这两年，大模型能力突飞猛进，能写代码、能规划任务、还能调用工具。但在企业真实场景中，很多团队却遇到了一个反直觉的问题：数据明明已经治理过了，AI 却依然不好用。

RAG 经常答非所问，Agent 会误用数据，回答看起来“有道理”，却经不起业务推敲。于是，常见的结论是：数据质量还不够好、治理还不够完善。更多规则、更多文档、更多流程随之而来，但效果却并没有明显改善。

问题真的出在“治理不够”吗？
或许恰恰相反——问题出在我们还在用一套“为人设计的数据治理方式”，去服务一个“以模型为核心的 AI 系统”。

从数据治理到数据准备

传统数据治理，是“先管住数据，再谈使用数据”的治理范式。而进入 AI 时代后，数据治理不再是“把数据整理好给人用”，而是“把数据持续转化为模型可以直接理解、调用、推理的上下文能力”，我们称之为“数据准备”。它不是传统数据治理的升级版，而是一种面向模型的全新数据生产方式。从传统数据治理到 AI 数据准备，其实就是“数据的第一消费者”发生了变化，下面我们深入解析一下。

传统数据治理：数据是给人用的

在很长一段时间里，企业谈“数据治理”，其实背景非常明确——数据是给人用的。

业务看报表，管理层做决策，分析师拉数、算指标。只要数据口径不统一、质量不稳定，讨论就会迅速失焦，甚至直接影响经营判断。传统数据治理，正是在这样的场景下逐步建立起来的。

它要解决的核心问题并不复杂：

• 同一个指标能不能算得一致？

• 同一份数据可不可信？

• 出了问题，谁来负责？

围绕这些问题，企业逐渐形成了一套成熟的方法：定义数据标准、统一指标口径、建设主数据和元数据系统、配置质量规则、加强权限与合规控制。治理的目标很明确——让数据可控、可查、可审计。

在 BI 和数据仓库时代，这套体系是有效的。业务使用方式相对稳定，数据形态以结构化表为主，只要规则清晰、流程到位，大多数问题都能被提前消化在治理阶段。

但需要注意的是，这套体系背后隐含着一个重要前提：数据最终是被人阅读、理解和解释的。指标定义写给人看，口径评审给人讨论，数据目录也是给人查的。只要“人能理解”，数据治理的目标就算达成了。

这个前提，在很长时间里没有问题。直到 AI 开始成为数据的主要使用者。

AI 数据准备：大模型成为“第一消费者”

当大模型进入企业系统后，数据的使用方式发生了一个不易察觉、却非常关键的变化：数据第一次不再主要是给人用的，而是给模型用的，这也是为什么需要数据准备。

在传统场景里，数据的价值通过“人”来实现。人会阅读报表、理解指标含义、结合业务背景做判断。即使数据存在一些模糊之处，也可以通过经验和上下文自行补全。但模型没有这种能力，它既不会翻数据口径文档，也不会参与指标评审会议。

模型使用数据的方式非常直接：在某个任务中，是否能被检索到，是否语义清晰，是否能与其他信息组合推理。一旦上下文选择出现偏差，后续推理就会整体失效，而且这种失效往往很难通过传统的数据质量规则提前发现。

在这个视角下，传统数据治理的几个核心能力开始显得力不从心。统一的指标口径，并不能保证模型理解了业务语义；完善的数据目录，也不等于模型可以高效检索到合适的上下文；严格的质量规则，更无法判断一段信息是否“足以支撑一次推理”。

当数据的第一消费者发生变化，问题的本质也随之改变。AI 关心的，不再是“这张表是否合规”，而是“在这个问题下，我是否拿到了正确且足够的信息”。继续沿用以人为中心的数据治理思路，去支撑以模型为中心的 AI 系统，错位几乎是必然的。

传统数据治理 vs Data-centric AI 数据准备

到这里，我们已经看到两种数据工作的思路：一种是为人服务，一种是为模型服务。把它们放在一起对比，就更容易理解差异所在。

首先，第一消费者不同。传统数据治理的目标是人：管理者、分析师、业务人员。AI 数据准备的目标是模型：RAG 检索、Agent 推理、LLM 调用。消费者变了，工作重心自然也变了。

其次，关注点不同。传统治理关注“对不对、统一口径、谁负责”，强调可控、可查、可审计。而 AI 数据准备关注“能不能被找到、能不能被理解、能不能组合推理”，强调可用、可检索、可推理。

再者，数据形态不同。传统数据治理以结构化表为主，指标、字段、口径是核心；AI 数据准备以表示为核心，向量、语义片段、跨模态统一表示成为新单位。表格只是原料，模型能理解的表示才是产出。

变化节奏和流水线也不同。传统治理多依赖周期性流程（季度、月度），问题由人工发现和修复。AI 数据准备是持续运行的流水线，数据变化 → 表示更新 → 检索更新 → 转为 AI-ready 数据 → 模型消费，任何环节都可能触发迭代。

维度	传统数据治理	AI-ready 数据准备
第一消费者	人	模型 / Agent
核心目标	统一口径、保证质量、控制风险	可检索、可理解、可组合推理
数据形态	表格、字段、指标	向量、语义片段、跨模态表示
关注点	对不对、可审计	能不能用、能不能被组合
流程节奏	周期性、人工驱动	持续、自动化流水线
成功指标	数据一致性、合规性	模型效果、检索命中率、推理准确性

一句话总结：

传统数据治理关注“数据是否被管好”，
Data-centric AI 数据准备关注“数据是否能让模型变聪明”。

在这样的背景下，一个新的问题开始浮现：如果不再从“治理”的角度出发，而是从“模型如何使用数据”出发，数据工作应该被重新组织成什么样？

这，正是以 Data-centric AI 为理念打造的 DataFlow 数据准备系统要回答的核心问题。

Data-centric AI 的数据准备：为模型而生

AI 时代，数据不再是给人看的报表或表格，而是模型进行推理和决策的原料。这意味着，数据工作的目标从“治理数据”转向了“为模型准备数据”，核心关注点也完全不同。

模型训练需要怎样的数据

在传统数据治理语境里，“高质量数据”通常意味着：字段齐全、口径统一、格式规范、没有脏值。但在 AI 时代，这样的数据依然可能是“低质量”的。原因很简单：它并不一定能被模型真正使用。当数据的使用者从「人」变成「模型」，高质量数据的标准，发生了根本变化。主要包含以下方面：

• 可供模型直接处理：数据需经过规范的清洗、标注与格式化处理，形成标准统一的结构，这是模型能够顺利处理的基础。比如将大量格式各异的发票，通过OCR和解析，统一抽取并结构化存储为“发票号、日期、金额、卖方”等固定字段，是训练自动化报销模型的基础。

• 可保证输出准确：数据必须准确、真实、一致，减少错误和噪声，比如去除掉 PDF 文档中没有太大意义的页眉页脚、页码等等，这是模型产出可靠结果的重要前提。

• 可适配具体场景：数据应具备强烈的场景适配性，与行业Know-how深度融合，满足垂直领域的专业术语、流程逻辑和合规要求。比如在智能客服场景，利用历史对话日志，通过自动聚类和意图识别技术，快速归纳出高频问题与标准答案对，作为训练数据

• 可闭环迭代：数据质量能通过“模型表现 → 诊断缺陷 → 优化数据管线 → 重新训练”的流程持续改进，形成以模型反馈驱动数据演进的自优化系统。

• 可支持推理泛化：数据的组织应体现逻辑关系或思维链条，助力模型学会推演与分析，而非简单记忆。比如在数学教育领域，生成海量、符合教学大纲的“题目-分步解答-最终答案”数据，为模型提供丰富的推理链学习素材，无需教师手动编写海量题目。

如何产生这样的 AI-ready 数据

理解了模型训练所需高质量数据的特点之后，一个问题自然出现：这些数据，并不是原始就存在的，那它们到底是如何被稳定、规模化地产生出来的？

答案是：它们不是“整理”出来的，而是“被处理、被构建出来的”。这就是 DataFlow 数据准备系统的核心目标。

1. 从“原始数据”开始，而不是理想数据

现实世界中的数据，大多并不“干净”：

• PDF 文档结构混乱

• 爬虫文本重复、噪声多

• 内容不完整、表达不统一

如果只依赖人工规则或一次性清洗，这些数据很难直接变成高质量数据。DataFlow 的出发点不是假设数据是干净的，而是承认：低质量、嘈杂数据，才是常态。

2. 通过“算子”，把数据一步步变好

DataFlow 的核心不是一条固定流程，而是一组可复用、可组合的算子。这些算子可以完成不同类型的工作：

• 修正：纠错、重写、标准化表达

• 扩增：补全信息、生成新样本

• 评估：判断数据是否准确、有价值

• 过滤：剔除噪声、重复或低质量内容

每一个算子都很“原子”，但组合起来，就能逐步把原始数据推向高质量数据。

3. 用流水线，把“一次处理”变成“系统能力”

高质量数据不是靠一次加工得到的，而是靠可重复、可演化的流程产生的。DataFlow 通过将算子有序连接，构建数据处理流水线：

• 每一步都有明确目标

• 每一步都可以调整或替换

• 整条流程可以被复用到不同场景

这使得数据准备从“临时工程”变成了长期能力。

4. 用 DataFlow-Agent，让数据工程变得更灵活

当数据准备的需求变得多样，或是已有的算子或流水线无法满足需求时，你就可以使用 DataFlow-Agent 用自然语言：

• 构建新的算子

• 从其他数据源采集、清洗更多的数据

• 动态组合已有算子，生成新的流水线

在 Data-centric AI 的视角下，数据准备本身，已经成为一项核心基础设施能力。而 DataFlow 是一个面向模型的、可执行的数据工程体系，是 AI 系统背后的隐形能力。通过系统化的数据处理能力，持续产出可用于训练、检索和推理的高质量数据。

从传统治理到 AI 原生数据准备的演进路径

传统数据治理的目标很清晰：统一口径、保证质量、控制风险，让数据“对人可读、可解释、可审计”。但当 AI 成为数据的主要使用者时，这套逻辑开始失效。模型不会阅读指标定义，也不会理解业务评审结论，它只关心一件事：在需要的时候，能不能拿到正确、足够、可推理的上下文。

这意味着，AI 时代真正缺的，可能并不是“更严格的数据治理”，而是一种全新的问题视角——数据是否被准备成了 AI 可以直接使用的形态。从这一刻起，数据工作的重心，正在从“治理数据”，转向“为 AI 准备数据（AI-ready 数据）”。

既然传统数据治理和 AI 数据准备关注点不同，企业该如何平滑过渡，让数据既安全合规，又能真正支撑 AI 系统呢？关键在于重心迁移，而不是推倒重来。

首先，要保留传统治理中必要的部分。安全、权限、合规、基础质量仍然不可忽视，它们是数据使用的底层保障。没有这些基础，AI 系统的可持续性和风险控制都会受到影响。

其次，重心需要向模型可用性迁移。具体来说，就是让数据能被模型理解和调用，包括：

• 表示化：将文本、表格、图像等转化为向量或语义片段

• 可检索：建立索引和检索策略，保证模型在需要时能快速找到相关信息

• 流水线化：让数据更新、表示更新、索引更新和模型调用形成闭环，持续支持 AI 推理

在这个过程中，新的基础设施发挥了关键作用。AI 数据库、DataFlow 数据准备系统、RAG 检索系统，都不是简单的工具，而是让数据从原始状态变成模型能力的承载体。企业在搭建这套体系时，不仅是在“整理数据”，更是在“构建模型可用的知识底盘”。

最终，数据工作的评价标准也随之改变：不再只看数据是否干净、一致，而是看模型能否高效、准确地利用数据完成任务。换句话说，数据真正变成了 AI 系统的能力，而不是仅仅被治理起来的资产。

一句话来说：

未来的数据竞争，不是谁拥有最多数据，而是谁能最快、最可靠地把数据准备成 AI 可直接使用的能力。

这也意味着，传统数据治理虽然重要，但在 AI 时代，它只是基础；而 Data-centric AI 数据准备，将成为企业 AI 成功的核心底盘。