夜雨聆风
治理即服务:腾讯游戏数据治理的 AI 范式跃迁
导读本次分享围绕“腾讯游戏数据与 AI 结合的治理”展开，聚焦相对细分的治理话题，不覆盖 AI 服务全面内容。
1. 阐述腾讯游戏数据当前的发展背景及面临的具体情况
2. 介绍针对上述问题，在“AI 驱动协同治理”层面的实践进展与方法
3.延伸说明腾讯游戏在“AI 助力数据提效”方面所做的支撑工作
分享嘉宾｜张兴华 腾讯游戏 数据治理技术负责人
编辑整理｜王红雨
内容校对｜郭慧敏
出品社区｜DataFun
🎯 《面向Agent的大数据架构》白皮书发布
当智能体开始自主决策，数据基础设施正被重新定义。本白皮书整合腾讯、阿里、小红书等一线实战，聚焦智能体记忆、多模态治理与统一元数据三大核心议题，为技术决策者提供可参考的架构演进路径。
三大核心看点：
🔹 Memory Lake 分层记忆架构：解密智能体如何实现长期记忆可追溯、短期记忆可检索，支撑AI持续进化。
🔹 多模态数据语义化治理：从碎片化到语义层，让AI真正“读懂”业务。
🔹 统一元数据与血缘：基于Gravitino与OpenLineage，构建Data+AI的可信底座。
不是趋势预测，而是深度复盘。立即下载，把握下一代数据架构真实脉络。
[识别二维码，免费获取白皮书]
01
研究背景与行业痛点
随着腾讯游戏业务全球化扩张与数据体量爆发式增长，传统数据治理模式面临资源浪费、协作低效、决策被动等痛点，
1. 腾讯游戏数据业务基础
腾讯游戏以数据驱动为策略，旨在为全球游戏业务及企业创造增量空间，核心是提供智能数据工具平台与定制化方案，覆盖智力开发、全链路分析及多类业务场景，最终助力业务高效增长。其业务主要包含四大板块，具体如下：
（1）一站式数据处理与治理平台（传统核心板块）
该平台是数据业务的基础支撑，核心能力包括两方面：
-
提供数据治理方法论，覆盖数据全生命周期的综合治理能力；
-
实际业务价值体现在优化成本、提升开发效率，同时提供与客户沟通的相关平台。
（2）游戏洞察服务（传统核心板块）
依托腾讯游戏二十余年行业经验及七百多款游戏的实践积累，在全品类游戏业务场景中，为客户提供丰富的解决方案，助力精准把握业务方向。
（3）AI 技术融合应用（近年重点探索板块）
重点探索 AI 技术在数据驱动决策过程中的应用价值，目前已构建起整套数据平台服务体系。该体系实现了两大优化：
-
改变了传统数据方法论支撑的业务交互流程；
-
为用户提供更便捷、高效的使用体验。
（4）全球化数据服务支持（核心保障板块）
针对海外业务需求，重点提供三方面服务支持，保障业务稳定开展：
-
合规性保障，确保业务符合当地法规要求；
-
稳定性支撑，保障海外数据业务持续运行；
-
成本管控服务，助力海外业务优化成本结构。
2. 腾讯游戏数据服务发展的四个阶段
腾讯游戏数据服务的核心目标是：持续提供稳定的数据服务，并高效提升数据服务的使用效率，当前工作重点为降低数据服务使用门槛。数据服务效率的演进，经历了从基础支撑到智能化优化的四个关键阶段，各阶段核心特征与能力如下：
（1）最初的阶段：单纯定制的游戏支撑
（2）管控阶段
此阶段与初期建设数据中台、数据仓库的模式相近，具体工作逻辑如下：
①数据基础：以大量原始数据日志表作为底层数据支撑。
②服务模式：基于原始数据向上逐层搭建定制化数据服务，服务需求由业务方提出后，嵌入现有框架落地。
③覆盖领域：定制化服务已覆盖社区运营、广告投放及其他商业化相关场景，但整体以满足具体需求为主，缺乏标准化沉淀。
（3）目前所处阶段：稳健沉淀阶段（周期较长）
此阶段以“方法沉淀+工具支撑”为核心，目标是提升数据服务的覆盖能力与迭代效率，具体特点如下：
①沉淀内容：形成相对成熟的业务处理方法、标准化模板，完成业务知识与工作流程的沉淀。
②工具支撑：基于沉淀内容孵化配套工具，支撑离线数据分析、实时应用等各类数据服务场景。
③服务效率：采用“粗放式覆盖+标准化方法”的模式，适配高频迭代需求，核心成果为“10% 的核心数据资产可覆盖 80% 的定制化开发需求”，且该阶段仍存在较大的优化与挖掘空间。
（4）下一重点阶段：AI 优化阶段（当前推进中）
此阶段的核心是通过 AI 技术重构数据服务交付流程，实现效率本质提升，具体变革方向如下：
①模式转变：从“业务方提需求–我方定制交付”的类 To B 模式，转变为“提供平台服务+数据资源”的模式。
②核心目标：通过模式变革缩短数据服务交付链路，同时提升数据更新速度，最终提高整体交付效率。
本研究重点聚焦该阶段的“数据治理”环节，探索如何将非标准化的元数据、知识文档转化为可支撑大模型应用的标准化数据资产，进而依托 AI 能力构建自助式数据服务体系。
3. 稳健阶段数据服务面临的挑战
在数据服务的稳健阶段，尽管业务流程相对可控，但在资源成本、协作效率、资源浪费三个维度仍存在显著问题，且部分问题延续至今尚未完全解决。
（1）资源与成本管控被动
①数据治理长期处于“被动响应”状态，仅针对已出现的问题开展治理，缺乏主动规划；
②开发与业务支撑依赖数据中台方法论保障流程有序，但“资源管控”环节被弱化，未形成系统性管控机制；
③现有数据开发平台的管控能力局限于技术层面，难以向上延伸至业务层，无法为更高维度的服务提供支撑。
（2）存储资源浪费严重且优化困难
①历史数据堆积：抽样统计显示，30%的历史数据分区处于未使用状态，但因“担心误删”的风险，无人敢主动清理，增量数据管控难度大；
②无效任务持续运行：大量生命周期已结束的无效任务仍在消耗资源，缺乏全生命周期管控机制，日均浪费约 20% 的计算资源；
③优化方式局限：数据优化依赖人工判断与“点状处理”（如仅针对问题报表、大任务/大表单独处理），无法实现全链路优化，且因原始开发逻辑多依赖开发者经验、文档溯源性差（仅记录部分核心内容），易出现误判风险；
④治理决策滞后：误判风险导致治理决策无人敢下达，进而加剧资源浪费与流程低效的恶性循环。
（3）协作效率挑战
①元数据（如表结构）、数仓规范及指标定义高度依赖人工维护，受人员经验与操作影响大，易出现偏差；
②数据组件间的血缘关系断裂明显，即使存在技术血缘，也仅用于开发者“点状追溯技术链路”（如定位问题、监控流程），无法为业务需求理解、整体效率提升提供支持；
③内部需求沟通中，“口径对齐”消耗大量时间，成为效率瓶颈。
4. 传统数据治理方案的局限性
（1）传统流程现状
传统数据需求开发以离线流程为主，技术组件虽有差异，但整体流程趋同，具体环节如下：
①业务侧提出需求，数据开发人员接收并开展沟通；
②明确需求口径，梳理支撑需求的上游数据表；
③开发 SQL 或其他程序代码，生成基础数据；
④通过指标聚合等操作生成下一层数据，最终产出结果表；
⑤将结果表推送至报表系统，完成看板制作。
（2）局限性
①信息留存与追溯难题：开发人员对需求的时效记忆有限，短期内易遗忘需求细节，无法准确回答需求成本、下线范围等问题；业务需迭代需求时，需重新溯源全部代码以还原开发过程，人力成本高。
②治理手段缺陷显著：当前治理依赖规则引擎（如通过表名、任务名识别），技术指标颗粒度仅集中于单点（如表结构、SQL 任务本身），难以回溯完整链路；人工维护存在滞后性，任务迭代后相关数据与文档更新不及时，且无主动维护触发机制。
③需求定义非语义化：需求的生命周期与业务逻辑未实现语义化表达，仅通过元数据或简单规则定义，导致治理局限性大，无法满足精细化管理需求。
综上，需求的生命周期与业务逻辑未实现“语义化”定义，仅通过简单元数据或规则描述，导致其灵活性和关联性不足，局限性大，进而引发上述开发与治理层面的一系列问题。
🎯 《面向Agent的大数据架构》白皮书发布
当智能体开始自主决策，数据基础设施正被重新定义。本白皮书整合腾讯、阿里、小红书等一线实战，聚焦智能体记忆、多模态治理与统一元数据三大核心议题，为技术决策者提供可参考的架构演进路径。
三大核心看点：
🔹 Memory Lake 分层记忆架构：解密智能体如何实现长期记忆可追溯、短期记忆可检索，支撑AI持续进化。
🔹 多模态数据语义化治理：从碎片化到语义层，让AI真正“读懂”业务。
🔹 统一元数据与血缘：基于Gravitino与OpenLineage，构建Data+AI的可信底座。
不是趋势预测，而是深度复盘。立即下载，把握下一代数据架构真实脉络。
[识别二维码，免费获取白皮书]
02
AI 驱动的数据治理范式设计
1. 技术路径：从“规则驱动”到“语义化重塑”
针对传统治理痛点，腾讯游戏构建以“语义化”为核心的 AI 治理框架，技术路径包括：
-
元数据语义化学习：基于游戏历史 SQL 日志、存量表结构，通过 AI 模型学习数据资产的命名规范、开发逻辑，实现“人可理解、机器可调用”的语义标注，例如自动解析 SQL 任务的字段提取、逻辑处理过程，生成结构化的业务逻辑描述。
-
需求链路智能反推：突破“业务需求→开发→资产”的正向链路局限，通过 AI Agent 调用接口与行业知识库，基于技术血缘（任务–表关联关系）反推已消亡或未关联的需求链路，形成“SQL to Text”的逆向解析能力。具体而言，通过聚合多任务（任务1-任务 3）的技术元数据（存储、计算成本、引用关系）、业务指标（看板 30 天 PV/UV），推测该链路对应的原始业务需求，实现“技术血缘→语义化需求包”的转化。
-
统一语义模型构建：整合“通用常识（大模型自带）–行业知识（游戏术语）–企业知识（内部黑话、数仓规范）”三级知识体系，确保跨团队对同一数据资产的语义理解一致，解决术语歧义问题，为协作效率提升奠定基础。
2. 两大治理场景落地
基于上述技术路径，腾讯游戏将 AI 治理范式落地于“资源管控”与“协作提效”两大场景，实现“治理即服务”的目标：
（1） 资源智能管控场景：
-
异动成本分析报告：将传统明细资源账单升级为“业务可理解”的分析报告，基于语义化链路标注，明确“新增需求 ABC→新增任务/表数量→资源增长占比”的关联关系，例如告知业务“本月国庆活动需求新增 10 个任务、5 张表，导致存储成本上升 15%”，替代传统“仅告知资源增长数据”的被动答疑模式。
-
无效链路主动识别：针对 180 天无访问的看板，通过语义化需求包（含链路 DAG、业务描述、资源消耗）推送至开发与业务负责人，替代“人工溯源确认”的被动模式，降低决策难度（明确链路对应的业务价值），推动无效链路下线效率提升。
（2）协作效率提升场景：
-
指标口径智能问答：构建问答式搜索系统，基于语义化资产库，快速响应“指标口径是什么”的需求，自动返回指标对应的需求背景、底层 SQL、成本信息与复用情况，无需人工溯源，口径对齐时间缩短 50% 以上。
-
需求开发智能辅助：结合行业知识库与语义化资产库，对新需求（如“国庆节目活动数据统计”）进行拆解与特征匹配，自动推荐复用度高的优质资产（人工标注+AI 解析的需求包），生成基础 SQL 并执行，实现需求开发时长从 1 小时缩短至30分钟。
🎯 《面向Agent的大数据架构》白皮书发布
当智能体开始自主决策，数据基础设施正被重新定义。本白皮书整合腾讯、阿里、小红书等一线实战，聚焦智能体记忆、多模态治理与统一元数据三大核心议题，为技术决策者提供可参考的架构演进路径。
三大核心看点：
🔹 Memory Lake 分层记忆架构：解密智能体如何实现长期记忆可追溯、短期记忆可检索，支撑AI持续进化。
🔹 多模态数据语义化治理：从碎片化到语义层，让AI真正“读懂”业务。
🔹 统一元数据与血缘：基于Gravitino与OpenLineage，构建Data+AI的可信底座。
不是趋势预测，而是深度复盘。立即下载，把握下一代数据架构真实脉络。
[识别二维码，免费获取白皮书]
03
协作效率提升
1. 实践背景与核心挑战
在游戏行业数据管理实践中，面临两大关键挑战，分别聚焦于资源与效率层面：
（1）资源层面挑战：数据资产维护依赖大量人工操作，存在重复表识别难、需求关联效率低等问题；同时数据存储增速过快，资源决策缺乏高效支撑，需投入大量人力进行分析。
（2）效率层面挑战：跨团队协作存在显著理解成本，需求对接中“对口径”耗时占比高（整体耗时呈“433”结构），且依赖人员经验与素质；不同业务团队对数据术语、资产命名存在差异，易产生理解歧义，跨团队确认难度大。
2. 实践路径与方案
（1）数据资产语义化建设
以游戏行业数据资产为核心，通过语义化学习实现资产重塑，具体路径如下：
①基础资产语义化：针对游戏历史 SQL 日志表、存量表等核心资产，提取基础命名规则、开发规范，确保人工可理解；同时将独立链路的表与任务封装为标准化资产形式，形成可复用的资产单元。
②资产评价模型构建：建立多维度资产评价体系，涵盖“资产有用性”“SQL 写法规范性”等核心维度，并融入人工反馈数据，筛选优质资产供业务复用，同时为数据治理提供依据。
③分层知识体系融合：构建“通用常识–行业知识–企业内部知识”三层语义理解体系：
-
底层：依托大模型自带的通用常识知识；
-
中层：融入游戏行业专属术语、业务逻辑等行业知识；
-
顶层：整合企业内部数据“黑话”、方言等专属表述，确保跨团队对数据资产的理解一致。
（2）跨团队协作效能提升
将资产语义化能力迁移至协作场景，解决跨团队理解成本问题：
①指标口径智能解答：基于语义化模型搭建问答式搜索系统（MCP 模式），用户提问后可自动调取指标对应的需求背景、底层 SQL、成本数据、复用情况等信息，无需人工溯源，避免链路分支导致的信息偏差。
②需求实现自动化辅助：结合行业知识库与语义化资产，对业务需求（如国庆活动数据需求）进行拆解与特征匹配：
-
匹配优质人工标注资产、通用指标模式；
-
关联已解析的血缘语义化资产，自动生成 SQL 并执行，缩短需求实现周期。
（3）资产应用模式创新
打破传统平台主导的资产应用模式，构建开放式探索体系：将标准化语义化资产以灵活形式开放，支持用户基于大模型自主创新应用，减少对平台或特定团队的依赖，整合全员力量拓展资产应用场景。
3. 实践成效
（1）资源与治理效能提升：语义化覆盖后，原本需人工维护的资产占比降低，人工维护成本减少约 30%；数据存储增速显著下降，资源决策效率大幅提升，无需专人持续分析资源情况。
（2）资产推荐与开发效率优化：资产推荐 Top3 准确率达 95%，满足高可用性需求；业务开发效率提升 50%，单个需求开发时间从 1 小时缩短至 0.5 小时。
（3）资产规模与质量：截至实践阶段，已完成 5500 个资产表、10 万个字段的语义化处理，并实现资产自动评估，形成标准化优质资产库。
该范式首次在游戏行业实现“治理即服务”的落地，突破“治理=成本中心”的传统认知，证明AI可将治理从“被动支撑”转化为“主动服务”，为海量数据场景下的行业治理提供可复用的技术路径（如元数据语义化、链路反推）。
🎯 《面向Agent的大数据架构》白皮书发布
当智能体开始自主决策，数据基础设施正被重新定义。本白皮书整合腾讯、阿里、小红书等一线实战，聚焦智能体记忆、多模态治理与统一元数据三大核心议题，为技术决策者提供可参考的架构演进路径。
三大核心看点：
🔹 Memory Lake 分层记忆架构：解密智能体如何实现长期记忆可追溯、短期记忆可检索，支撑AI持续进化。
🔹 多模态数据语义化治理：从碎片化到语义层，让AI真正“读懂”业务。
🔹 统一元数据与血缘：基于Gravitino与OpenLineage，构建Data+AI的可信底座。
不是趋势预测，而是深度复盘。立即下载，把握下一代数据架构真实脉络。
[识别二维码，免费获取白皮书]
04
行业趋势与未来规划
技术融合深化：加强“数据+AI”融合能力，探索智能数据治理、资源优化的基础能力创新，提升数据资产全生命周期智能化水平。
治理模式转型：推动数据治理从“成本支撑部门”向“数据服务提供者”转型，将治理能力转化为标准化数据服务，赋能业务发展。
业务创新引领：以语义化资产为核心，持续探索游戏行业数据应用新场景，引领行业数据驱动的业务创新实践。
🎯 《面向Agent的大数据架构》白皮书发布
当智能体开始自主决策，数据基础设施正被重新定义。本白皮书整合腾讯、阿里、小红书等一线实战，聚焦智能体记忆、多模态治理与统一元数据三大核心议题，为技术决策者提供可参考的架构演进路径。
三大核心看点：
🔹 Memory Lake 分层记忆架构：解密智能体如何实现长期记忆可追溯、短期记忆可检索，支撑AI持续进化。
🔹 多模态数据语义化治理：从碎片化到语义层，让AI真正“读懂”业务。
🔹 统一元数据与血缘：基于Gravitino与OpenLineage，构建Data+AI的可信底座。
不是趋势预测，而是深度复盘。立即下载，把握下一代数据架构真实脉络。
[识别二维码，免费获取白皮书]
05
结语
本文以腾讯游戏数据治理实践为案例，阐述了 AI 如何推动数据治理从“规则驱动的单点管控”向“语义化驱动的服务化范式”跃迁。
通过元数据语义化、链路智能反推与统一语义模型，解决了传统治理中的资源浪费、协作低效与手段局限问题，实现“治理即服务”的目标。
实践表明，该范式不仅能提升治理效率与资产质量，更能为业务创新提供支撑，其经验可为游戏及其他数据密集型行业的治理升级提供重要参考。
分享嘉宾
INTRODUCTION
张兴华
腾讯游戏
数据治理技术负责人
张兴华，拥有十年数据领域深耕经验，专注于平台架构设计与数据治理创新，主导构建 IEG 亿级玩家数据治理体系，在 Hadoop 生态与数据中台建设领域具备深厚技术积累。其成果包括攻克高并发场景下元数据智能治理难题，推动数据治理效率提升 50%，为腾讯游戏业务稳定迭代与高效运营提供技术支撑，同时在 AI 与数据治理融合应用方向有深入探索与实践，形成多项可落地的创新方案。
点个在看你最好看
SPRING HAS ARRIVED
