为什么 AI Agent 拿到数据却不会推理？可观测对象图语义层的设计与开源实践｜AICon深圳

一句话看懂：阿里云技术专家张鑫在 AICon 深圳站提出，AI Agent 在企业可观测场景中推理失败的根本原因不是数据匮乏，而是缺乏结构化的“语义层”。他带来了如何通过构建可观测对象图语义层，让 Agent 能进行多跳推理而非“脑补”关系的具体方法论与开源实践。

事件核心：发生了什么

在即将于 8 月 21 日-22 日举办的 2026 年 AICon 人工智能开发与应用大会·深圳站上，阿里云技术专家、Apache SkyWalking PMC 成员张鑫确认出席“Harness Engineering：模型之外的智能体工程”专题，并发表题为《为什么 AI Agent 拿到数据却不会推理？可观测对象图语义层的设计与开源实践》的分享。张鑫将系统地解释一个关键痛点：当 AI Agent 接入企业系统时，主流做法（如堆 RAG 或把数据直接塞进上下文）在应对分散的指标、日志、拓扑、变更等可观测数据时表现不佳。核心原因是数据缺乏“对象图+关系语义”这一层，导致 Agent 只能看到碎片，无法回答“谁影响了谁”或“故障根因”这类需要多跳推理的问题。

张鑫提出了“先建一层可观测对象图语义层”的技术路线，将实体、关系、拓扑、指标、日志统一为 Agent 可查询的上下文。技术上涵盖统一的 SPL 查询面、通过 MCP 安全暴露对象图，以及专为 Agent 设计的“plan/data”查询范式与紧凑响应信封，旨在将上下文体积压缩数倍，解决 token 爆炸与响应不适配问题。

为什么重要

这一观点挑战了“更多数据、更大模型”的通用解法。目前行业普遍认为 AI Agent 的瓶颈在于数据覆盖度或模型推理能力，但张鑫的分享指出，问题的本质在于数据在被喂给 Agent 前缺少“意义”层面的组织。对于可观测领域，这意味着企业如果继续无脑堆 RAG 或给 Agent 开一堆领域专用 API，将无法有效放大其智能价值。相反，通过开源路线建立统一的语义层，是走向可规模化的智能系统、实现从单点能力提升向系统工程落地转变的关键变量。

对用户/开发者/创作者的影响

对开发者和技术决策者：提供了具体的决策依据与避坑指南。例如，明确指出前期建模（将人脑中的系统知识显式建模）有成本，且语义层会随系统演进 rot（褪化），需要长期维护。同时，plan/data 分离的设计降低了开源侧的耦合性，但会增加下游 executor 的承接负担。这些诚实的 tradeoff 清单能帮助团队评估“该不该建、怎么建”。对 AI Agent 设计者：可迁移“紧凑响应信封”的设计经验（从给人看的 JSON 重做为给 Agent 看的格式），直接降低 token 消耗约数倍，提升工具调用效率。此外，分享中刻意埋设干扰项的故障定位 Demo，展示了结构化 Runbook 引导与 Agent 自由发挥的边界设计，对构建可靠 Agent 有参考价值。

AI 工具推荐

想把多个 AI 模型放在一个入口？

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。

值得关注的后续

1. 开源落地进展：张鑫主导的 UnifiedModel 开源项目是否会在会后发布更易用的 GraphStore Provider 或 Domain Profile 共建入口，降低社区参与的建模成本。2. 与现有可观测栈的整合：该语义层如何与 OpenTelemetry、Prometheus、CMDB 等主流工具形成“补充而非替代”关系，以及在实际部署中的融合方案是否会在企业案例中得到验证。3. 行业心智转变：这一分享是否会推动更多可观测厂商和 Agent 平台采纳“先语义后推理”的设计理念，从单纯拼数据量和模型参数转向拼系统工程组织能力。

来源：InfoQ CN