为什么 Agentic Data Agent 必须把数据库和高准确率知识库绑定起来

很多数据产品已经进入 Agentic 阶段。

它们开始具备 Agentic 能力：能自主拆解问题、选择工具、检查 schema、执行聚合，并把结果组织成报告。

这当然比传统数据工具前进了一大步，但仍然不够。

Agentic 能力解决的是“分析动作如何被组织”。真正的业务分析还需要回答另一个问题：

Agent 是否理解这些数据在业务里到底意味着什么？

真实业务数据从来不只是表和字段。每一个数据库背后都有一层沉默的业务知识：事件到底代表什么，埋点 key 是怎么组织的，哪个下载渠道更重要，一个状态是成功还是中间态，哪些字段能用于公开分析，哪些字段绝对不能碰。

没有这些知识，即使是 Agentic Agent，也可以查数、跑流程、写报告，却仍然不能真正理解业务。

这正是 InfiniSynapse 首创“数据库 + 知识库绑定”的原因：

把数据库和知识库绑定起来，并且让知识库成为 Agent 分析过程中的一个工具调用。

这不是把 RAG 放在旁边当资料夹，也不是简单把文档塞进上下文。InfiniSynapse 让 Agent 在分析数据时，可以随时询问绑定的知识库，获得必要的业务知识，再用 SQL 去验证可计算的事实。

换句话说：

数据库告诉 Agent 发生了什么，知识库告诉 Agent 这件事在业务上意味着什么。

问题：数据库有事实，但没有业务含义

这个案例使用的是 winclaw_cn 数据源，本质上是一套 PostgreSQL（PG）数据库。它记录了 WinClaw 中国站的官网埋点和桌面 Agent 工作量信号。WinClaw 是一个隐私优先的桌面 AI 助手，用户可以通过它调用本地工具、浏览器自动化、Office 自动化、开发者工具、计划任务和多模型能力。

其中一个关键表是 metrics_events，包含这些字段：

• created_at
• type
• metric_key

只看数据库，Agent 可以安全地按 type 和 metric_key 做聚合。它能看到：

• PAGEVIEW
• DOWNLOAD
• pageview:/
• download:external:gitcode_windows_x64
• download:tool:windows:x64:agent_excel
• download:tool:windows:x64:agent_infini

但它能不能可靠解释这些 key 在产品里到底是什么意思？

不能完全做到。

第一轮 baseline 里，我们明确要求 InfiniSynapse：

只使用已选择的 winclaw_cn 数据库。不要使用任何知识库、历史记忆或外部网站。

Agent 的回答非常克制，也很负责任。

它能确认数据库可以安全测量：

• 页面访问活动；
• 下载相关活动；
• 电脑任务生命周期状态。

但它也明确指出：

仅凭数据库元数据，无法可靠推断许多 key 片段和 slug 的精确产品含义 / 业务含义。

这正是没有知识库时的短板。

数据库能告诉 Agent：

• PAGEVIEW 出现了多少次；
• DOWNLOAD 出现了多少次；
• computer_tasks.status 有哪些状态；
• 哪些 metric_key 出现频率更高。

但数据库本身不能可靠告诉 Agent：

• download:external:gitcode_windows_x64 应该如何命名；
• agent_excel、agent_word、agent_ppt 属于什么业务需求簇；
• DOWNLOAD 是下载完成、下载开始，还是下载意图；
• pageview:/ 是否就是首页访问；
• 哪些工具包代表 Office 自动化、浏览器自动化、开发者工作流、消息自动化或 InfiniSynapse 集成。

这不是 Agent 不够聪明，而是业务上下文缺失。

一个严肃的 Data Agent 不应该看到字段名就胡乱解释。它应该知道什么时候需要询问业务知识。

InfiniSynapse 的突破：数据库和知识库绑定

InfiniSynapse 解决这个问题的方式，是把知识库直接绑定到数据库。

在这个案例里，我们创建了一个知识库：

winclaw_cn_telemetry_knowledge

这是一份面向 winclaw_cn 的公开安全数据字典，解释了：

• WinClaw 是什么产品；
• PAGEVIEW 代表什么；
• DOWNLOAD 代表什么；
• 为什么 DOWNLOAD 应该解释为“下载意图”，而不是“确认安装”；
• metric_key 的命名规则；
• 工具包 key 如何翻译成人能理解的业务标签；
• computer_tasks.status 如何解释；
• 公开案例应该使用什么漏斗口径。

然后，我们把这个知识库绑定到 winclaw_cn 数据源。

这一步的意义非常大：

winclaw_cn 不再只是一个数据库连接，而是带着自己的业务语义层进入 Agent 的分析上下文。

这才是数据库真正对 Agent 友好的形态。

为什么这需要第四代知识库

数据库和知识库绑定，听起来简单，但要真正进入 Agent 的分析链路，前提是知识库实现必须足够准确。

这就是 InfiniSynapse 第四代知识库的价值。

早期知识库更多是被动的：

• 存文档；
• 做检索；
• 找几个片段塞进上下文；
• 期待模型自己理解。

这种方式不足以支撑严肃的数据分析，更不足以支撑 Agentic Agent 在分析过程中主动调用。

InfiniSynapse 的第四代知识库不是被动资料库，而是高准确率的 Agent 工具。Agent 可以在合适的分析阶段，用合适的问题去调用知识库，获得当前分析所需的业务定义和口径说明。

因为第四代知识库的准确率非常高，它才能支撑这个能力，而不会误导 Agent。它不是把大量模糊文本倒进上下文，而是返回精准、可用、可分离的业务知识。

这背后的差异是：

“这里有一些可能相关的文本。”

和：

“这是 Agent 在解释这个指标前必须知道的业务定义。”

后者才是可信业务分析的基础。

知识库成为 Agent 的工具调用

绑定知识库之后，我们用同一类问题再次询问 InfiniSynapse。这次 prompt 明确要求：

在运行 SQL 之前，先查询已绑定的知识库。

输入区里可以看到，除了选中 winclaw_cn 数据库，还出现了绑定的本地 RAG：

更关键的是执行链发生了变化。

增强版任务的第一阶段变成：

先查询绑定知识库，理解 metric_key 和任务状态的含义
RAG Research（知识库检索）

展开执行过程，可以看到 Agent 不是一次性把文档塞进上下文，而是在分析链路里连续发起了几次有目标的 RAG 查询。第一步，它先询问 metrics_events.metric_key 的公开安全业务含义，拿到 PAGEVIEW、DOWNLOAD 和各类下载 key 的解释。

随后，它继续询问 computer_tasks.status 的生命周期含义，把 PENDING、CLAIMED、COMPLETED、FAILED 解释成任务创建、认领、完成和失败等业务阶段。

最后，它再询问公开漏斗和需求簇应该如何组织，拿到“官网兴趣 → 下载意图 → Agent 任务创建 → Agent 任务完成”这套公开安全漏斗口径。

然后才进入 schema 确认和 SQL 聚合。

这说明知识库绑定不是静态配置，不是页面上多显示一个标签，而是真的改变了 Agent 的执行计划：

Agent 先询问知识库理解业务含义，再查询数据库验证事实。

这正是 Data Agent 需要的能力。

结果：从字段查数，升级为业务解释

第二轮回答明显更强。

它非常清楚地区分了两层内容：

• 可计算事实：来自数据库聚合 SQL；
• 知识库解释：来自 winclaw_cn_telemetry_knowledge。

数据库事实包括：

知识库解释把这些字段翻译成业务语言：

这就是质变。

绑定前，Agent 只能说 download:tool:windows:x64:agent_excel 出现了多少次。

绑定后，Agent 能解释它属于 Office 工作流自动化需求。

这一刻，Data Agent 就不再只是一个会自主检索数据和汇总结果的 Agent，而开始像一个懂业务口径的数据分析师。

它能看到需求簇，而不只是 key

有了数据库事实和知识库解释之后，Agent 可以进一步归纳出需求簇：

• 核心平台包需求；
• 消息自动化；
• 浏览器自动化；
• Office / 文档工作流自动化；
• 计划任务 / 定时自动化；
• InfiniSynapse 集成；
• 聊天 / 协作相关工具；
• 实用工具 / 本地工作流自动化。

最终报告把业务故事讲得很清楚：

公开安全漏斗变成：

官网兴趣 -> 下载意图 -> Agent 任务创建 -> Agent 任务完成

而业务解读变成：

• 当前兴趣主要由首页访问贡献；
• 试用 / 安装包兴趣主要由 Windows x64 外部分发渠道下载意图贡献；
• 任务层最近 30 天有 232 个已创建任务，其中 212 个已完成；
• 已创建任务中的完成占比为 91.38%；
• 可见需求簇包括核心平台包需求、消息自动化、浏览器自动化、Office / 文档工作流自动化、计划任务 / 定时自动化和 InfiniSynapse 集成。

这已经不是一段查询结果，而是一份可以对业务方解释的数据分析。

这件事为什么重要

Agentic Data Agent 已经能自主拆解问题、选择工具、查询数据并生成报告。

但这还不是终点。

真正的产品问题更深：

• Agent 能不能知道哪些事实可以被安全计算？
• Agent 能不能理解指标在业务里是什么意思？
• Agent 能不能避开行级敏感数据？
• Agent 能不能区分数据库事实和业务解释？
• Agent 调用知识库时，知识库能不能给出足够准确、足够稳定的业务定义？
• Agent 能不能在合适的时候主动询问知识库？

InfiniSynapse 的“数据库 + 知识库绑定”正是在解决这个问题。

它给每个数据库配上一个语义伴侣。Agent 可以问数据库拿事实，也可以问绑定知识库拿业务含义。

这让数据库从原始数据源，变成 Agent 可以真正使用的业务系统。

结论

InfiniSynapse 首创数据库和知识库绑定，让知识库作为 Agent 里的工具调用参与数据分析。

借助第四代高准确率知识库，Agent 在分析数据时可以随时询问必要的业务知识，而不是仅凭表名和字段名猜测，也不会被模糊召回误导。

这就是关键转变：

数据库让事实可计算，知识库让事实可理解。InfiniSynapse 把两者绑定在一起，让 Agent 产出可信的业务分析。