Xebia CTO：构建AI Agent的数据基础是关键，数据目录质量决定Agent成败

一句话看懂

Xebia全球CTO强调，企业部署AI Agent必须从数据基础开始，数据目录的质量直接决定Agent能否正确工作，否则再好的Agent也会因数据问题失效。

详细发生了什么

Xebia全球CTO Niels Zeilemaker在TechEx Global North America活动前接受采访，分享了企业构建AI Agent数据基础的关键要点。他指出，Agentic AI的扩展依赖于数据强度，如果数据基础不牢，Agent可能无法找到正确数据、误解数据或错误关联字段。Zeilemaker特别强调数据目录（data cataloguing）的重要性——对人类用户来说，数据目录不完善时可以通过电话或当面询问同事来弥补，但Agent没有这种“后门”，只能依赖目录中的描述，一旦描述错误，Agent就会表现不佳。

Xebia推出了Agentic Data Foundation（ADF）框架，将数据平台扩展为Agent的宿主，支持客户面向场景和内部流程。此外，Xebia ACE（AI-Native Software Engineering）框架将AI嵌入整个软件开发生命周期（SDLC），声称可加速交付高达40%，同时降低70%的遗留系统转型成本。Zeilemaker还提到，vibe coding虽然让每个人都能创建应用，但很少有人敢于将其投入生产，而ACE框架能在利用LLM加速的同时保持质量和治理。

Zeilemaker对Anthropic发布的pull request reviewer表示兴趣，认为未来会有更多类似工具，通过LLM作为高级团队成员进行第三方代码审查，以应对AI生成代码带来的安全漏洞风险。

中文圈视角

对中文圈企业用户而言，Zeilemaker的观点具有直接参考价值。国内许多企业在尝试引入AI Agent时，往往先关注模型能力，而忽略了数据基础。数据目录、数据质量、数据治理这些传统数据工程概念，在Agent时代变得至关重要。国内类似Xebia的咨询公司或云厂商（如阿里云、华为云、百度智能云）也在推广数据中台和AI平台，但Agentic Data Foundation这种将Agent与数据平台深度融合的思路，目前讨论较少。

具体场景上，中文企业的数据碎片化问题可能更严重——多部门、多系统、多格式的数据，加上中文语义复杂性，Agent更容易误解。因此，国内用户应优先投资数据目录和元数据管理，确保Agent能准确理解数据含义。此外，Xebia ACE框架中强调的治理和安全性，对国内金融、政务等强监管行业尤为重要——AI生成代码的合规审查需要类似pull request reviewer的工具，国内已有CodeGeeX等产品，但专门针对Agent生成代码的审查工具尚属空白。

几条值得记住的细节

Agent没有“后门”：数据目录描述错误时，Agent无法像人类一样通过询问同事来纠正。
Xebia ADF框架将数据平台扩展为Agent宿主，支持客户面向和内部流程。
Xebia ACE声称可加速SDLC交付40%，降低遗留转型成本70%。
Zeilemaker认为vibe coding难以生产化，而ACE框架能在加速同时保持质量和治理。
Anthropic的pull request reviewer被视为未来趋势，用于AI生成代码的安全审查。

一句话总结

部署AI Agent前，先检查你的数据目录是否准确——否则Agent再强也会因数据问题而失效。