备、交易等多实体协同伪装，传统表格模型很难识别团伙欺诈。Shopee 图平台把对象、关系与风险规则进行本体化建模，形成动态反欺诈知识网络：图数据库支撑实时关联查询，图计算发现社区和关键节点，图学习模型预测风险。

两个真实场景会完整展开：Monee Credit 用户关系图与信贷风控（贷前贷中识别效果提升明显，通过图数据库对线上借贷申请做实时资质审批），以及 Shopee 订单促销知识图谱与欺诈检测（结合图计算和 RGAT 等图学习模型识别黑产团伙与异常交易链路）。

张松清 2018 年起参与蚂蚁集团自研图存储系统从 0 到 1 建设，发表图数据专利 2 篇，后参与阿里搜索索引统一存储层研发，现负责 Shopee 图平台开发。

演讲提纲：

1. 业务背景：反欺诈为什么需要知识工程——传统表格模型难以识别团伙型、跨场景欺诈

2. 方案选型：一站式图平台与知识构建——图数据库 + 图计算 + 图学习的协同

3. 实践一：Monee Credit 用户关系图与信贷风控，贷前贷中效果提升与实时资质审批

4. 实践二：Shopee 订单促销知识图谱与欺诈检测，RGAT 识别黑产团伙与异常交易链路

5. 落地挑战与工程化：大规模异构关系、实时更新、特征供给、训练效率；特征预取与批处理优化

6. 未来规划：演进为可解释、可推演的动态反欺诈本体；探索 GraphRAG 与 Agent

听众收益：

· 了解面向企业的知识工程方法：如何将业务对象、关系和风险规则本体化建模，构建可实时演化的知识网络

· 掌握图数据库、图计算和图学习的选型边界与协同方式

· 获得电商促销和金融信贷风控实践经验，形成数据、规则与模型的闭环

扫码了解会议详情

06｜润和软件：基于本体的领域知识工程——以金融测试为例

讲师：杨冬瑞 · 江苏润和软件股份有限公司 · 人工智能中心 · AI 架构师

演讲主题：基于本体的领域知识工程实践：以金融测试为例

演讲介绍：金融测试正从经验驱动转向 AI 辅助，但大模型直接生成仍面临三个硬伤：方法难复用、结果难追溯、质量难评估。

润和软件的解法是测试本体 + Test IR：结合业务本体沉淀测试方法论，以 Test IR 打通需求、大纲和案例；Agent 负责语义理解与方法选择，工具负责数据计算、案例装配和校验，形成“需求解析 → IR → 方法应用 → 案例生成”的可追溯链路。

这场演讲还会正面比较四条路线：直接用大模型（快但黑盒）、固定工作流与提示词（适合单场景但强耦合）、RAG 知识检索（能补知识但表达不了方法适用条件和输出约束）、本体与 Test IR（结构化、适合长期治理）。

杨冬瑞为东南大学博士，曾就职于华为 2012 实验室，主导众核系统性能分析平台建设、AI 辅助模型驱动开发工具开发。

演讲提纲：

1. 业务背景：为什么需要重新设计 AI 测试平台——需求/大纲/案例缺少统一表达，优秀方法难沉淀，Dify/提示词/Skill/脚本资产分散

2. 方案选型：为什么选择“本体 + Test IR + Agent + 工具”——四条路线对比

3. 总体架构：平台如何运转

4. 落地挑战：测试场景本体的分层与构建、本体的管理与演进、Test IR 设计与应用、测试方法论的构建与应用

5. 展望与总结

听众收益：

· 理解业务本体、测试本体和 Test IR 的职责边界，以及三者如何共同支撑 AI 测试

· 获得一条可渐进实施的建设路线：从现有提示词、Skill 和脚本出发，逐步演进为可查询、可治理的测试平台体系

07｜奇虎 360：从“会查数”到“懂业务”，语义层的渐进式演进与量化评测

讲师：郭朝阳 · 北京奇虎 360 · 数据开发 · 湖仓 Data Agent 化演进技术负责人

演讲主题：从“会查数”到“懂业务”——奇虎 360 企业级 Data Agent 的语义层演进与量化评测实践

演讲介绍：360 在云数仓架构之上搭了一个“聊着天就把数据查了”的 AI 应用。但做着做着发现，想让它从“会查数”变成“懂业务”，中间隔着一座大山——语义层。

大模型写 SQL，学术数据集上能跑到 85%，一进真实数仓就现原形：几百张表、上万个字段、口径靠口口相传，准确率断崖式下跌，而且错了你都不知道它错在哪。

更麻烦的是，业务不可能等你花半年把语义层建好再上线。360 的做法是“半成品冷启动，边跑边长”：

· 双路径混合路由：语义完整的走确定性编译引擎（AST 主路径），只有表和文档的走 RAG 降级；每条结果带置信度分数——0.95 以上自动入报表，0.65 以下系统主动提示“这条我不太确定，建议人工确认”

· 薄 API → 厚 Skill → 本体元数据：高频使用的经验反向沉淀为语义资产，最终 Skill 退化为纯编排器，知识全由本体层提供

· 三级评测 + 反馈飞轮：L1 程序自动比对结果集 → L2 LLM Judge 语义判断 → L3 人工兜底，用户点赞经防污染过滤后自动采样为回归测试集

目前这套方案已支撑内部大数据集群运维、S3、PoleFS 存储运维的指标分析与归因，Ops 机房运维、文库搜索、会员中台等跨部门业务也已接入。

演讲提纲：

1. 范式转变：从“模型写 SQL”到“引擎写 SQL”——Spider 85% → 真实数仓 50%，差距来自哪里

2. 双路径混合路由：语义层不完善时的冷启动方案——AST 主路径 + Fallback RAG 降级 + PreMatch 置信度路由

3. 置信度的真正价值：不只是“准不准”，而是决定哪些场景敢投入生产

4. Skill 体系：薄 API → 厚 Skill → 本体元数据，与 Snowflake Cortex Agent 的层面对齐

5. 量化评测：学术基准为什么不够，三级评测架构与数据飞轮

听众收益：

· 一套可迁移的渐进式语义层落地方法论：双路径路由让系统先跑起来，RAG + 置信度引导让语义资产在使用中自然生长

· 理解 NL2SQL 学术与生产的鸿沟，以及如何搭建面向业务口径的生产级评测体系

· 掌握 Skill 到本体层的演进路径与设计取舍

· 可复用的三级评测架构：L1 程序 → L2 LLM → L3 人工 + 反馈数据飞轮 + 回归测试

扫码了解会议详情

本体与语义层：工程方法论与选型地图

这 5 场回答一个问题：本体该怎么建、跟谁走、投入产出的边界在哪。

08｜悦点科技：语义层的下一站是业务本体，十二年、近百家企业语义建设的得与失

讲师：任鑫琦 · 北京悦点科技有限公司 · 创始人兼 CEO

演讲主题：语义层之上：让企业隐性经验成为 AI 可执行的资产——十二年、近百家企业的本体落地实践与教训

演讲介绍：你的语义层，是给人建的、给 BI 建的，还是给 AI 建的？

很多企业已经建起了数据平台和语义层，也上线了大模型应用，但项目往往停在同一个地方：AI 能查数、能答题，却进不了核心业务流程。原因在于业务概念、指标口径、业务约束以及专家的判断依据，大多以隐性经验的形式散落在文档和人的脑子里，从未真正被交付给 AI。

任鑫琦的核心观点是：领域本体不是数仓语义层的另一种叫法，而是一层独立于大模型的企业业务世界模型——它组织的是业务对象、关系、规则与可执行动作。

他从北大人工智能实验室开始做知识工程（方向包括 Ontology、知识表达与推理），2014 年起在明略数据从零孵化企业知识图谱产品 SCOPA，到现在悦点 Knora AI 平台，已经第十二年，服务近百家大型企业（制造、汽车、能源等）。这次他把建设体系、落地关键、成功与失败都摊开讲。

演讲提纲：

1. 开场：十二年、近百家企业，和一个 5‰ 的故事——我们在企业里究竟看到了什么

2. 语义层与业务本体：差在哪、能不能演进——本体作为独立于大模型的企业业务世界模型

3. 我们踩过的坑：术语与指标口径不一致；“大而全”的本体最先陈旧；业务、算法、数据三方认知难对齐

4. 方法论：场景优先的轻量化本体建模，大模型辅助知识萃取 + 专家审核的闭环迭代机制

5. 本体如何约束大模型：在 RAG 与 Agent 全链路做概念校验与生成约束，统一口径、降低幻觉

6. 案例拆解：制造业质量追溯——跨 CRM/MES/ERP/PLM 的追溯从多人数天到一人 5 分钟，良率提升 5%

7. 总结：大模型是表达与交互层，本体承载企业独有的业务知识，共同构成企业长期 AI 资产

听众收益：

· 拿到“语义层 → 业务本体”的演进判断：现有指标平台与语义层哪些可以复用、哪些需要重建，避免推倒重来

· 理解为什么仅靠向量检索与 RAG 难以支撑复杂业务推理，以及本体在 LLM 全链路中统一口径、约束生成的具体作用机制

· 获得一套可复制的隐性经验资产化路径：把一次性项目成果沉淀为企业长期可复用、可治理、可迭代的知识资产

· 获得来自近百家企业的横截面经验：本体 + Agent 在工业场景落地的常见失败模式、实施难点与规避策略

09｜Datastrato：开放语义、Ontology 与元数据，Agent Context 的三重支柱

讲师：堵俊平 · Datastrato · 创始人兼 CEO，Apache Gravitino 项目发起人

演讲主题：开放语义、Ontology 与元数据：Agent Context 的三重支柱

演讲介绍：当 Agent 从回答问题走向推理、决策与执行，数据的可访问性已不足以支撑可靠的智能。Agent 不仅需要知道“数据在哪里”，还需要理解“数据意味着什么”“业务实体如何关联”，以及“行动受哪些规则约束”。

堵俊平给出的框架是三层递进：

· 统一元数据——基于 Apache Gravitino 的跨云、跨引擎、多模态数据统一元数据管理，为数据资产提供一致描述与访问接口

· 开放语义层——指标、维度、业务定义标准化，消除“一个指标多个口径”

· Ontology（本体）——建模业务实体、关系与规则，使 Agent 能把自然语言中的业务意图精确映射到真实数据

他还会正面比较两条上下文建设路径：自上而下（应用任务驱动，快但容易形成上下文孤岛）与自下而上（元数据治理驱动，底座扎实但推导不出业务含义），并给出“业务场景牵引建模 + 统一元数据连接 + 反馈迭代”这一更可持续的混合路径。

堵俊平原任 LF AI & Data 基金会董事主席，曾任腾讯开源负责人兼大数据研发总监、Cloudera Hadoop 团队负责人。

演讲提纲：

1. 开篇：从数据连接到上下文构建的演进——Agent 需要的三件事

2. Agent Context 的三重支柱：统一元数据 → 开放语义层 → Ontology 逐层递进

3. 两种策略比较：自上而下 vs 自下而上，各自的适用场景与局限

4. 更可持续的混合路径：业务场景牵引建模，以统一元数据连接业务概念、数据资产与治理规则，通过业务校验和 Agent 反馈持续迭代

5. 产品化实践：从数据目录到 AI Context Platform（Datastrato 2.0 / Gravitino 2.0 企业版）

听众收益：

· 建立对 Agent 上下文基础设施的完整认知框架：理解三层递进关系如何支撑 Agent 从“找数据”到“懂业务”再到“守规则”

· 掌握两条建设路径的适用场景与局限，获得更可持续的混合策略方法论

· 了解数据目录向 AI Context Platform 演进的产品化方向，获取可参考的架构设计与技术选型思路

· 获得治理视角的实践参考：如何在明确治理边界内让 Agent 把业务意图映射到真实数据

扫码了解会议详情

10｜云器科技：本体没有统一标准，五条路线企业该跟谁？

讲师：关涛 · 云器科技 · 联合创始人 & CTO

演讲主题：AI 时代，知识与本体的演进与思考——从数据工程到知识工程

演讲介绍：AI 时代对企业来说，模型与 Harness 能力决定效果的下限，企业知识系统决定 AI 产生业务价值的上限。

为什么企业已经建设了数据平台、RAG 和知识图谱，AI 仍然经常答不准、说不清、做不了？问题往往不只在模型和 Agent Harness，而在于企业缺少一套能够表达业务语义、关系、规则和上下文，并连接真实行动的知识系统。

本体是组织企业知识的重要方式，但本体当前没有统一标准。Palantir、Snowflake、Databricks、Apache Ossie 与 Agent Memory 实际采用了五种不同路线。它们真正的差异不是“有没有图”，而是知识如何表示、运行、生产和验证。

这场演讲从 DIKW 出发，拆解知识与本体的演进，比较五类主流技术路线，并给出企业从数据工程走向知识工程的落地路径。

关涛有 17 年分布式系统和大数据平台开发经验。2006 年在微软亚洲研究院构建微软第一代分布式 KV 系统（7000 台规模）和 Bing 搜索分布式存储后台（4 万台规模）；2016 年回国加入阿里云，任计算平台事业部研究员、阿里巴巴通用计算平台负责人（飞天 MaxCompute，10 万+规模）；2021 年创立云器科技。2018 浙江省科技进步一等奖，2021 USENIX ATC best paper award。

演讲提纲：

1. AI 时代，为什么有了数据还不够

2. 知识、本体、Semantic Layer 与知识图谱的关系

3. 本体当前没有统一标准：五类主流路线如何选择

4. 企业知识建设的起点：内核、外围与开放接口

5. 持续知识工程的参考架构和案例：生产、评估、认证与更新

听众收益：

· 一张概念地图：厘清数据、知识、本体、Semantic Layer 与知识图谱

· 一张选型地图：看懂五类主流方案的差异、边界与适用场景

· 一条落地路线：从高价值业务域开始，建立可持续演进的企业知识闭环

11｜懂车帝：AI-Native 数据语义平台，本体是强约束知识层

讲师：苗治勇 · 懂车帝 · 数据仓库负责人

演讲主题：AI-Native 数据语义平台建设思路

演讲介绍：AI 问数正在成为数据消费的基础能力，但大模型直接回答业务数据问题时，容易出现幻觉、不稳定、不置信。尤其在 Text2SQL 场景，单纯依赖模型训练知识或文本召回，很难保证结果准确一致。

语义层的价值，是在大模型和底层数据资产之间增加一层强约束知识。它把指标、维度、实体、业务过程、物理实现、SQL 规则结构化管理起来，让 AI 在明确边界内理解业务、生成 SQL、解释结果。相比单一文本知识库、RAG 向量召回或全量元数据召回，语义层有更明确的查询约束、可解释性、更低的推理消耗。

平台化之后，进一步解决口径过期、物理表更新、本地版本不一致、知识分散维护等问题——平台作为统一事实源，持续管理语义定义、版本、映射关系和消费治理。

演讲提纲：

1. 为什么需要语义平台

2. 本体和数据语义

3. 语义平台建设思路：语义挖掘、语义检索、本体、语义映射、测评体系、MCP、数据治理

4. 未来方向

听众收益：

· 如何基于数据仓库做数据语义平台建设

· 面向数据消费的数据语义建设方法

· Data Agent 的落地路径

扫码了解会议详情

12｜易车：从 DataAgent 到行动闭环，本体是三层底座之一

讲师：王林红 · 易车 · 数据平台负责人

演讲主题：从 DataAgent 到行动闭环的 Agent 决策执行实践

演讲介绍：企业数据从支撑人查数走向 Agent 决策执行，挑战不只是 Text2SQL，而是口径、上下文、权限与行动风险。

易车从 ChatBI、DataAgent 演进到 DataWork，建设覆盖可信数据、语义、本体和知识、MCP 与 Harness 的三层底座，并以查询进化和主动跟进打通分析、行动与结果验证，形成从可信问数、辅助分析到受控执行的企业数据智能演进路径。

王林红长期深耕大数据与 AI 领域，曾主导多家公司大数据平台、数据中台从 0 到 1 建设，现负责企业级 AI Agent 体系规划及落地，推动数据、语义、知识与执行能力平台化。

演讲提纲：

1. 从 ChatBI 到 DataWork：易车的实践历程

2. 从“会查数”到决策执行面临的挑战

3. 面向 Agent-Ready 的企业数据建设

4. 建设 Agent 原生底座：构建企业级 Harness 体系

5. 从工具提效到自主洞察：数据智能系统的能力进化

6. 未来规划

听众收益：

· 了解易车从 ChatBI 到 DataAgent 的演进过程，以及在其中遇到的挑战

· 了解如何做好数据、知识和工具建设，让 Agent 找得到、看得懂、用得好企业数据

· 理解 DataAgent 不止于问数，Agent 如何从回答问题走向主动发现、自主洞察和决策执行

前沿探索与跨行业延伸

13｜中国人民大学：自进化数据智能体，Data–Ontology–Agent 协同进化

讲师：张绍磊 · 中国人民大学信息学院 · 助理教授

演讲主题：自进化数据智能体：迈向 Data–Ontology–Agent 协同进化

演讲介绍：面向表格、数据库与文档等异构数据环境，现有数据智能体仍面临业务意图、数据语义与工具执行难以对齐的问题。传统固定工作流、检索增强和静态知识图谱，通常缺乏对开放任务与动态数据的持续适应能力。

张绍磊提出以 Ontology 作为可执行语义中间层的方法框架，统一建模领域概念、工具能力与数据模式，并基于智能体交互轨迹开展失败归因、知识修正和成对评测门控。

关键洞察是：数据智能体的典型错误并非来自模型幻觉，而是来自数据对象识别、字段语义映射和工具选择错误。

系统已稳定运行 6 个月，注册用户超 2000 人、深度用户约 400 人，获得 300 余所高校和研究机构的试用申请。

张绍磊于中国科学院计算技术研究所获得博士学位，在 NeurIPS、ACL、ICLR 等会议发表论文 30 余篇，开源项目在 GitHub 累计 10000+ 星标，曾任 ACL ARR 领域主席。

演讲提纲：

1. 业务与技术背景：数据智能体为何仍然“不理解数据”——Agent–Data Gap

2. 方案选型：为什么需要 Ontology 语义层（对比固定工作流、RAG、静态知识图谱）

3. 落地挑战：从静态 Ontology 走向自进化 Ontology——冷启动、失败归因、避免能力回退

4. 解决思路：Data–Ontology–Agent 协同进化

· 三层 Ontology：Content Layer（业务概念/指标口径/实体关系）、Tool Layer（工具能力与约束）、Schema Layer（逻辑概念到物理表字段的映射）

· 交互轨迹失败归因 → 候选修改生成 → 持出验证集成对评测门控 → 版本化发布 / 拒绝回滚

· 形成“数据暴露问题 → 智能体产生轨迹 → Ontology 沉淀知识 → 智能体再次验证”的持续进化闭环

5. 系统实践与阶段性成效

6. 未来规划：多智能体协同治理、与强化学习结合、多模态扩展、跨组织 Ontology 迁移

听众收益：

· 建立对 Agent–Data Gap 的系统认知，理解数据智能体的错误为何常发生在模型推理之前，并能区分模型、工具、数据和语义层问题

· 掌握可执行 Ontology 的设计方法：Content、Tool、Schema 三层结构如何连接业务意图、工具操作与底层数据

· 获得一套可落地的自进化机制：交互轨迹归因、候选知识修改、成对评测门控、版本管理与安全回滚

14｜某全球头部奢侈品厂商 × 数新智能：Apache Ossie 本体规范与语义增强

讲师：谈总（某全球头部高端零售厂商 · 亚太大数据负责人）× 原攀峰（数新智能 · CTO）

演讲主题：从多云底座到 Agent-Ready：企业 DataAgent 架构升级与高端零售行业落地实践

演讲介绍：大模型正从单点 Copilot 演进为 Agent 智能范式，但企业的数据散落在多云多品牌之间，合规约束严苛，碎片化 AI 应用各自为战，Agent 上了线也“无数据可用”。

这是一场双人分享，上下两篇：

· 上篇｜业务视角：拆解高端零售全球化多云数据管理的真实痛点——数据孤岛、合规壁垒、碎片化 AI 的局限，以及对 Agent-Ready 数据底座的核心诉求

· 下篇｜技术视角：多云 AI 原生平台之上的 DataAgent 整体架构、企业语义层构建、沙箱安全防护与闭环迭代体系

效果数据：端到端数据交付效率整体提升约 70%；Agent 任务诊断准确率提升 50%；通过语义知识库建设，代码生成准确率从 30% 提升到 90%。

原攀峰为数新智能 CTO，北航计算机硕士，前阿里巴巴集团大数据平台高级技术专家，阿里御膳房、阿里云数加、DataWorks 创始团队核心领导，0-1 完成阿里云隐私计算平台 DataTrust 产品研发及商业化落地，国内外发明专利 20 篇。

演讲提纲：

1. 上篇：高端零售全球化数智化转型背景与多云数据核心痛点

2. 上篇：行业 AI + 数据智能化实践——门店优化、用户运营、需求预测、防伪溯源

3. 上篇：业务侧对 Agent-Ready 数据底座的核心诉求

4. 下篇：数新一站式 DataAgent 整体架构设计——多云数智底座 + 企业专属语义层

5. 下篇：四大核心工程能力——Skills 技能生态、上下文工程、沙箱安全防护、闭环迭代体系

6. 下篇：企业落地难点专项解法——多版本兼容容错、CodeWiki 语义增强补齐业务知识库

7. 效果衡量与未来展望

听众收益：

· 业务视角：了解高端零售全球化企业多云数智转型的真实痛点，掌握 Agent-Ready 数据底座的建设门槛

· 技术视角：掌握 Harness 范式企业 DataAgent 完整架构设计，学习沙箱、细粒度权限管控等高合规行业安全落地策略

· 工程实践：学习 Apache Ossie 本体规范、CodeWiki 语义增强方法论，补齐企业元数据短板，提升 Agent 业务理解与执行准确率

本体在中国落地，稀缺是有原因的。

它不只是一个技术选型问题，而是一连串必须提前做出的判断：概念层和实例层要不要分开？实例层建映射还是建对象库？口径冲突是强行统一还是保留差异？本体是一次性交付还是持续演进的基础设施？建完之后，怎么证明它比原来的方案更好？

这些问题没有标准答案，只有不同企业在各自约束条件下做出的取舍。

而真正有价值的，恰恰是这些取舍本身，以及它们背后的代价。

10 月 23-24 日，DACon 2026 北京站。这 14 场演讲，是截至目前中国企业在本体落地上最密集的一次集体公开。

不管你是正在评估要不要上本体，还是已经上了但卡在“建完用不起来”，这里面大概率有一场，能帮你省下半年。

🔥 9 折优惠购票火热进行中...... DACon 2026 北京站，15 个分论坛，60+ 真实应用案例，2 天沉浸式学习交流，现场还有闭门会和晚场圆桌。