AI真正理解企业不只是因为它拥有一个更大的模型而是因为它能够安全、准确、持续地访问企业上下文。在前面的章节中我们已经逐步构建了Enterprise AI的核心基础设施LLM ↓ RAG ↓ Agent ↓ Tool ↓ Workflow ↓ Event Bus ↓ Agent Runtime ↓ Enterprise AI OS但是到了企业真正落地的时候会出现一个更加现实的问题Agent到底知道什么例如一个采购Agent收到“帮我处理这次采购。”它需要知道采购申请 库存 历史采购 供应商 价格 预算 组织 员工 审批规则 合同 权限这些信息并不全部存在于LLM里。它们可能分散在ERP WMS MES CRM OA HR 数据库 文件服务器 知识库 Vector DB Object Storage Event Bus Conversation Agent Memory因此企业AI真正需要建立的不是简单的AI Database而是Enterprise AI Data Plane一、什么是Enterprise AI Data Plane可以先简单理解Control Plane 管理AI资源 Runtime Plane 运行AI任务 Governance Plane 控制AI行为 Data Plane 提供AI运行所需要的数据与上下文因此Enterprise AI OS │ ├── Control Plane │ ├── Runtime Plane │ ├── Governance Plane │ └── Data PlaneData Plane负责Business Data Knowledge Documents Vector Data Memory Conversation Events Metadata Context最终提供给Agent Workflow Tool Model二、为什么企业AI需要Data Plane普通聊天机器人可能只需要User ↓ Prompt ↓ LLM ↓ Answer企业Agent则完全不同。例如“分析一下华东区域最近库存异常并给出采购建议。”Agent至少需要区域 ↓ 库存 ↓ SKU ↓ 历史销量 ↓ 采购记录 ↓ 供应商 ↓ 采购价格 ↓ 安全库存 ↓ 业务规则这已经不是一个简单Prompt能够解决的问题。因此AI能力 企业数据 企业知识 业务上下文 Enterprise AI三、Enterprise AI Data Plane整体架构可以把Data Plane设计成Enterprise AI OS │ ┌───────────────────┼───────────────────┐ ↓ ↓ ↓ Control Plane Runtime Plane Governance │ │ │ └───────────────────┼───────────────────┘ ↓ Enterprise Data Plane │ ┌──────────────────┼──────────────────┐ ↓ ↓ ↓ Business Data Knowledge Memory │ │ │ ↓ ↓ ↓ ERP/WMS/MES Documents Conversation CRM/OA/HR Vector DB Agent Memory │ │ │ └──────────────────┼──────────────────┘ ↓ Context Layer │ ┌────────┼────────┐ ↓ ↓ ↓ Agent Workflow Model这里最重要的是Data Plane不是一个数据库而是一整套企业AI数据访问体系。四、企业AI中的Data到底有哪些可以把企业AI数据分成八类。1. Business Data业务数据订单 库存 采购 销售 客户 员工 生产 财务2. Knowledge企业知识制度 SOP 操作手册 产品说明 技术文档 培训资料 FAQ3. Document企业文档PDF Word Excel PPT 图片 扫描件 合同 报告4. Vector Data向量数据Embedding Vector Metadata Chunk Index5. MemoryAgent记忆Conversation Memory User Memory Task Memory Agent Memory Business Memory6. Event Data第23章讨论的OrderCreated InventoryLow EquipmentAlert PaymentCompleted7. Metadata数据的描述信息Tenant Department Owner Security Level Document Version Source Timestamp8. Context最终真正提供给模型的Business Context User Context Tenant Context Task Context Knowledge Context Tool Context Conversation Context五、Business Data企业AI首先要连接真实业务数据。例如WMSWarehouse SKU Inventory Location Batch Order SupplierERPPurchase Order Sales Order Invoice Supplier Payment CostMESProduction Machine Quality Material Work Order这些数据通常存在MySQL PostgreSQL Oracle SQL Server Data Warehouse Data Lake或者ERP API WMS API MES API六、为什么Agent不能直接访问数据库这一点在第12章已经讨论过。不能设计Agent ↓ Database更合理的是Agent ↓ Tool ↓ Authorization ↓ Business Rule ↓ Data Access Layer ↓ Database例如Agent ↓ get_inventory ↓ Tenant Check ↓ Role Check ↓ Data Permission ↓ WMS API ↓ Database原因是数据访问必须经过业务和安全边界。七、Data Access Layer企业AI可以建立统一Data Access Layer例如Agent │ ├── Inventory Tool ├── Order Tool ├── Customer Tool ├── Employee Tool └── Finance Tool ↓ Data Access Layer ↓ ┌──────┼───────┐ ↓ ↓ ↓ ERP WMS MES这样Agent不需要理解每一个底层数据库。八、Knowledge和Business Data有什么区别这是企业AI架构中非常容易混淆的问题。Business Data企业正在发生什么。例如SKU-001 库存 15Knowledge企业应该怎么做。例如当库存低于安全库存时 需要检查未来30天需求 再判断是否创建采购申请。因此Business Data 事实 Knowledge 规则 / 方法 / 经验两者必须结合。九、RAG解决Knowledge问题第7章我们已经介绍RAGDocument ↓ Chunk ↓ Embedding ↓ Vector DB ↓ Retriever ↓ Context ↓ LLM企业知识可以通过RAG提供给AgentAgent ↓ Knowledge Retrieval ↓ Enterprise Knowledge ↓ LLM例如用户 “库存低于安全库存后应该怎么处理” RAG → 检索《库存管理SOP》 Agent → 结合WMS实时库存 最终 → 给出处理方案十、Knowledge不等于Vector DB这是一个非常重要的概念。很多项目会认为Knowledge Vector DB这是错误的。Vector DB只是知识检索基础设施的一部分。完整Knowledge体系应该是Original Document ↓ Parser ↓ Chunk ↓ Embedding ↓ Vector DB ↓ Metadata ↓ Version ↓ Permission ↓ Knowledge Registry因此Knowledge Vector DB十一、Knowledge Metadata企业Knowledge最重要的能力之一是Metadata。例如{ document_id: doc-001, tenant_id: tenant-001, department: procurement, security_level: internal, document_version: 3.2, effective_date: 2026-01-01, owner: procurement, tags: [ 采购, 供应商, 审批 ] }这些Metadata决定AI能不能看到这份知识。十二、Knowledge Permission例如财务制度普通员工可以读取公开版本财务人员可以读取完整版本财务管理员可以读取敏感数据因此Query ↓ Tenant ↓ Role ↓ Data Permission ↓ Metadata Filter ↓ Vector Search而不是Query ↓ Vector Search十三、Data Permission必须进入Retrieval例如用户A 部门 采购知识库采购制度 财务制度 HR制度 董事会文件不能先Vector Search ↓ 找到所有相关文档 ↓ 再过滤权限更合理的是User Context ↓ Permission Context ↓ Metadata Filter ↓ Vector Search ↓ Authorized Knowledge也就是说Permission应该参与检索而不是只在检索之后处理。十四、Memory是什么前面的Knowledge主要解决企业知道什么Memory解决AI之前发生过什么例如用户说“继续处理刚才那个采购任务。”如果Agent不知道刚才是什么任务就无法继续。因此需要Memory十五、Memory的几个层次可以将Memory分为Conversation Memory User Memory Task Memory Agent Memory Business Memory十六、Conversation Memory最基础User ↓ Conversation ↓ Messages例如User: 分析SKU-001 Agent: 库存不足 User: 再看看供应商 Agent: 发现供应商A交期7天Agent需要知道前面的上下文。这就是Conversation Memory。十七、User Memory用户长期偏好用户喜欢Excel格式 用户经常查询华东仓 用户负责采购这类信息可以成为User Memory。但企业场景中必须特别注意Consent Privacy Retention Deletion Permission不能因为AI能够记住就意味着AI应该永久记住。十八、Task MemoryTask Memory非常重要。例如采购任务 task_id task-001任务执行过程中产生Inventory Result Supplier Result Risk Result Approval Result ERP Result这些数据应该属于Task Context。可以设计Task │ ├── Input ├── State ├── Tool Results ├── Agent Decisions ├── Approval └── Final Result十九、Agent MemoryAgent可能需要保存历史任务 历史决策 常用工具 执行经验但这里需要一个原则Memory不是越多越好。Memory过多会产生Context变长 Token增加 检索变慢 错误信息进入Context所以需要Memory ↓ Relevance ↓ Importance ↓ Recency ↓ Context二十、Memory RetrievalMemory不能全部塞进Prompt。例如历史对话 10000条不能10000条 ↓ LLM应该Current Task ↓ Memory Retrieval ↓ Relevant Memory ↓ Context ↓ LLM这实际上和RAG非常相似。因此Memory Retrieval本质上也是一种Context Retrieval。二十一、Business Context企业AI最重要的不是单一数据而是Context。例如用户问“这个订单能不能直接批准”Agent不能只看订单。它需要订单金额 用户身份 部门 预算 供应商 库存 采购规则 审批权限 历史记录这些组合起来才是Business Context。二十二、Context Engineering因此企业AI正在从Prompt Engineering进一步进入Context Engineering传统Prompt ↓ LLM企业AIUser ↓ User Context ↓ Tenant Context ↓ Task Context ↓ Business Context ↓ Knowledge Context ↓ Tool Context ↓ Memory Context ↓ Prompt ↓ LLM这就是Context Assembly二十三、Context Assembly可以设计一个Context Builder。架构Context Builder │ ┌───────────────┼────────────────┐ ↓ ↓ ↓ User Context Business Context Task Context ↓ ↓ ↓ Knowledge Tool Context Memory └───────────────┼────────────────┘ ↓ Context Package ↓ Agent ↓ LLMContext Builder负责获取 过滤 排序 压缩 组合最终生成AI真正需要的上下文。二十四、Context WindowLLM存在Context Window限制。假设Context Window 128K不意味着应该使用128K越多越好。因为Context过大可能导致成本增加 延迟增加 注意力分散 无关信息增加因此需要Context Optimization二十五、Context Compression例如原始数据100页采购记录不能全部进入Prompt。可以100页 ↓ 相关记录 ↓ 摘要 ↓ 关键指标 ↓ Context例如过去90天采购 采购次数36 采购金额¥820,000 平均交期7.2天 异常订单3 主要供应商A/B/CAgent不需要阅读全部订单。二十六、Data Lineage企业AI还必须回答AI的这个结论来自哪里例如AI建议 建议增加SKU-001采购量。需要知道库存数据 来源WMS 时间10:32 销量数据 来源ERP 时间10:30 采购规则 来源SOP-003 版本v2.1这就是Data Lineage二十七、AI回答应该可追溯企业场景下AI Answer ↓ Context ↓ Source ↓ Data例如采购建议 ├── WMS库存 ├── ERP销量 ├── 供应商交期 └── 采购SOP这样用户才能知道AI为什么得出这个结论。二十八、Data Freshness企业数据还有一个重要属性新鲜度。例如库存数据 10:00但是现在10:30AI如果继续使用10:00的数据库存 100可能已经不准确。因此Data Plane需要关注Data Timestamp Last Updated Freshness TTL例如Inventory TTL 30 seconds而企业制度 TTL 30 days两者完全不同。二十九、Hot Data与Cold Data企业AI数据可以分Hot Data Cold DataHot Data实时库存 实时订单 设备状态 实时价格Cold Data历史订单 历史报告 历史合同 归档文档AI在查询时实时业务问题 ↓ Hot Data 历史分析 ↓ Cold Data因此Data Plane需要多层数据访问策略。三十、Data Fabric与Enterprise AI大型企业可能存在ERP WMS MES CRM HR OA BI Data Lake Data Warehouse如果每个系统独立Agent ├── ERP ├── WMS ├── MES ├── CRM ├── HR └── OA会非常复杂。因此可以逐渐形成Enterprise Data Fabric核心思想Multiple Data Sources ↓ Data Integration ↓ Metadata ↓ Governance ↓ Unified Access ↓ AI三十一、AI Data Gateway可以在Agent和企业数据之间建立AI Data Gateway架构Agent ↓ AI Data Gateway │ ├── Identity ├── Authorization ├── Data Permission ├── Query Policy ├── Masking ├── Audit └── Rate Limit ↓ ┌─────┼──────┐ ↓ ↓ ↓ ERP WMS MES这样Agent不直接连接企业数据源。三十二、Sensitive Data企业Data Plane一定会遇到员工信息 客户信息 财务数据 薪资 合同 供应商价格 商业机密因此需要Masking Encryption Access Control Audit Data Classification Retention例如手机号 010-1234-5678AI可能只需要010-****-5678三十三、Data Classification可以建立Public Internal Confidential Highly Confidential例如企业官网 → Public 内部SOP → Internal 供应商价格 → Confidential 员工薪资 → Highly Confidential然后根据User Role Tenant Purpose Data Level决定AI能够访问什么。三十四、Tenant Data Isolation在第17章的Multi-Tenant架构中Tenant A Tenant B Tenant CData Plane必须保证Tenant A ↓ Data A Tenant B ↓ Data B不能Tenant A Agent ↓ Tenant B Knowledge因此Tenant Context ↓ Data Access Policy ↓ Data Retrieval是Data Plane的核心安全边界。三十五、Data Plane与Event Bus第23章的Event也是Data Plane的重要组成部分。例如InventoryLow ↓ Event Bus ↓ Workflow同时Event本身也可以进入Event Store最终Business Data Knowledge Memory Event Enterprise Context三十六、Data Plane与Agent Runtime第21章Runtime负责Task Agent Workflow Tool MemoryData Plane负责Task Data Business Data Knowledge Memory Event Context两者组合Runtime ↓ Request Data ↓ Context Builder ↓ Data Plane ↓ Context ↓ Agent三十七、Data Plane与WorkflowWorkflow执行Check Inventory需要DataSKU Warehouse Available Qty Safety Stock然后AI Risk Analysis又需要Purchase Amount Supplier Historical Orders Budget Policy因此Workflow实际上不断访问Data PlaneWorkflow ↓ Data ↓ Agent ↓ Data ↓ Tool ↓ Data三十八、完整企业采购案例继续使用前面的AI采购流程。业务员工提交采购申请后由AI分析需求、检查库存、判断风险并在必要时进入人工审批。现在加入Data Plane。完整架构Purchase Request ↓ Workflow ↓ Context Builder │ ┌─────┼──────────────┐ ↓ ↓ ↓ User Business Knowledge Data Data SOP │ │ │ └──────┼──────────────┘ ↓ Purchase Context ↓ Agent ↓ ┌────┼─────┐ ↓ ↓ ↓ WMS ERP Supplier Tool Tool Tool ↓ ↓ ↓ Data Data Data ↓ Risk Analysis ↓ Condition / \ Low Risk High Risk ↓ ↓ Auto Human Approval ↓ ↓ Create PO ← Approved ↓ ERP ↓ Notify现在AI已经不只是一个Agent。而是Agent Workflow Data Plane Enterprise Systems三十九、Enterprise AI Data Plane完整架构最终可以形成四十、Data Plane的核心组件可以总结为Data Plane │ ├── Data Access Layer ├── Knowledge Layer ├── Vector Store ├── Document Store ├── Memory Store ├── Event Store ├── Metadata Store ├── Context Builder ├── Data Gateway ├── Permission Layer ├── Data Masking ├── Data Lineage └── Data Governance四十一、Data Plane不是“数据库层”这是FDE需要特别理解的概念。传统软件Application ↓ DatabaseEnterprise AIAgent ↓ Context ↓ Data Plane ↓ Multiple Data SourcesData Plane解决的不只是数据存在哪里更重要的是数据是什么 谁能看 什么时候有效 来自哪里 哪个版本 为什么使用 如何组合 如何进入Context四十二、Context成为AI基础设施传统软件最重要的对象可能是Request Response TransactionEnterprise AI增加了一个新的核心对象Context可以抽象为Context │ ├── User ├── Tenant ├── Role ├── Task ├── Business ├── Knowledge ├── Memory ├── Event ├── Tool └── Policy最终Context ↓ Agent ↓ Decision因此Context Engineering会逐渐成为Enterprise AI Engineering的重要能力。四十三、FDE如何进行Data Discovery客户说“我们想做一个采购Agent。”FDE不要直接问“你希望AI回答什么”应该先问你有哪些数据然后继续数据在哪里 ERP WMS Excel 数据库 文件服务器 API 数据多久更新 谁可以访问 数据是否敏感 数据是否有版本 数据是否有历史 哪些数据需要实时 哪些数据可以缓存最后形成Data Inventory四十四、Data Inventory例如数据来源类型更新频率敏感级别AI用途库存WMSBusiness Data实时高库存分析销量ERPBusiness Data5分钟中需求预测采购SOP文档库Knowledge每月中RAG供应商合同DMSDocument按需高合同分析对话AgentMemory实时高上下文业务事件Event BusEvent实时中Workflow触发这张表对于FDE项目非常重要。四十五、FDE的Data Plane设计Checklist□ 数据源是否明确 □ Business Data在哪里 □ Knowledge在哪里 □ Document在哪里 □ Vector DB在哪里 □ Memory在哪里 □ Event在哪里 □ Metadata在哪里 □ 数据是否需要实时 □ 数据Freshness是多少 □ 数据是否需要Cache □ 数据权限如何控制 □ Tenant如何隔离 □ Sensitive Data如何处理 □ 是否需要Masking □ 是否需要Encryption □ 数据版本如何管理 □ Data Lineage是否存在 □ AI回答是否可以追溯 □ Context如何构建 □ Context如何压缩 □ Memory如何检索 □ Knowledge如何检索 □ 是否存在数据孤岛 □ 是否需要Data Gateway □ 是否需要Data Fabric □ 是否需要Evaluation Dataset四十六、Enterprise AI的完整技术模型到现在为止可以把Enterprise AI重新抽象成Enterprise AI OS │ ┌────────────────────┼────────────────────┐ ↓ ↓ ↓ Control Plane Runtime Plane Governance Plane │ │ │ └────────────────────┼────────────────────┘ ↓ Data Plane │ Context Layer │ ┌──────────┼──────────┐ ↓ ↓ ↓ Agent Workflow Event │ │ │ └──────────┼──────────┘ ↓ AI Gateway ↓ Model / Tools ↓ Enterprise Systems可以进一步总结成五层Layer 1 Control → 管理 Layer 2 Data → 提供上下文 Layer 3 Runtime → 执行 Layer 4 Governance → 控制 Layer 5 Enterprise Systems → 产生真实业务价值四十七、从AI Model到AI Context过去我们经常讨论哪个模型更强但是企业AI真正运行后会发现Model 只是其中一部分。完整能力是Model Context Data Knowledge Tools Workflow Policy最终Enterprise AI Capability Model × Context × Data × Tools × Workflow × Governance这里任何一个环节出现问题数据错误 权限错误 Context错误 Tool错误 Workflow错误最终AI都可能产生错误结果。四十八、FDE的角色再次变化早期FDE部署软件后来部署AI再后来部署Agent现在设计Enterprise AI Infrastructure需要考虑Model Agent Tool Workflow Event Runtime Data Knowledge Memory Security Governance Cost因此FDE逐渐从AI应用交付工程师进入Enterprise AI Solution Architect四十九、本章核心总结第24章最重要的不是Vector DB怎么选。也不是Memory应该用Redis还是数据库。真正重要的是Enterprise AI必须拥有统一的数据与上下文基础设施。核心架构Business Data Knowledge Memory Event Metadata ↓ Data Plane ↓ Context Builder ↓ Context ↓ Agent / Workflow ↓ AI Gateway ↓ Enterprise Systems核心概念Business Data → 企业正在发生什么 Knowledge → 企业知道什么 Memory → AI之前发生过什么 Event → 企业刚刚发生了什么 Metadata → 数据是什么、属于谁、谁能访问 Context → AI当前应该知道什么最终Enterprise AI真正的核心竞争力不只是Model而是Context。五十、下一篇预告《FDE前沿部署工程师实战教程》25Enterprise AI Context Engine从Data Plane到统一上下文编排第24章解决企业数据在哪里下一章继续解决这么多数据AI到底应该在什么时候、以什么方式、选择哪些数据下一章将进一步构建Context Engine重点包括Context Source Context Retrieval Context Routing Context Ranking Context Filtering Context Compression Context Assembly Context Cache Context Permission Context Version Context Freshness Context Budget Context Evaluation最终形成User ↓ Tenant Context ↓ Task Context ↓ Business Context ↓ Knowledge Retrieval ↓ Memory Retrieval ↓ Event Context ↓ Tool Context ↓ Policy Context ↓ Context Ranking ↓ Context Compression ↓ Context Package ↓ Agent ↓ Model也就是说Enterprise AI将进一步从Data Plane进入Context Plane最终形成Control Plane Data Plane Context Plane Runtime Plane Governance Plane这将成为Enterprise AI Operating System更加完整的基础架构。