AgentPi-DSH-Data_Semantic Layer-Ontology-action

新基建和新动能

怎样把企业的数据交给 AI 使用
01. Agent、Semantic Layer、Ontology，action
001.AI参与决策、调用系统甚至采取行动，Agent 成为 User
不确定性和确定性 调用一个经过验证的确定性能力 量子安全
Probabilistic Brain + Deterministic Execution
002.数据治理会从事后治理，逐渐变成事前治理和事中治理
准确性、权限和失控
数据领域很多任务天然要求 不能出错
企业过去真正解决准确性的方式，也不是幻想所有人永不出错，而是建立审核、审计、流程和风险控制机制。
企业数据进行分级，不要把“企业数据”看成一个不可分割的整体。
识别风险、建立权限、控制 Scope、审计 Agent 的行为，而不是简单说“因为有风险，所以不用 AI”。
安全是一个动态平衡，风险、成本和竞争力之间做工程化选择
003.PC Software、Mobile First、Cloud Native， Agent Native
02.企业的数据 --未来 Data 的边界会被彻底扩大
生产线上采集出来的数据，而且源头的数据质量极其重要
企业里各种对象以及它们之间的关系
企业长期积累下来的流程、方法和 Skills
03.
Snowflake 今天在强调 Semantic Layer，
Databricks 在讲自己的 Ontology 体系
系统设计的这种循环性也意味着，随着物理学的发展和新设计的出现，
人们最初往往会觉得“这些我们早在 70 年代就做过了”，
但随后会更加深刻地意识到，我们只是以全新的视角和自上次以来积累的经验教训重新审视旧理念。

方法论

Agent 是为了帮助企业解决问题而存在
先找企业现在最头疼的一个业务问题。
围绕这个具体问题，再去检查数据采集是不是完整、数据质量够不够、本体有没有、分析流程有没有沉淀成 Skill、权限如何控制、安全边界怎么设置。
试图把它和我已有的知识联系起来
我的思维模式也从“服务器是需要精心保护的宝贵资源”变成了“一切都随时可能崩溃
每项服务都包含数据平面和控制平面。
数据平面是核心功能的集合，包括原始计算能力、硬件和网络。
控制平面则是这些功能与客户之间的桥梁
工具会变，但基本原理不变。创造力、好奇心和系统思维一直是定义这一职业的关键要素。

当前阶段

背后其实藏着同一个核心问题——LLM 的上下文窗口是固定的，但 coding-agent 的对话会无限增长

Pi agent

视角一：作为编码 Agent —— 一个好用的日常工具
作为学习素材 —— Agent 设计的教科书
作为 SDK —— 构建你自己的 Agent
Pi 的扩展是事件总线 + TS 模块，本质是"往上加"
pi agent的原子 Message、Model、Tool——就是整个 Pi 系统的原子
AgentMessage 是 Message 的超集 Message 是只有三种标准消息（User/Assistant/ToolResult）
Agent （循环、状态、事件、压缩）
Trace、Turn
Loop 循环是 Pi 的基石 调用链
ReAct 循环模式 prompts context config steering 消息注入 terminate 机制
AgentTool 继承了 Tool
Pi 分三层：pi-ai（管模型）→ pi-agent-core（管循环）→ pi-coding-agent（管业务）
依赖方向 “依赖漏斗”分层法
pi-ai 怎么调用已有模型，和怎么接入一个新模型？
没有设计 BaseProvider 抽象类让所有翻译器继承，而是定义了一套事件协议（12 种事件）和一个函数签名
agent-loop
内核上叠加了 steering（紧急插队）、followUp（任务追加）、prepareNextTurn（动态切模型）、shouldStopAfterTurn（安全阀）
coding :工具到底是怎么定义的？怎么把工具的信息告诉模型？beforeToolCall——前置钩子 afterToolCall——后置钩子
并行 vs 串行？
管道来解决这些问题：参数预处理 → Schema 验证 → 权限拦截 → 工具执行 → 结果后处理
消息-事件
监听机制——session.subscribe（只读观察，Agent 不等你）和扩展系统的 pi.on（能拦截、能改写，Agent 会等你）

DSH ： plugin Profile 与组合包 (Bundle)

Event ：
SessionEvent 仅追加（Append-Only）的事件日志（Event Log）
plugin：
LLM seam Model 在 DeepSeek Harness 中同样是一个可替换的插件
插件组合
Core Packages -
agent loop插件：Transaction 轮次（Turn） 和 步骤（Step）
基于事件溯源，历史消息从 SessionEvent 日志中实时派生(Derived)
过 LLM seam (LLM 接缝) 调用
工具注册表 (Tool Registry) 分发和执行

关键思考点

要定义自己的垂直智能体，你得搞定两件事，*****
回过头看，这个例子里你到底写了什么？就三件事，****
pi-agent 的事件机制，用一句话概括
按学习路径组织

DuckDB

DuckDB 这样的数据库如何开启一种全新的数据构建方式
关注单核效率，结构化数据领域的 glibc

参考

https://www.allthingsdistributed.com/
https://dg-ai-notes.pages.dev/
https://github.com/earendil-works/pi/tree/main/packages
https://pi.dev/