摘要：面向数据智能体的学习型企业数据理解：压缩与路由
摘要：企业环境中的结构化数据智能体必须对复杂的数据环境进行推理，其相关证据分布在模式、关系、策略和反复出现的业务角色之中。现代智能体系统通常通过可复用的 markdown 风格记忆或技能文件来应对这一负担，这些文件保存了先前发现的信息以供后续查询使用，从而减少了反复重新发现相同结构的需求。这很有用，但它掩盖了一种自然的劳动分工：智能体擅长语义推理，而学习型系统擅长预测和组织反复出现的结构。我们引入潜在等价学习来弥合这一差距。该框架将持久性的任务相关身份与其相对于数据集的实现方式分离开来。在我们的实现中，支持性和反对性证据塑造了支持实现的 Gaussian 原型，这些原型学习这些身份在特定数据环境中如何表达，而软隶属度剖面保留了硬分配下丢失的区分。一个独立的学习型查询-原型系统表示反复出现的证据需求，并通过学习到的兼容性函数将它们映射到相同的持久身份结构中。这种身份因子化、查询条件化的路由为下游推理物化了相关的数据集特定证据，使智能体能够在已经组织好的证据状态上运行，而不是在每次查询时重建跨模式结构。在 Data Agent Benchmark 上，涵盖 12 个异构数据集中的 54 个查询，我们的完整实现在五次完整试验中达到了 94.67% 的数据集宏分层 Pass@1 以及 258/270 次成功的原始查询尝试，而该基准的 Claude Opus 4.6 参考智能体为 55.51%，在提交时于 40 个排行榜条目中排名第一。