前面的章节我们已经完成了企业 AI 从 Agent 到平台再到 Runtime、Workflow、Security、Observability 的完整技术体系。但是当一个企业真正开始大规模部署 Agent 后又会遇到一个更加基础的问题Agent到底应该看到什么数据它需要知道当前用户是谁用户属于哪个组织用户拥有哪些权限当前租户是谁当前正在处理什么任务企业业务数据是什么知识库里有哪些内容用户过去做过什么Agent之前执行过什么当前Workflow运行到了哪一步哪些数据可以被访问哪些数据不能进入Prompt哪些数据需要脱敏哪些数据只能实时查询。这已经不是简单的“接一个数据库”或者“建设一个RAG知识库”。真正的企业AI需要建立一个统一的数据运行体系。这就是Enterprise AI Data Plane一、为什么Enterprise AI需要Data Plane传统软件系统通常可以简单理解为用户 ↓ 应用 ↓ API ↓ 数据库应用需要什么数据就通过API或者SQL读取。但是Agent的情况完全不同。一个企业Agent可能同时需要用户身份 租户信息 权限 业务数据 企业知识 历史记忆 当前任务 Workflow状态 实时事件例如用户问“帮我分析一下华东仓库最近的库存异常。”Agent可能需要同时访问User Context ↓ 用户 张三 部门 供应链 角色 仓库经理 Tenant Context ↓ Tenant Enterprise A Business Data ↓ WMS库存 WMS订单 WMS出入库 WMS盘点 Knowledge ↓ 库存管理制度 仓库SOP 异常处理规范 Memory ↓ 历史分析记录 用户偏好 Agent历史任务 Events ↓ 库存变化 设备告警 订单事件 Policy ↓ 用户是否有权限查看数据然后才能形成最终的Context Package交给Agent。因此Enterprise AI的核心问题不再只是“如何让模型变聪明”而是“如何给模型提供正确、完整、安全、实时的上下文”。二、什么是Enterprise AI Data Plane可以把Enterprise AI Data Plane理解成负责企业AI数据获取、组织、治理、转换和上下文构建的数据基础设施。它不是一个简单的数据库。它连接Business Data Knowledge Memory Events Metadata Identity Permission Tenant Context最终形成Context Package提供给Agent Workflow AI Application完整架构可以表示为Enterprise AI Data Plane │ ┌─────────────────────┼─────────────────────┐ ↓ ↓ ↓ Business Data Knowledge Memory │ │ │ ERP / WMS / MES RAG User CRM / OA / HR Vector Task DB / API Document Agent └─────────────────────┼─────────────────────┘ ↓ Events │ Event Bus ↓ Context Builder ↓ Context Package ↓ Agent / Workflow这就是企业AI Data Plane的核心链路。三、Data Plane与Control Plane有什么区别在前面的章节中我们已经介绍过Control Plane Runtime Plane Governance Plane现在需要加入Data Plane四者形成完整的企业AI基础设施。Enterprise AI Platform │ ┌─────────────────────┼─────────────────────┐ ↓ ↓ ↓ Control Plane Data Plane Runtime Plane │ │ │ Registry Data Agent Policy Knowledge Workflow Config Memory Tool Version Events Task │ │ │ └─────────────────────┼─────────────────────┘ ↓ Governance Plane │ Security / Audit / Evaluation Cost / Compliance / Observability可以简单理解为Plane主要负责Control Plane管理Data Plane数据Runtime Plane执行Governance Plane治理其中Control Plane决定“管理什么”Data Plane解决“数据从哪里来”Runtime Plane解决“任务如何运行”Governance Plane解决“如何安全可控”。四、企业AI中的Data到底有哪些企业AI的数据远比传统数据库复杂。至少可以划分为八类。Enterprise AI Data │ ├── 01 Business Data ├── 02 Knowledge ├── 03 Memory ├── 04 Event ├── 05 Metadata ├── 06 Identity ├── 07 Permission └── 08 Context五、Business Data企业业务数据Business Data是企业最核心的数据资产。例如ERP客户 供应商 采购订单 销售订单 财务 库存WMS库存 库位 入库 出库 盘点 拣货 复核 发货MES生产订单 设备 工单 质量 产线 工艺CRM客户 商机 联系人 销售活动 合同HR员工 组织 岗位 考勤 薪酬 绩效传统系统Application ↓ DatabaseAI系统Agent ↓ Data Access Layer ↓ API / DB / Event ↓ Enterprise System一个重要原则是Agent不应该直接拥有企业数据库的无限访问权限。而应该通过Tool API Data Service Semantic Layer访问业务数据。六、Knowledge企业知识Business Data解决“企业现在发生了什么”Knowledge解决“企业规定应该怎么做”例如仓库Agent需要知道库存数据 库存管理制度 仓库SOP 异常处理规范 安全制度其中Business Data 事实而Knowledge 规则 / 文档 / 经验 / 制度例如WMS ↓ 库存 1250 Knowledge Base ↓ 安全库存标准 1500Agent结合两者才能判断当前库存低于安全库存需要触发补货分析。因此Business Data Knowledge比单独使用RAG更重要。七、MemoryAgent记忆Memory是企业AI非常容易被误解的一部分。很多人认为Memory就是保存聊天记录。实际上远远不止。可以把Memory分成Memory │ ├── User Memory ├── Session Memory ├── Task Memory ├── Agent Memory ├── Workflow Memory └── Long-term Memory7.1 User Memory记录用户长期偏好。例如用户张三 偏好 - 默认查看华东仓 - 喜欢按周统计 - 默认使用中文 - 默认展示Top 10异常7.2 Session Memory当前会话上下文。例如用户 查看华东仓库存。 Agent 当前库存1250。 用户 那华南仓呢 Agent 华南仓当前库存……“那”这个词依赖Session Context才能理解。7.3 Task Memory任务执行过程中的状态。例如Task ID T20261007001 状态 Inventory Check Done Risk Analysis Done Approval Waiting7.4 Agent Memory记录Agent过去执行过的任务。例如Agent ↓ 历史任务 ↓ 成功经验 ↓ 异常处理 ↓ 执行结果但这里需要特别注意Memory不是越多越好。如果把所有历史信息都塞进PromptContext ↓ 越来越大 ↓ Token越来越多 ↓ Latency越来越高 ↓ Cost越来越高甚至会导致模型注意力下降。所以企业Memory必须进行Storage → Retrieval → Filtering → Summarization → Context Selection八、Events企业实时事件传统RAG主要解决“查询已有知识。”但是企业Agent越来越需要“感知正在发生的事情。”例如库存下降 订单创建 设备故障 生产异常 客户投诉 审批完成 付款失败 员工打卡异常这些都属于Event典型架构Enterprise Systems │ ↓ Events │ ↓ Event Bus │ ┌────┼────┐ ↓ ↓ ↓ Agent Workflow Alert例如WMS ↓ 库存低于阈值 ↓ InventoryLow Event ↓ Event Bus ↓ Inventory Agent ↓ 分析库存风险 ↓ 生成补货建议这意味着Agent从被动回答逐渐进入主动感知九、Metadata决定数据应该如何被使用企业AI的数据不能只有内容。还需要Metadata。例如一份文档库存管理制度.pdf除了正文还应该具有Document ID Tenant ID Department Owner Security Level Version Effective Date Expiration Date Document Type Language Knowledge Base例如Document │ ├── tenant_id T001 ├── department Supply Chain ├── security_level Internal ├── version 3.2 ├── effective_date 2026-01-01 └── owner Warehouse Department这样Agent进行RAG时就可以先过滤Tenant Department Permission Version Security Level然后再进行向量检索。这就是Metadata Filtering。十、IdentityData Plane必须知道“谁在访问数据”Agent不能脱离用户身份运行。例如User ↓ Identity ↓ Tenant ↓ Organization ↓ Role ↓ Permission ↓ Data假设张三 华东仓库经理那么Agent查询库存数据应该只能返回华东仓库而不是全国所有仓库因此Data Plane必须支持User Context Tenant Context Organization Context Role Context Permission Context十一、Tenant Context多租户数据隔离对于SaaS化AI平台Tenant A Tenant B Tenant C数据必须隔离。例如Tenant A ├── Business Data ├── Knowledge ├── Memory ├── Events └── Context Tenant B ├── Business Data ├── Knowledge ├── Memory ├── Events └── Context绝对不能出现Tenant A ↓ 读取 ↓ Tenant B Knowledge因此Tenant Context必须成为Context构建过程的一部分而不是应用层的一个普通参数。十二、Context Engineering真正的核心能力到了Enterprise AI阶段我们会发现RAG只是Context Engineering的一部分。Context Engineering可以理解为根据任务、用户、权限、数据、知识、记忆和实时状态动态构建最适合当前任务的Context。完整过程User Request ↓ Identity ↓ Tenant ↓ Permission ↓ Task ↓ Business Data ↓ Knowledge ↓ Memory ↓ Events ↓ Policy ↓ Context Builder ↓ Context Package ↓ Agent因此RAG Memory Business Data Events Identity Permission Task最终统一到Context Engineering十三、什么是Context PackageContext Package就是最终交给Agent使用的上下文集合。例如{ user: { id: U1001, role: warehouse_manager }, tenant: { id: T001 }, task: { id: TASK-20261007-001, type: inventory_analysis }, business_context: { warehouse: WH-EAST, inventory: 1250 }, knowledge: [ 库存管理制度, 安全库存规则 ], memory: [ 用户最近关注华东仓 ], events: [ 库存连续3天下降 ], permissions: [ inventory.read, inventory.analysis ] }然后Context Package ↓ Agent ↓ Reasoning ↓ Tool ↓ Business System这比单纯Prompt RAG强大得多。十四、Context BuilderData Plane的核心组件Data Plane最核心的组件之一就是Context Builder它负责把各种数据组合起来。架构Context Builder │ ┌───────────────────┼───────────────────┐ ↓ ↓ ↓ Identity Business Knowledge │ │ │ User ERP/WMS RAG Tenant MES/CRM Vector DB Role API/DB Documents │ │ │ └───────────────────┼───────────────────┘ ↓ Memory │ ↓ Events │ ↓ Policy │ ↓ Context PackageContext Builder主要负责数据获取 数据过滤 权限检查 数据聚合 数据排序 数据压缩 数据脱敏 上下文裁剪 上下文组装十五、Context Filtering不是所有数据都应该进入Prompt这是企业AI非常重要的原则。假设数据库中有100万条库存记录用户问“华东仓最近有什么库存异常”不能把100万条数据全部塞给LLM。正确过程应该是User Request ↓ Intent ↓ Permission ↓ Warehouse East ↓ Time Recent ↓ Anomaly Filter ↓ Top N Records ↓ Context ↓ LLM即100万条数据 ↓ Permission Filter ↓ Business Filter ↓ Time Filter ↓ Relevance Filter ↓ Top-K ↓ Context这就是Context Selection。十六、Context Compression减少TokenContext太大会带来Token ↑ Cost ↑ Latency ↑ Context Noise ↑因此Data Plane需要进行Context Compression。例如原始数据100条库存记录压缩华东仓近7天库存持续下降 其中SKU-A下降32% SKU-B下降27% SKU-C下降21%。再交给Agent。常见方法包括Summarization Deduplication Ranking Filtering Aggregation Compression核心目标让Agent看到最重要的信息而不是最多的信息。十七、Business Data与Knowledge为什么必须统一这是企业AI非常关键的架构问题。假设Business Data 库存 1250而Knowledge 安全库存 1500Agent才能得到1250 1500最终判断库存低于安全库存因此Business Data Knowledge Business Intelligence如果只有Business DataAI知道发生了什么如果只有KnowledgeAI知道应该怎么做只有两者结合AI才能理解 “现在发生了什么以及应该怎么办”十八、Memory与Business Data也不能混为一谈例如用户昨天问过库存属于Memory而今天库存1250属于Business Data两者生命周期完全不同。Business Data 实时变化 │ ↓ Enterprise System而Memory 持续积累 │ ↓ Memory Store因此不要把业务事实存进Memory也不要把用户偏好当成Business Data。十九、Memory Architecture企业级Memory可以设计为Memory Layer │ ┌────────────────┼────────────────┐ ↓ ↓ ↓ Short-term Working Long-term Memory Memory Memory │ │ │ Session Task State User Memory Conversation Workflow Historical │ │ │ └────────────────┼────────────────┘ ↓ Memory Retrieval ↓ Context Builder其中Short-term Memory当前会话。Working Memory当前任务和Workflow状态。Long-term Memory长期用户偏好、历史经验等。二十、Event Data让Agent拥有“实时感知能力”传统RAGUser ↓ Question ↓ Retrieve ↓ AnswerEvent-driven AgentEnterprise Event ↓ Event Bus ↓ Agent ↓ Analyze ↓ Workflow ↓ Tool ↓ Business Action例如MES ↓ 设备温度异常 ↓ MachineTemperatureHigh ↓ Event Bus ↓ Maintenance Agent ↓ 查询设备历史 ↓ RAG查询维修SOP ↓ 分析故障原因 ↓ 创建维修工单这时候Agent已经从Chatbot进化为Event-driven AI System二十一、Data Plane与Event Plane随着企业AI发展数据和事件会逐渐形成两条通道Enterprise AI │ ┌──────────────┴──────────────┐ ↓ ↓ Data Plane Event Plane │ │ Business Data Events Knowledge Event Bus Memory Stream Metadata Trigger │ │ └──────────────┬──────────────┘ ↓ Context Builder ↓ Agent可以理解为Data Plane AI知道“有什么” Event Plane AI知道“发生了什么”两者结合AI知道有什么 AI知道发生了什么 AI知道应该做什么这才是真正的Enterprise AI。二十二、Enterprise AI Data Plane完整架构综合前面的内容可以形成Enterprise AI Data Plane │ ┌─────────────────────────┼─────────────────────────┐ ↓ ↓ ↓ Business Data Knowledge Memory │ │ │ ERP / WMS / MES RAG User CRM / OA / HR Vector Session DB / API Document Task │ │ Agent └─────────────────────────┼───────────────────────┘ ↓ Metadata │ Identity │ Permission │ Tenant │ ↓ Events │ Event Bus ↓ Context Builder │ ┌──────────────┼──────────────┐ ↓ ↓ ↓ Filter Rank Compress │ │ │ └──────────────┼──────────────┘ ↓ Context Package ↓ ┌──────────┴──────────┐ ↓ ↓ Agent Workflow │ │ └──────────┬──────────┘ ↓ Tool / MCP ↓ Enterprise Systems二十三、Data Plane与SecurityData Plane最大的风险之一就是数据进入了不应该进入的地方。例如用户A ↓ Agent ↓ RAG ↓ 读取用户B的数据或者低权限用户 ↓ Agent ↓ Tool ↓ 查询高权限数据所以Data Plane必须内置Identity Authorization Tenant Isolation Data Permission Data Classification Masking DLP Audit完整链路User ↓ Identity ↓ Tenant ↓ Role ↓ Permission ↓ Data Access ↓ Filter ↓ Masking ↓ Context ↓ Agent二十四、Data Plane与Governance数据治理也必须进入AI体系。例如企业知识库Document ↓ Classification ↓ Owner ↓ Version ↓ Approval ↓ Effective ↓ Expiration ↓ Archive业务数据Data ↓ Classification ↓ Permission ↓ Retention ↓ AuditMemoryMemory ↓ User Consent ↓ Retention Policy ↓ Expiration ↓ Deletion因此Enterprise AI Data Plane不是“数据仓库”而是受治理的数据运行层。二十五、Data Plane与Observability第33章我们讲过Logs Metrics Trace现在Data Plane也需要被观测。例如Business DataAPI Latency Query Count Error RateRAGRetrieval Count Top-K Empty Retrieval Retrieval LatencyMemoryRead Count Write Count Memory Hit Rate Memory SizeContextContext Size Token Count Compression Ratio Context Build Latency因此可以增加Context Observability例如Context Build Time 82ms Business Data 12KB Knowledge 8KB Memory 3KB Events 2KB Final Context 9KB Compression Ratio 72%这些指标能够帮助FDE定位为什么这个Agent越来越慢可能不是LLM慢。而是Context Builder ↓ RAG查询过多 ↓ Memory过大 ↓ Tool返回数据过多二十六、Context爆炸问题这是企业Agent规模化后非常典型的问题。例如User Request ↓ RAG 20 documents ↓ Memory 50 records ↓ Tool 1000 rows ↓ Events 500 records ↓ Context ↓ 200K Tokens结果Latency ↑ Cost ↑ Quality ↓因此必须建立Context Budget例如System Prompt 2K User Context 1K Business Data 5K Knowledge 8K Memory 3K Tool Result 5K ---------------------- Total 24K这实际上就是Context FinOps。二十七、Context Budget可以把Context看成一种企业AI资源。例如Context Budget Token Budget Latency Budget Cost Budget一个任务可能定义最大Context 32K 最大Latency 5s 最大Cost ¥0.20Context Builder必须在预算范围内进行Retrieve Filter Rank Compress最终生成Optimal Context二十八、FDE应该如何设计Data PlaneFDE面对企业客户时不应该一上来问“你们有没有RAG”而应该问数据在哪里ERP WMS MES CRM OA HR DB API File知识在哪里PDF Word Excel Wiki SOP 制度 FAQ实时数据在哪里Event Message Queue Kafka MQ Webhook IoT用户是谁SSO IAM AD OAuth OIDC权限在哪里RBAC ABAC Data Permission Tenant OrganizationAgent需要什么Business Data Knowledge Memory Events最终再设计Data Plane二十九、企业AI Data Plane最小可行版本并不是所有企业都需要一开始建设复杂的数据平台。MVP可以只有Business API │ Knowledge Base │ Memory Store │ ↓ Context Builder ↓ Agent例如一个AI仓库助手WMS API │ ├── Inventory ├── Orders └── Warehouse │ ↓ Context Builder │ ┌────┼────┐ ↓ ↓ ↓ WMS RAG Memory └────┼────┘ ↓ Agent已经可以满足很多业务需求。三十、大型企业Data Plane当企业进入大型规模后ERP WMS MES CRM HR OA BI IoT Data Lake Data Warehouse数据源可能达到100此时需要进一步建设Data Gateway Data Catalog Semantic Layer Event Bus Knowledge Platform Memory Platform Context Platform架构Enterprise Data Plane │ ┌─────────────────┼─────────────────┐ ↓ ↓ ↓ Data Gateway Knowledge Platform Memory │ │ │ ERP/WMS/MES RAG/Vector User CRM/OA/HR Documents Task API/DB Knowledge Agent │ │ │ └─────────────────┼─────────────────┘ ↓ Event Platform ↓ Data Catalog ↓ Semantic Layer ↓ Context Platform ↓ Agents三十一、Semantic Layer让Agent理解企业业务这是Data Plane进一步发展的重要方向。数据库里可能是wh_id sku_id qty so_id但业务人员理解的是仓库 SKU 库存数量 销售订单Semantic Layer负责把Technical Data转换成Business Meaning例如inventory_qty ↓ 库存数量 available_qty ↓ 可用库存 safety_stock ↓ 安全库存 inventory_turnover_days ↓ 库存周转天数这样Agent才能真正理解企业业务。因此Semantic Layer是Business Data与AI之间的重要桥梁。三十二、从RAG走向Context Engineering传统AI应用Prompt ↓ RAG ↓ LLM企业AIIdentity ↓ Tenant ↓ Permission ↓ Business Data ↓ Knowledge ↓ Memory ↓ Events ↓ Semantic Layer ↓ Context Builder ↓ Context Package ↓ Agent这意味着AI工程正在发生一个重要变化RAG Engineering ↓ Context EngineeringRAG仍然重要。但RAG只是Context Engineering中的一个组件。三十三、Data Plane与Agent Mesh前面的第18章我们介绍了Agent Mesh现在Data Plane可以成为整个Agent Mesh的数据基础。例如Agent Mesh │ ┌───────────────┼───────────────┐ ↓ ↓ ↓ WMS Agent MES Agent CRM Agent │ │ │ └───────────────┼───────────────┘ ↓ Enterprise Data Plane │ ┌────────────────┼────────────────┐ ↓ ↓ ↓ Business Data Knowledge Memory │ │ │ └────────────────┼────────────────┘ ↓ Events ↓ Context Platform这样Agent Mesh Data Plane就形成了企业AI网络。三十四、Data Plane与Enterprise AI OS到了Enterprise AI Operating System阶段AI OS │ ├ Control Plane ├ Runtime Plane ├ Governance Plane └ Data Plane其中Data Plane负责Business Data Knowledge Memory Events Context最终形成Enterprise AI OS │ ┌──────────────────────┼──────────────────────┐ ↓ ↓ ↓ Control Runtime Data Plane Plane Plane │ │ │ Registry Agent Business Data Policy Workflow Knowledge Version Tool Memory Tenant Task Events │ │ └──────────────────────┼──────────────────────┘ ↓ Governance Plane这时候企业AI基础设施开始真正完整。三十五、一个完整的企业案例AI仓库运营助手假设企业需要建设AI Warehouse Operations Assistant用户仓库经理提出“分析一下华东仓最近的库存异常并给出补货建议。”系统首先获取Identity ↓ User 张三 Role Warehouse Manager Tenant Enterprise A Warehouse East然后Business Data ↓ WMS ↓ 库存 订单 出入库同时Knowledge ↓ 安全库存规则 补货制度 仓库SOP再获取Memory ↓ 用户历史关注SKU以及Events ↓ 库存下降事件 订单增加事件最后Context Builder ↓ Context Package ↓ AgentAgent分析SKU-A 库存下降32% 安全库存1500 当前库存900 近7天订单增长21%最终生成SKU-A存在高库存风险。 建议 1. 立即启动补货评估 2. 建议补货600件 3. 优先级高 4. 原因库存低于安全库存且订单持续增长如果需要执行Agent ↓ Tool ↓ WMS ↓ Create Replenishment Request整个过程形成Business Data Knowledge Memory Events Permission Context Agent Tool这才是完整的Enterprise AI业务闭环。三十六、Data Plane最容易犯的错误错误一把Data Plane当数据库Data Plane不是MySQL而是Data Knowledge Memory Events Context错误二所有数据直接给Agent错误Database ↓ Agent正确Database ↓ Permission ↓ Filter ↓ Context Builder ↓ Agent错误三所有文档都进入RAG错误所有文档 ↓ Vector DB ↓ RAG正确Document ↓ Classification ↓ Permission ↓ Version ↓ Metadata ↓ Embedding ↓ Vector DB错误四Memory无限增长错误Everything ↓ Memory正确Store ↓ Retrieve ↓ Summarize ↓ Expire ↓ Delete错误五忽视实时事件如果企业AI只有RAG它看到的主要是历史知识如果加入EventAI才可以感知正在发生什么三十七、Enterprise AI Data Plane核心能力模型可以把Data Plane总结成八大能力Enterprise AI Data Plane │ ├── Data Access ├── Knowledge Management ├── Memory Management ├── Event Processing ├── Metadata Management ├── Context Engineering ├── Semantic Layer └── Data Governance其中最核心的是Data ↓ Context ↓ AI三十八、FDE的Data Plane设计Checklist面对一个企业AI项目FDE可以使用下面的问题进行快速检查。数据源□ ERP □ WMS □ MES □ CRM □ OA □ HR □ DB □ API □ File □ IoTKnowledge□ SOP □ 制度 □ FAQ □ Manual □ Wiki □ DocumentMemory□ User Memory □ Session Memory □ Task Memory □ Agent MemoryEvent□ Message Queue □ Kafka □ Webhook □ IoT Event □ Business EventSecurity□ Identity □ Tenant □ RBAC □ ABAC □ Data Permission □ Masking □ AuditContext□ Filtering □ Ranking □ Compression □ Token Budget □ Context Version □ Context Trace三十九、从Data Engineering到AI Data Engineering传统企业Data Engineering ↓ ETL ↓ Data Warehouse ↓ BIAI时代Data Engineering AI Engineering ↓ AI Data Engineering ↓ Business Data Knowledge Memory Events ↓ Context ↓ Agent因此未来企业AI工程师需要同时理解Database API Data Warehouse Vector DB Event Streaming RAG Memory Context Engineering Agent这也是FDE能力模型进一步扩展的重要方向。四十、Enterprise AI Data Plane的最终目标Data Plane最终不是为了“给AI更多数据。”而是为了给AI正确的数据。更进一步在正确的时间把正确的数据以正确的权限、正确的形式提供给正确的Agent。可以把这个原则总结成Right Data Right Context Right Permission Right Time Right Agent最终Enterprise AI Data Plane │ ↓ Right Context │ ↓ Agent │ ↓ Business Action │ ↓ Business Value四十一、从Data Plane继续向前到这里整个Enterprise AI体系又完成了一次重要升级Agent ↓ Agent Platform ↓ Agent Mesh ↓ Enterprise AI OS ↓ Enterprise AI Data Plane我们开始发现Agent真正依赖的不是单纯的LLM。而是一整套基础设施Model Agent Tool Knowledge Memory Workflow Runtime Data Event Context Security Governance Observability Evaluation Cost这些能力最终会逐渐融合成Enterprise AI Infrastructure四十二、FDE能力升级早期FDE关注客户需要什么然后开始关注Agent怎么做进一步关注Agent怎么部署再进一步Agent怎么安全运行现在则必须进一步思考Agent需要什么数据以及这些数据如何进入Context因此FDE的能力开始从Application Integration升级到AI Infrastructure Design最终成为Business Software AI Data Infrastructure的综合型工程师。四十三、本章核心总结Enterprise AI Data Plane解决的是一个非常基础但又非常重要的问题AI到底应该如何获取和使用企业数据它将Business Data Knowledge Memory Events Metadata Identity Permission Tenant统一起来。通过Context Builder最终形成Context Package再提供给Agent Workflow AI Application整个体系可以总结为Business Data Knowledge Memory Events Identity Permission Tenant ↓ Context Engineering ↓ Context Package ↓ Agent / Workflow ↓ Tool / MCP ↓ Enterprise System ↓ Business Value真正成熟的企业AI不是LLM Prompt也不是LLM RAG而是Model Agent Data Knowledge Memory Context Tool Workflow Runtime Security Governance Observability Evaluation Cost这才构成真正意义上的Enterprise AI Infrastructure四十四、下一篇预告《FDE前沿部署工程师实战教程》35Enterprise AI Semantic Layer让Agent真正理解企业业务第34章解决了企业AI的数据从哪里来下一章进一步解决Agent到底如何理解这些数据代表的业务含义例如数据库中的sku_id qty so_id wh_id对数据库来说只是字段。但对企业来说它们代表SKU 库存数量 销售订单 仓库如果Agent无法理解这些业务语义即使拥有大量数据也很难真正理解企业。因此下一章将进入Technical Data ↓ Semantic Layer ↓ Business Meaning ↓ AI Understanding ↓ Agent Reasoning ↓ Business Action重点讨论Enterprise Semantic LayerBusiness OntologyBusiness EntityBusiness ObjectBusiness RelationshipBusiness MetricsSemantic APISemantic QueryText-to-SQLNL2SQLKnowledge GraphBusiness Knowledge GraphAgent Semantic UnderstandingData CatalogMetric StoreSemantic GovernanceEnterprise AI Semantic Architecture最终把数据库字段真正转换成企业业务语言让Agent从“能访问数据”进一步进化到真正理解企业。合并重复的核心概念章节补充数据类型之间的边界表统一术语和中英混排格式