课程简介
Agent全链路智能化升级对企业的意义,是让数据治理从一项难以持续、难以衡量、难以追责的成本项,转变为一条可运营、可量化、可审计的能力线——它既是AI规模化落地的前置条件,也是企业将数据从“资产”转化为“决策优势”的关键基础设施。把企业的数据治理从“事后救火、项目制、专家专属”的后台负担,扭转为“事前预防、常态化运营、业务可参与”的前台保障能力,真正让数据真正成为AI和决策的可信底座,而非瓶颈。
尤其是,随着大模型与Agent技术的成熟,数据治理从“人治”向“机治”的范式跃迁。在AI原生时代,企业正面临严峻的“数据悖论”,海量业务数据沉睡于服务器中,难以主动响应业务需求。然而传统数据治理长期受困于“启动难、周期长、高度依赖人工经验”的痛点。
本课程内容摒弃空洞的理论说教,采用“技术-工程-业务”深度耦合的实战教学模式。系统拆解“数据治理智能体(Governance Agent)”的核心架构与实战应用。涵盖:从底层架构设计、多智能体(Multi-Agent)协同编排,到元数据补全、数据标准落标、质量智能体检及全链路血缘追踪的自动化实操。通过真实行业案例与沉浸式演练,全面带领学员掌握利用AI Agent将重复性、知识密集型治理工作自动化,构建“AI主导+人工审核”的新型数据治理体系,真正实现数据资产向业务智能的转化。
课程收益
1、认知升级与架构掌握:深刻理解数据治理智能体的“感知-推理-执行-学习”闭环机制,掌握“交互层-调度层-能力层-数据层”四层架构设计,学会将传统规则引擎升级为动态AI驱动的工作流。
2、全链路自动化实操能力:熟练掌握AI Agent在数据治理核心场景的落地应用。能够利用Agent实现元数据智能补全、数据标准自动构建与落标、数据质量智能体检(自动生成规则与异常诊断)以及跨部门数据血缘追踪与合规审计,大幅缩短治理周期。
3、多智能体协同与工程化部署:掌握多Agent协同编排技术,解决跨领域复杂治理问题;学会运用低代码/原生开发框架搭建企业级AI应用,并掌握Agent的权限管控、操作审计、安全合规及可观测性设计,确保生产环境的安全可靠。
4、业务赋能与ROI转化:建立“业务-技术”融合思维,能够将模糊的业务痛点转化为Agent可执行的子任务链条。通过实战验证,掌握如何让数据从“被动查询”走向“主动预警与决策支持”,实现治理效率数倍提升及可量化的业务价值回报。
受众人群
数据开发与治理团队:数据工程师、ETL 开发工程师、数据治理专员、数据仓库架构师。
AI 与算法团队:AI 训练师、算法工程师、大模型应用开发者。
数据产品与管理团队:数据产品经理、数据项目经理、企业 CDO/CIO 及数字化转型负责人。
课程周期
2天(12H)
课程大纲
章节 | 授课内容 |
一、传统数据治理面临的问题 | 1、传统数据治理落地遇到的问题及阻碍 2、战略认知与组织协同困境 1)数据质量和核查落地难题 2)人工依赖与效率瓶颈 3)标准落地难与协同断裂 4)数仓架构和开发规范靠人员自觉落地 5)传统指标治理存在的问题 6)指标标准不规范、口径歧义等排查追溯困难复杂 |
二、解析Agent和Skill | 1、智能体(Agent)的核心组成 1)Skill核心结构 2)Skills 工作过程 3)Skill 的标准目录结构 4)Skill 数据清洗与分析案例 2)Agent一个典型的工作流程(数据治理) 1)用户让Agent完成一个任务 2)Agent拆解步骤,分析需要调用哪些Skill 3)通过MCP调用对应的Skill 4)大模型处理核心推理 5)如涉及查询最新信息,进行RAG检索 6)Harness负责全程监控、纠错、状态管理 7)返回结果。 |
三、Agent数据标准和数据质量治理案例实战
| 1、数据标准智能拟制与动态落标 1)标准自动化生成: 2)语义匹配与智能落标 3) 治理左移与主动拦截 2、数据质量动态体检与异常自愈 1)动态规则生成 2)实时稽核与根因诊断 3)自动清洗与闭环验证 3、Agent数据标准和数据质量治理案例实战 1)数据标准知识库建设 2)数据标准治理Skill编写 3)数据质量治理Skill编写 |
四、Agent元数据治理和MCP实现 | 1、MCP 协议介绍 2、核心架构:Host / Client / Server 3、MCP 通信流程详解 4、两种 MCP 服务器类型 5、MCP安全控制介绍 1) MCP 的威胁模型(Threat Model) 2)基于能力的安全模型 3)执行隔离安全控制 4) 认证与授权机制 5)计与不可否认性 6)两种 MCP 服务器类型 7)工具过滤:只暴露你需要的 8)信任边界(Trust Boundaries) 6、元数据MCP案例分享 |
7、智能数据分类与分级 1)Agent自适应的细粒度权限控制 2)动态隐私脱敏 3)合规性自动审查 | |
五、Agent数据模型治理实战 | 1、数据模型治理目标与北极星指标 1)覆盖率指标定义 2)复用率指标定义 3)规范性指标定义 2、AI 数据治理架构总览—四层整体架构 1) 模型评价北极星指标 2) AI 治理 Agent 能力层 3)治理动线 4)平台工具底座 3、北极星指标—Skill目标拆解 4、五大治理Agent介绍 1)ODS 穿透治理 2)低复用治理 3)公共逻辑下沉 4)模型改造 5)元数据治理 5、实践案例—数据模型端到端自动化治理动线 |
六、智能体Agent指标治理建设实战案例 | 1、Agent指标治理一天的工作安排(案例分享) 2、传统指标治理方法论 3、Why-为什么需要指标治理Agent 4、从”人跑流程”到”Agent跑流程” 5、指标治理Agent的整体架构 6、Agent指标治理建三大核心支柱 7、 知识库 (Agent的记忆) 8、 Agent建设 (Agent的手脚) 9、 持续学习 (Agent的成长) 10、知识库(RAG)全景 1)治理规范知识 2)指标元数据 3)血缘图谱(指标间的”关系网络") 4)历史治理案例 5)知识库灌入实战 11、Agent建设实战 1)Agent架构设计 2)MCP工具链设计 3)核心Skill—指标智能诊断 4)核心Skill—指标语义查重 5)核心Skill—指标口径对齐与合并 6)核心Skill—指标新建指标门卫 7)核心Skill—指标僵尸清理自动化 8)工作流编排:多Skill协同 12、学习源建设 1)人工审批反馈 2)治理案例沉淀 3)规则迭代 13、成本与ROI 14、总结与教训 |
京ICP备2022035414号-1