鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

百分点科技发布业内首个数据治理大模型“百思”,开启智理新范式

编程导航
编程导航
2025-11-17 12:30
阅读 255
编程导航
2025-11-17 12:30
阅读 255

【TechWeb】11月17日消息,在“2025第四届数据治理年会”主论坛上,国内数据智能企业百分点科技正式发布百思数据治理大模型(BS-LM)与百思数据治理平台(AI-DG)。

作为业内首个深度聚焦数据治理领域的垂直大模型,此次发布标志着该领域正从以专家经验为核心的传统模式,向大模型驱动的“智能自治”新纪元演进。

百思大模型与AI-DG以“智能决策引擎+高效执行引擎”的双引擎架构,实现了数据治理从顶层设计到数据应用的全链路自动化,为政企打造可信、可用、可运营的数据资产定义了新范式。

“未来的AI竞争中,比参数规模更重要的是场景深度。”百分点科技CEO苏萌表示,“百思大模型的意义,不仅在于技术突破,更在于它把十年沉淀的治理方法论‘产品化’,进而赋能行业和客户完成高质量、高效率、高价值的数据治理。”

百分点科技政企事业部总经理马伟凯

十年深耕,构建治理智能基座

过去十年,百分点科技深度服务16个部委及直属机构、90余个省市级政府、50余家央企及数百家大型企业,在政务、应急、零售、制造等领域积累了近千个数据治理项目的一手经验。这些实践覆盖央国企数据资产管理、政务一体化平台构建、应急指挥体系建设等复杂场景,沉淀出一套完整的、持续进化的治理方法论,为新一代智能治理体系奠定了坚实基础。

正是这些深厚的行业积淀,构成了百思大模型区别于通用大模型的坚实知识基底。百思大模型的训练数据融合了多维度专业内容:不仅系统集成DCMM、DAMA等国际国内权威治理框架,以及国家标准与行业规范等体系化知识,更深度融合了百分点科技在实战项目中积累的数据模型、质量规则、标准化文档等。这种“理论框架与实战经验并重”的知识构建方式,使模型具备对治理逻辑、业务语义与合规要求的深度理解能力,形成“专家级”的行业认知,有效破解了通用大模型在垂直场景中“知识肤浅、幻觉频发”的困境,成为真正适用于政企复杂环境的智能引擎。

智能“决策引擎”:百思大模型以“知识+推理”定义治理智能

作为百分点科技十年深耕的技术结晶,百思大模型成为业内首个深度聚焦数据治理垂直领域的专业大模型。该模型以“知识+推理”为核心,构建了覆盖数据治理全生命周期的智能能力体系,深度融合数据治理专家、业务分析师、架构师等多角色知识,通过多阶段训练与模型融合,形成了集知识理解、智能规划、数据治理资产构建与价值分析于一体的全链路治理智能。

核心能力体系

• 专家级知识赋能

百思大模型具备深度语义解析与多步骤逻辑推理能力,可实时响应复杂治理问题,提供规则解读、标准对照与最佳实践推荐,实现专家知识的系统化传承与普惠化应用。

• 全流程智能规划

基于客户战略目标与数据现状,自动生成涵盖规划设计、流程构建、资源调配的端到端治理方案,通过多行业场景知识库实现个性化匹配与动态优化。

• 治理资产构建与生成

依托强大的结构化生成能力,实现数据模型设计、质量规则配置、资产目录构建等关键工作的自动化,推动治理模式从“项目交付”向“资产运营”转型升级。

• 治理成效精准度量

智能评估数据治理对业务目标的支撑效果,动态追踪关键价值指标,精准回答“治理是否有效”的核心问题,助力企业实现从数据资产沉淀到业务价值提升的跨越。

技术架构创新

百思大模型基于先进开源基座模型开展深度领域适配,创新性提出数据治理“知识原语”理念,将复杂的数据治理知识体系解构为可计算、可组合的语义单元,构建了精准且可扩展的语义理解基础。

通过“通用指令学习→领域增强→能力对齐”的多阶段训练策略,针对不同治理业务域分别构建多个具备深度专业能力的“领域专家模型”。在此基础上,结合模型融合与知识回放等前沿技术,对多领域专家模型进行协同整合与能力升华,在充分吸收专业知识的同时有效抑制语义漂移与知识遗忘,最终形成统一的组织级大模型,全面覆盖领域知识、实施规划与执行技能等核心能力。

经实际验证,该架构在推理效率与资源调度方面实现显著提升,为大规模企业级治理场景提供了稳定可靠的技术支撑。这一技术路径实现了从数据治理知识抽象表达到高可信推理决策的完整智能闭环,为数据治理领域的技术发展树立了全新标杆。

高效“执行引擎”:AI-DG以“对话+协同”实现治理闭环

AI-DG平台作为百思大模型的深度协同伙伴,承担着从“智能决策”到“高效执行”的关键使命。这一以大模型为核心、多智能体协作为载体、AI自主工程化交付为目标的下一代数据治理平台,正在重塑企业数据治理的实施范式。实践表明,平台可帮助客户将数据治理项目交付周期缩短70%以上,运营成本降低50%以上,其突破性成效源于对传统治理模式的系统性重构。

对话式交互,降低治理门槛

平台采用“对话式治理”新模式,用户通过自然语言描述业务需求,系统即可精准理解意图并自动调度多智能体协同工作,完成数据探查、标准制定、模型设计与集成开发的全链路任务。该创新交互将传统数月的设计开发周期压缩至天级,显著提升业务团队参与深度和治理效率。

多智能体协同,重构执行网络

围绕标准、质量、处理、安全等领域构建的专业智能体形成高度协同的执行体系。面对复杂治理任务时,各智能体基于领域知识自动分工、紧密配合,彻底解决传统治理中依赖人工传递导致的流程碎片化问题。这种自动化的任务流水线极大减少人工与重复劳动,从根源上降低人力成本与沟通损耗。

全流程智能开发,“双模式”灵活治理

平台基于AI-Ready架构与智能体协同机制,提供体系化与场景化双模式治理能力。在体系化模式下,支持企业从战略规划入手,完成数据标准制定、模型设计到资产运营的全链路体系建设,确保治理系统化推进;在场景化模式下,用户通过自然语言描述业务痛点,系统即可智能解析并生成定制化实施路径,快速解决特定场景的数据问题。两种模式均依托多智能体协作与AI算法持续优化,在降低技术门槛的同时保障治理精准性与资源效率。

多模态治理,构建统一资产视图

平台融合多模态数据处理能力,通过统一治理体系打破文本、图像、音视频等异构数据壁垒,实现结构化与非结构化数据的标准化管理;依托多模态模型自动提取实体、标签及语义关联,显著提升处理效率与准确性;同时支持跨模态联合分析,深度挖掘数据潜在联系,为业务提供多维度洞察,助力政企构建高质量、可运营的数据资产体系。

安全可信,筑牢智能治理基石

面对政务与央国企对数据安全与自主可控的迫切需求,百思大模型与AI-DG实现全栈信创适配,深度兼容国产化芯片、操作系统及数据库生态,支持灵活的本地化与私有云部署方案。平台严格遵循国家数据安全与合规标准,构建了“数据不出域、模型可审计、过程可追溯”的全链路安全保障体系,在确保数据治理全过程自主可控的同时,有效规避技术绑定风险,为关键领域的数字化转型提供稳定可靠、安全经济的智能化治理基础设施。

在关键场景中的成功进一步印证了这一优势。在广州白云区应急管理建设中,通过对其多源异构预案数据的智能化治理与整合,为高效的预案智能分析提供了坚实基础。在某省应急厅“智能问数”应用构建过程中,智能治理方案帮助客户建立了统一可信的数据资产体系,使跨业务数据获取与决策效率得到显著提升,充分展现了智能治理在实际业务应用中的价值成效。

未来,百分点科技将持续推进数据治理AI Agent体系的建设,目标是实现“规划-执行-评估-优化”的全自动自循环治理机制。同时,公司将积极联合政务、应急、生态环境等关键行业的伙伴,共同构建“行业级数据治理知识共创网络”,推动跨域知识的融合与标准化,让智能治理的能力惠及千行百业。(果青)

原文链接: 百分点科技发布业内首个数据治理大模型“百思”,开启智理新范式
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手