Miles（@ma_zhenyuan）今天做了一个企业端的 AI 培训，主题是：企业 AI 升级的核心是数据治理。把内容分享给大家。
AI 的盲区
ChatGPT、Claude 这些公网 AI，能写文案、写代码、搜索公开信息。看起来无所不能。但它们碰不到你的核心数据。
你的销售数据在本地数据库，客户信息在内部系统，业务文档在私有服务器。这些企业最值钱的东西，公网 AI 一个都访问不了。
遇到过做电商的客户，想让 AI 分析销售趋势，结果发现 AI 只能分析公开的行业报告，自己的销售数据根本读不到。数据躺在 MySQL 里，AI 看不见。
最需要 AI 帮忙的地方，恰恰是 AI 够不着的地方。
没数据就是拍脑袋
去年有个做 SaaS 的朋友，开会讨论要不要砍掉一个功能。产品经理说用户不喜欢，运营说数据不错，技术说维护成本高。吵了两小时，没结论。
后来把用户行为数据拉出来，发现这个功能的活跃用户只有 3%，但这 3% 贡献了 40% 的付费。数据一出来，决策就清楚了：不能砍，得优化。
没有数据的决策，就是拍脑袋。有数据的决策，才能追溯、能优化。
企业 AI 改造的核心，不是让 AI 写更好的文案，而是让 AI 能访问你的私有数据。 打通数据这一关，AI 才能真正干活。
一句话背后的 5 个决策
你对 AI 说："查 2026 年 3 月，某品牌在某平台的销售数据和客户反馈。"
看起来一句话，AI 背后要做 5 个决策：
第一步：选数据源
销售数据在数据库？客户反馈在 Excel？还是文档里？
见过一个公司，销售数据在 MySQL，客户反馈在钉钉群聊天记录里，产品信息在 Notion 文档。三个地方，三种格式。AI 得先判断去哪找。
第二步：理解条件
"3月"是 3月1日到 3月31日，还是最近 30 天？"某品牌"具体是哪个？"某平台"是天猫还是京东？
自然语言很模糊，AI 得翻译成精确的查询条件。
第三步：挑字段
数据库有几百个字段，你只要品牌、平台、销售额、反馈这几个。
有个客户的 ES 数据库，一条记录 800 多个字段。从里面挑出需要的 5 个，不容易。
第四步：定查询方式
数据库用 SQL，Excel 用 Python，Notion 用 API。不同数据源，不同方法。
第五步：验完整性
数据完整吗？有缺失吗？符合预期吗？
遇到过查出来的销售数据比上个月少了 80%。一查，原因是数据库迁移，部分数据还没同步过来。要是不验证，直接拿去做报告，就出大问题了。
这 5 步，每一步都可能出错。
三类数据，三种方法
知识库：让 AI 读懂文档
知识库用的是 RAG 技术。把文档切片、向量化，AI 就能检索。
向量化就是把文字变成数字。比如"请假流程"这四个字，变成一串数字 [0.23, 0.45, 0.67...]。AI 能理解这串数字，能搜索。
复杂点的知识库，表格和文档混在一起。优化检索方式，AI 才能找到最相关的内容。
场景 1：智能客服
一个做在线教育的公司，每天几千条客服咨询。"怎么退款？""课程有效期多久？""老师资质怎么样？"
他们把历史对话记录、FAQ、标准答案，全扔进知识库。AI 自动回复常见问题。
但关键是：AI 辅助，不是替代。AI 先答常见问题，复杂的转人工。客服能看到 AI 的建议答案，改改就能用，效率提高 60%。
为什么不能全交给 AI？因为大多数人看到智能客服，第一反应就是打"转人工"三个字。
场景 2：员工培训
一个 200 人的公司，新员工入职，HR 要讲一遍公司制度、请假流程、报销规则。每次讲 2 小时，一个月入职 10 个人，HR 要讲 20 小时。
他们把公司制度、流程文档、培训资料、工作手册，全放进知识库。新员工随时问 AI，快速上手。
培训时间从 20 小时降到 5 小时。
MCP：连接数据库
MCP（模型上下文协议）让 AI 能访问数据库。MySQL、PostgreSQL、ES，AI 自动写代码，提取数据。
为什么重要？
遇到过客户的 ES 宽表，一条数据 1200 个字段。销售额、客户 ID、订单时间、支付方式、优惠券、物流信息、售后记录...全在一张表里。
从 1200 个字段里精准定位需要的 10 个，非常难。业务逻辑复杂，字段之间的关系和含义，得理解透。
传统数据库接口是给程序员用的，得写代码查询。程序员写 SQL，跑一遍，看结果，改 SQL，再跑一遍。一个复杂查询，得折腾半天。
MCP 不一样，它是给 AI 用的。后端写硬核代码，处理复杂逻辑。前端用自然语言，AI 自动调 MCP。
用户说"查 3 月销售额前 10 的商品"，AI 自动生成 SQL，调 MCP，返回结果。用户不用懂 SQL，不用懂数据库结构。
这是个范式转变。 以前设计 Excel、数据库，都是给写代码的人用。现在得给 AI 设计接口。
多 Agent 协作
单 Agent 不够用
一个 AI Agent 能力单一，上下文有限，不能并行。
生成"销售经营分析报告"，得整合多个数据源：数据库查销售数据、Excel 读客户反馈、知识库查产品信息、网上搜行业趋势。
单个 Agent 干不了。就像一个人，既要查数据库，又要读 Excel，还要搜网络，忙不过来。
多 Agent 怎么配合
多 Agent 就像一个团队，分工明确：
- 用户提需求："生成 3 月销售经营分析报告"
- 主 Agent 理解意图，拆任务：查销售数据、读客户反馈、查产品信息、搜行业趋势
- 分给 4 个子 Agent，各管一块：A 连 MCP 查数据库、B 写代码读 Excel、C 连知识库查文档、D 网络搜索找报告
- 4 个子 Agent 同时干活，并行处理
- 子 Agent 把数据返回主 Agent
- 主 Agent 交给写作 Agent，生成报告
- 输出完整报告
整个过程 5 分钟。
效果对比
以前做月度经营分析报告，要 2 天：数据分析师从数据库导数据、整理 Excel、做图表；运营写报告、加图表、改格式。
现在用多 Agent，5 分钟：AI 自动查数据、整理、做图表、写报告。人只需要看一遍，改改细节。
效率提升 200 倍。
核心要点
企业数据治理，记住这几点：
- 数据治理是核心：企业 AI 升级，不是让 AI 写更好的文案，而是让 AI 能访问私有数据。文案谁都能写，数据只有你有。
- 自然语言查数据不简单：背后有 5 个决策，每一步都可能出错。
- 知识库解决客服和培训：RAG 技术让 AI 能读懂文档。但要 AI 辅助人工，不是替代。
- MCP 连接复杂数据库：传统接口给程序员用，MCP 给 AI 用。后端硬核代码，前端自然语言。这是范式转变。
- 多 Agent 协作处理复杂任务：单 Agent 能力有限，多 Agent 分工明确、并行处理。效率提升不是 2 倍，是 200 倍。
从公网到私有
企业 AI 改造，就是从公网 AI 到私有 AI。
公网 AI 是通用能力，谁都能用。私有 AI 是企业专属能力，只有你能用。
打通数据，AI 才能真正干活。
这不是技术问题，是系统工程。知识库、MCP、多 Agent，三个缺一不可。
你的 AI 能访问你的销售数据、客户信息、内部文档，它才真正是你的 AI。