數據管理供應商競相將人工智能與上下文相結合

這些公告如雪崩般接連而至。

在 2026 年的前六個月中，數據管理供應商一個接一個地推出了旨在將 AI 代理與執行所需上下文連接的新功能。

在一月初的幾天內，Databricks 和 MongoDB 各自推出了旨在發現和提供代理所需相關數據和業務邏輯的新功能。從那時起，大多數產品開發發佈同樣專注於使 AI 工具能夠在需要時立即調用上下文相關的信息。

原因很簡單：沒有適當的上下文，AI 代理將會失敗。

“沒有它，他們就是在猜測，” Databricks 的研究總監 Michael Bendersky 對 TechTarget 説。“猜測對企業業務不起作用。”

Michael Bendersky

代理總是試圖回答問題並在被要求時採取行動，無論他們是否有足夠的信息來準確執行。他們根據可以訪問的上下文進行推斷，如果該上下文不相關，他們的推斷也不會相關。

然而，將代理與相關上下文連接起來是複雜的。

數據和業務邏輯需要為 AI 做好準備，這對於數據分散在不同系統中的大型組織來説，可能是一個漫長且勞動密集的過程。而且，相關上下文需要能夠立即被發現和檢索。否則，代理項目將會崩潰，要麼永遠無法通過試點階段，要麼在生產中不可信——且無法使用。

因此，隨着大多數 AI 項目在 2026 年即將到來時失敗，所有其他數據管理趨勢都已退卻。

一系列公告

事實證明，模型並不是唯一的問題。

為了使 AI 工具值得信賴，無論是由大型語言模型（LLMs）如 ChatGPT 和 Claude 提供，還是由較小的專用模型提供，推理能力都需要強大，以便 AI 工具能夠準確響應查詢。然而，即使 LLM 的推理能力在基本查詢中接近 100% 的準確率，大多數 AI 項目仍然停滯不前。

沒有它，他們就是在猜測。猜測對企業業務不起作用。Michael Bendersky Databricks 研究總監

上下文仍然是缺失的關鍵。

“沒有上下文，代理就有可能採取錯誤的行動，這並不一定是因為它發生了故障，而是因為它沒有所需的信息來做出正確的決策，” ISG 軟件研究的分析師 David Menninger 對 TechTarget 説。

為了改善數據發現和檢索，數據管理供應商將產品開發工作集中在使客户能夠找到並提供代理所需的上下文上。

在 Databricks 於一月初推出的 Instructed Retriever 一週後，該產品通過添加用户指令等參數來提高檢索準確性，從而改進了傳統的檢索增強生成（RAG），MongoDB 推出了新的向量嵌入和重排序模型，以提高使用向量搜索發現的數據的相關性。

包括 Alteryx、AWS、Google Cloud、GoodData、Informatica、Snowflake、Tableau、Teradata 和 ThoughtSpot 等眾多供應商也紛紛效仿。

並非所有人都採取相同的方法。

Databricks 旨在簡化和改善數據檢索系統。與 MongoDB 一樣，Teradata 也是試圖改善向量搜索以發現和操作上下文的供應商之一，以便 Instructed Retriever、RAG 和其他檢索管道能夠將其引入。許多公司正在添加或增強語義建模能力，以使用户能夠為 AI 構建上下文層。

僅在六月，Databricks、AWS、Microsoft 和 Snowflake 就揭示了幫助客户為代理創建上下文層的新工具。

那些主動經歷了將數據資產整理和構建能夠處理 AI 工作負載速度和規模的基礎設施的組織正在將至少一些代理投入生產。

例如，德勤在一月報告稱，四分之一的組織能夠將 40% 的 AI 項目投入生產，預測到年中大約一半的組織將達到這一 40% 的目標。同樣，Databricks 在一月發佈的 2026 年 AI 代理狀態報告顯示，在過去四個月中，從單一聊天機器人轉向多代理系統的組織數量增加了 327%。

“當代理獲得清晰、充分的上下文時，他們可以在更少的步驟中完成任務，並更快地找到正確的數據，而不是花費時間探索死衚衕，” Bendersky 説。

然而，成功的案例仍然只佔少數。

語義強度

許多企業旨在構建廣泛的多智能體系統，改善向量搜索和 RAG 是將智能體與上下文連接的關鍵。然而，在今年主導的數據管理趨勢中，語義建模已成為改善上下文檢索的最常見方法。

沒有語義層，當被要求從分佈在多個系統中的數據中推導結果時，LLM 的準確性會急劇下降。但當語義層增強 LLM 查詢時，它們的準確性得以恢復。

Cindi Howson

"語義層是魔法，" ThoughtSpot 首席數據和 AI 戰略家 Cindi Howson 告訴 TechTarget。"[準確性] 取決於你給智能體提供多少上下文，以及語義層的強大程度，但語義層是關鍵。可變性將是數據模型的複雜性，以及語義和上下文層的強大程度。"

與向量嵌入類似，語義建模通過分配定義和特徵，使數據可被發現，從而確保組織內部的一致性。但與向量搜索和存儲類似，語義建模直到最近仍然是一種用於增強分析系統的利基能力，而不是關鍵組成部分。

現在，語義層變得對智能體性能至關重要，以至於一組數據管理和分析供應商聯合起來，通過 創建開放行業標準 來簡化語義建模。沒有一個標準，供應商提供的專有語義層無法相互交互，增加了複雜性，而不是減少複雜性，因為開發人員和工程師拼湊連接存儲在無數系統中的數據的 AI 管道。

"數據的意義是一個整體概念，而我們在這方面從來沒有做得很好，" Menninger 説，並指出沒有單一的通用語義語言。"我們在 BI 領域遇到的問題與我們在 AI 領域遇到的問題相同……我們需要一種描述數據意義的方法。"

一家部署語義層以幫助組織其數據並使其可用於分析和 AI 應用的企業是供應鏈管理專家 Blue Yonder，該公司使用語義建模提供商 AtScale 的平台。

憑藉 AtScale 的能力，Blue Yonder 在 2024 年 7 月重新架構了其之前分散的數據，使用語義建模，然後將其統一的語義層連接到 AI 工具，通過 AtScale 的模型上下文協議服務器，使智能體能夠調用上下文相關的數據。

"這使我們能夠在數據和業務之間獲得清晰的對齊，並真正將所有內容定義在一個地方，" Blue Yonder 分析工程高級總監 Jeremy Arendt 在 AtScale 的虛擬語義層峯會的一個會議上説。"語義層成為確保我們對數據有信任和信心的一個重要部分。"

現在，以前需要幾天才能回答的查詢在 近實時 內完成，他繼續説道。

"我們的語義層是公司中每個需要數據的人的工具，" Arendt 説。"我們專注於在業務的每個層面上實現自助服務 [洞察生成]。"

其他工具

儘管語義層已成為 AI 上下文檢索的關鍵方面，但它們只是更大整體的一部分。

語義層將企業 模式 映射，使相關數據為智能體準備。指令感知檢索層和 零信任治理和安全能力 同樣至關重要，這些能力將每個試圖訪問組織數據和業務邏輯的用户、設備或應用視為潛在威脅，Farmer 表示。

數據治理建立了政策和標準，決定企業的數據如何被用户（包括智能體）管理和訪問。同時，安全能力保護組織免受用户（包括智能體）潛在濫用以及外部威脅行為者的攻擊。

Donald Farmer

最近，由於智能體 引入了新的數據安全問題，通過增加數據訪問和操作化的規模和速度，以及使攻擊者能夠加快威脅的速度和規模，Oracle 強調了增強安全性的必要性。然而，Oracle 決定安全性現在需要在數據層面上應用，以更好地保護免受增加的威脅，而不是將安全措施應用於歷史上由此類工具保護的操作系統。

"高級檢索器將業務約束視為嚴格規則，而不僅僅是對 LLM 的建議，[並且] 零信任智能體安全框架確保智能體固有地使用並且不能超過初始化它們的人類用户的安全權限，" Farmer 説。

與此同時，構成 AI 上下文檢索系統的所有組件——那些促進發現、檢索和行動的組件——需要在一個單一環境中，Bendersky 表示。

如果它們沒有作為統一的能力交付，將代理與上下文連接起來就變成了一項複雜的工程工作，必須為每個用例手動重建。

"上下文交付需要成為平台能力，而不是工程項目，" Bendersky 説。"這意味着訪問控制、數據來源和可審計性需要內置……因為你的代理如何獲得其上下文與它所説的內容同樣重要。"

Eric Avidon 是 Informa TechTarget 的高級新聞撰稿人，擁有超過三十年的新聞經驗。他專注於分析和數據管理。