数据治理
企业对数据资产的定义、质量、权限和使用规范进行系统性管理的实践体系，涵盖数据质量、数据安全、元数据管理及合规等核心维度
核心事实
时间轴 (近 90 天)
打破数据孤岛需要建立统一的数据治理框架和集成层，但往往涉及组织壁垒和技术债务，是企业在AI规模化落地时面临的主要障碍之一。
联邦查询并不能替代数据治理：源系统的数据质量参差不齐时，联邦只是把问题从仓库搬到了查询层；'不迁移'解决的是数据流动的成本，而不是数据本身的可靠性。
迁移到 Databricks 时，建议在迁移早期就定义统一的数据治理策略，以避免权限真空或合规缺口。
若缺少细粒度授权机制，智能体在跨团队协作中容易越权读取或误改数据，成为治理上的主要风险点。
从PoC到规模化落地之间通常存在‘死亡之谷’，需要配套的数据治理、流程重构和变更管理。
对于积累大量历史素材的企业，构建法律知识层的难点不在模型本身，而在数据治理，包括文档格式混杂、版本迭代频繁和权限边界复杂。
对于处理敏感政府数据的 Hamlet 来说，如何在隔离分支中遵守数据治理要求可能是一个需要持续投入的方向。
记忆数据涉及访问控制、数据保留周期、审计日志和合规删除等问题，与普通缓存或日志的治理要求不同。
数据治理评估应区分三个层次：采集阶段是否支持按字段过滤或脱敏，存储阶段是否支持采样和加密，以及是否提供数据保留期限与地域选项。
如果平台将含PII的内容原样存了下来，且无法配置过滤规则，那么在生产中它将成为一个持续扩大的数据泄露面。
还有 20 条时间轴事件
全部知识事实 (20)
AI模型性能与数据投喂量正相关，企业为获得更精准的AI输出需不断输入业务细节
90%待验证打破数据孤岛需要建立统一的数据治理框架和集成层，但往往涉及组织壁垒和技术债务，是企业在AI规模化落地时面临的主要障碍之一。
50%待验证联邦查询并不能替代数据治理：源系统的数据质量参差不齐时，联邦只是把问题从仓库搬到了查询层；'不迁移'解决的是数据流动的成本，而不是数据本身的可靠性。
50%待验证迁移到 Databricks 时，建议在迁移早期就定义统一的数据治理策略，以避免权限真空或合规缺口。
50%待验证若缺少细粒度授权机制，智能体在跨团队协作中容易越权读取或误改数据，成为治理上的主要风险点。
50%待验证从PoC到规模化落地之间通常存在‘死亡之谷’，需要配套的数据治理、流程重构和变更管理。
50%待验证对于积累大量历史素材的企业，构建法律知识层的难点不在模型本身，而在数据治理，包括文档格式混杂、版本迭代频繁和权限边界复杂。
50%待验证记忆数据涉及访问控制、数据保留周期、审计日志和合规删除等问题，与普通缓存或日志的治理要求不同。
50%待验证如果平台将含PII的内容原样存了下来，且无法配置过滤规则，那么在生产中它将成为一个持续扩大的数据泄露面。
50%待验证数据治理评估应区分三个层次：采集阶段是否支持按字段过滤或脱敏，存储阶段是否支持采样和加密，以及是否提供数据保留期限与地域选项。
50%待验证隐私问题可能更早迫使决策：错误负载和请求元数据可能包含学生或账户数据，采集应在入库前最小化；没有按用户日志删除界面或批量导出/订阅界面的系统需要一次有意的数据治理审查。
50%待验证智能体的决策质量直接取决于所摄入数据的可信度，若各系统数据定义不统一，智能体整合后可能放大错误判断
50%待验证建议组织在引入智能体营销前先完成一次数据资产盘点，明确哪些数据可被实时调用、哪些存在合规风险、哪些质量不足
50%待验证多源数据融合缺乏数据治理会产生垃圾进垃圾出问题，导致AI模型输出失去可信度
50%待验证文章及社区讨论提出应建立透明的数据治理制度、引入独立的伦理审查、坚守最小必要原则、重建知情同意的实质意义
50%待验证数据治理是一套关于数据的定义、质量、安全与生命周期管理的制度与流程体系，通常包括数据字典维护、主数据管理（MDM）、数据质量评分等实践
50%待验证在AI Agent项目报价前应先做数据审计评估客户数据真实状态，并把数据治理明确列为独立交付项
50%待验证在传统行业部署AI时，前期的数据治理往往比模型选型重要得多
50%待验证AI分析只有建立在受治理的数据之上才能真正发挥作用
50%待验证务实的落地路径是先建立可靠的数据治理体系（统一指标定义、保证数据质量、明确权限管控），再叠加AI分析能力
50%