北京
演示里的AI代理总是讨人喜欢。它乖巧、听话，把公司所有问题都解决得干干净净，不抱怨、不出错、连个小磕绊都没有。你满心骄傲，觉得成果斐然，准备把这个"宝贝"放出去给翘首以盼的用户使用。
唯一的问题是，这个可爱的AI代理在真实世界里搞得一团糟。它处理不了来源各异的信息，不知道该怎么应对每天都在变、甚至每小时都在变的数据，也可能根本没准备好管理系统权限。不管具体是哪里出了错，结论是一样的：做一个令人信服的演示代理越来越简单，但把它真正部署到生产环境，并不简单。
问题不只是检索
你可能会想，这是不是检索出了问题。其实不止于此。你大概已经在演示里测试过向量搜索或RAG，而且它们可能运行得相当完美。你的代理可以拿到语义上相关的信息，却依然没有正确的上下文。
生产环境中的代理需要业务上下文，才能采取有依据的行动，推动业务向前。比如下面这几种情况：
- 如果同一个客户在多个系统里显示的样子不一样，怎么办？
- 如果检索到的信息是相关的，但已经不是最新的，怎么办？
- 如果你需要知道代理为什么做出某个特定决定，怎么办？
如果你觉得一开始为代理构建正确的业务上下文就很难，那不妨试试在业务不断变化的过程中，让这份上下文始终保持准确。代理还会放大这个问题：它们会反复检索信息、做出决定、采取行动，并把结果用在后续步骤里。过时的信息很容易污染后面的环节。
上下文碎片化带来的连锁反应
如果你的业务逻辑分散在许多不同的来源里，代理就必须为每个任务翻遍多个资源，临时重建上下文。这会带来不一致、延迟增加和成本上升，更不用说团队还要承担更多手工工作。当上下文碎片化地散落在这么多系统里时，你要怎么执行数据治理？
有一种更好的做法：构建一个持久的、统一的业务上下文，而不是让代理为每个任务重新构建一遍。你的架构需要一个代理可以依赖的上下文数据层。当然，这只是让系统为生产做好准备的一个方面。
10月14日，Arango的COO兼首席产品与技术官Ravi Marwaha将在线拆解六个数据要求，帮助你把AI代理从演示阶段推进到生产阶段。他会分享实际案例，说明一个成功的演示只是在受控环境中展示了你的代理，并不能证明它周边的数据架构能在生产环境中可靠地支撑它。
在这场名为"让AI代理从演示走向生产的六个数据要求"的分享中，你将了解到在部署之前，数据基础设施的哪些方面值得仔细审视。Ravi Marwaha会讲解来自金融服务行业和临床研究的真实生产模式，并提供一个评估框架，用来测试你的代理系统是否已经准备好部署。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
