夜雨聆风
DTinsight导读：
本文来自喜马拉雅数据平台负责人陈叶超，在以『解锁AI新增长』为主题的第三届AI企业应用落地场景峰会暨OpenClaw研讨会上的主题演讲，包括以下精彩内容：
数据上下文工程
面向C端搜索推荐用户上下文
“传统数据平台存在效率瓶颈、能力上限、业务价值难以规模化三大核心痛点，因此需要用 AI Native 方式重构数据平台。”
AI数据平台构建背景挑战
三年前，喜马拉雅数据平台与市面上的通用架构是一致的，底层为多元数据底座，涵盖应用、RDC 及混合部署等各类数据来源，支撑湖仓一体、多引擎融合等基础能力；中间层为计算引擎与数据开发流水线，集成多类型离线、实时计算能力，覆盖数据开发、清洗加工、报表应用、数据资产治理全流程；上层搭建数据产品、A/B 测试等业务系统，最终全面赋能营销推广与企业各类核心业务运转。
AI时代，原有传统数据架构，面临多重核心挑战：第一，数据消费主体彻底转变。以喜马拉雅为例，当前超八成曲速类数据产品由 AI 自动化消费，人工使用仅约两成；而短短一年多前，AI 消费占比仅一成，数据供给面向 AI 的适配能力严重不足；第二，数据开发效率难以匹配 AI 节奏。传统模式需需求提报、排期对接、口径对齐等流程，开发周期动辄一周甚至半月，链路冗长、门槛偏高，亟需依靠 AI 重构数据生产流程、提效降本；第三，数据形态与 AI 消费需求脱节。过往推荐、报表等场景，依赖标准化、规则化的特征加工数据。
但是，大模型原生适配文本类原始数据，无法直接消费结构化特征，现有数据生产体系，难以满足大模型实时、原生的数据取用要求，整体架构尚未做好 AI 化适配。
整体来看，当前数据平台主要面临三大类问题。第一，效率瓶颈严重。过往整套数据体系与取数分析流程，均围绕人工使用场景搭建，核心优化人机交互体验，完全没有适配 AI 自动化消费的需求。同时数据开发链路冗长繁琐，算法团队普遍缺乏完整的数据处理能力，相关需求只能交由数仓承接，叠加部门排期限制，面对热点事件、临时业务诉求等时效性场景，经常出现业务窗口期结束，画像与特征才完成开发的情况，严重跟不上业务节奏。
第二，能力上限非常有限。主流报表形式内容固化，指标经过人工筛选设定，只能呈现固定结果，无法回应业务的延伸疑问，复杂问题只能依靠人工反复拆解、逐层下钻，整体灵活度不足。传统用户画像和特征加工高度依赖固定标签体系与人工规则，刻画颗粒度粗糙，难以从海量行为数据中挖掘个性化、隐性的细节特征，就像早期规则式自动驾驶一样，无法覆盖多元复杂的实际场景，没办法深度理解用户真实行为与业务本质。
第三，业务价值难以规模化。长期以来，数据团队更多聚焦底层底座搭建、运维保障、基础资源支撑等基础工作，输出的多为底层能力，很难直接落地可量化的业务价值，只能通过降本增效这类间接维度佐证自身作用。无法进行自主智能体数据分析，依靠导出 Excel 文件对接智能体分析，不仅受数据量限制、分析能力有限，多源数据联动、自主下钻查询都需要人工反复导出操作，形成新的人工流程依赖，完全无法适配企业海量、多维度的复杂数据环境，导致 AI 数据应用难以规模化落地。
打造AI原生数据平台
基于AI时代背景下数据平台的痛点，喜马拉雅对数据平台进行了升级迭代。底层基础架构基本保持稳定，不做大范围改动，仅适度引入多模态存储、向量数据库等能力，兼顾稳定性与新型数据承载需求。升级核心集中在中间层的数据资产语义化建设方面。为满足 AI 自主下钻、灵活分析的需求，搭建了多层级语义上下文体系，内容来源覆盖数仓事实源数据、全链路数据血缘，依托原有成熟的血缘能力，可实时捕获数据表变更、字段枚举更新、ETL 脚本调整等动态信息，并完成自动解析与映射。
同时，结合高频依赖表自动打标、业务知识库沉淀、重点项目与核心策略汇总，统一纳入语义体系，为 AI 生成分析、解读业务逻辑提供完整依据。针对数据表枚举含义、字段规则等隐性信息，依托大模型自动完成字段值域统计、特征梳理，整合汇聚后形成结构化多层级的数据上下文，分层承载全局指标、业务口径、关联关系等信息，实现从指标溯源到数据表探查的智能检索逻辑。
区分多类上下文体系，包含服务数仓开发与报表决策的数据资产上下文、汇聚任务报错、脚本变更、口径迭代、指标异常等信息的平台运营上下文，用以强化语义推理精度，支撑自动化运维场景。
除此之外，同步搭建用户上下文与内容上下文。用户侧构建长效记忆体系，整合长期偏好、短期行为、使用场景、对话记录与结构化用户摘要；内容侧统一音频、专辑等内容标签体系，实现用户行为标签与内容属性标签的语义对齐，保障个性化推荐、交互式问答等业务场景高效落地。
在能力输出与应用消费层面，封装各类标准化技能组件，覆盖数据工程、自助取数、专题分析、A/B 测试等场景，可自动生成 ETL 加工逻辑与查询分析语句。依托统一的技能与上下文底座，对接第三方大模型及自研数据智能体，全面打通数据生产、分析、运维全链路智能能力，实现从依赖于人转向依赖于Agent。
AI落地实践
在实践中，AI 技能落地后业务查询效率要求大幅提升，默认切换 StarRocks 引擎，但复杂多表关联场景无法适配。内部SQL系统基于 Spark 自研的系统能支撑大规模复杂查询，借助 AI 配置简单规则，即可实现查询引擎自动路由与失败兜底切换，替代了传统需资深工程师耗时半年以上开发、还难以完全兼容的路由引擎方案，也意味着技术开发要跳出传统固有思路，改用 AI 原生思维做方案设计。
在AI能力调用方面，面对存量产品不断迭代升级、底层重构的现状，通过批量定义 CLI并借助 CLI 代理转发调用原有系统，无需重写任何底层代码，复用原有 Infra 和平台产品，只新增 Gateway 中间层。同时网关实现了统一认证与权限管控，规避了高风险操作隐患。用户只对接网关不直连后台，形成语义请求闭环，还能统一收集上下文信息，反哺技能持续迭代优化。
在AI Native 用户上下文与记忆体系构建实践中，大模型全链路重构后流程大幅简化：先把用户画像序列、上下文配置做规整输入，通过上下文工程送入大模型，由模型自主刻画用户长短期记忆并生成摘要；再通过向量化模型做向量编码，存入向量库，完成内容与用户的统一归一化沉淀。后续应用链路十分轻量化，推荐场景做向量召回再进入排序，搜索场景直接取用记忆摘要做关联匹配。整套架构依托数据采集、在线 KV 存储，再通过专属服务把 KV 数据转化为大模型可理解文本，经上下文压缩处理后，借助自定义 UDF 能力、大模型网关调度调度推理集群，形成顺滑完整的处理链路。
在基于上下文工程打造的 AR 剖析项目中，核心具备 AR 圈人能力：只需给出目标需求，系统就能自动圈选对应人群并发起实验。随后调用各类技能拉取数据开展分析，分析完成后自动生成报告，还能对报告内容进一步逐层拆解细化。依托 Agent 能力、上下文工程以及知识库的加持，很多过去难以落地实现的复杂分析与业务工作，如今都能轻松高效完成。
在AI 应用落地有以下几条核心原则：一是本地优先，优先依托已有文档和上下文能力处理需求，仅在无法满足时，再启用复杂检索搜索能力；二是不过早压缩数据，处理行为序列时先保留原始完整数据，交由大模型自主推理多维度信息，待模型推理完成、关键特征明确后，再做数据压缩，避免提前压缩丢失关键细节；三是先用顶级大模型定能力上限，以大模型效果为基准，再用轻量化小模型做规模化落地替代。
落地这套开发模式后，数据开发效率提升约两倍，查询速度实现十倍提升。数科人员只需简单调整配置，依托可被模型理解的语义与压缩资产，就能实现从全自动开发到上线部署的全流程打通，大幅简化了业务落地流程。
第三届AI企业应用落地场景峰会暨OpenClaw研讨会，于2026年3月27日在上海圆满闭幕。本次峰会以“解锁AI新增长”为主题，由DTinsight中国数智发展研究中心主办，DT千川汇、TGO20组、作为智库支持，吸引来自智能制造、汽车、半导体、新能源、金融、消费、互联网、交通等泛行业，超100家头部企业CIO、CAIO、CTO、AI负责人等数字化领军者齐聚，探寻AI规模化落地路径，让AI真正成为驱动企业增长的确定性力量。
同时，大会发布了《AI大模型应用生态全景图鉴》，进行了“年度AI卓越创新实践”、“年度AI卓越解决方案”的颁奖盛典，两场【圆桌对话】探讨OpenClaw发展趋势，为AI落地把脉。
