课程简介
在AI原生时代，企业正面临严峻的“数据悖论”：海量业务数据沉睡于服务器中，难以主动响应业务需求；而传统数据治理长期受困于“启动难、周期长、高度依赖人工经验”的痛点。随着大模型与Agent技术的成熟，数据治理正迎来从“人治”向“机治”的范式跃迁。本课程立足于这一前沿趋势，系统拆解“数据治理智能体（Governance Agent）”的核心架构与实战应用。
课程摒弃空洞的理论说教，采用“技术-工程-业务”深度耦合的实战教学模式。内容涵盖从底层架构设计、多智能体（Multi-Agent）协同编排，到元数据补全、数据标准落标、质量智能体检及全链路血缘追踪的自动化实操。通过真实行业案例与沉浸式演练，带领学员掌握利用AI Agent将重复性、知识密集型治理工作自动化，构建“AI主导+人工审核”的新型数据治理体系，真正实现数据资产向业务智能的转化。
目标收益
认知升级与架构掌握：深刻理解数据治理智能体的“感知-推理-执行-学习”闭环机制，掌握“交互层-调度层-能力层-数据层”四层架构设计，学会将传统规则引擎升级为动态AI驱动的工作流。
全链路自动化实操能力：熟练掌握AI Agent在数据治理核心场景的落地应用。能够利用Agent实现元数据智能补全、数据标准自动构建与落标、数据质量智能体检（自动生成规则与异常诊断）以及跨部门数据血缘追踪与合规审计，大幅缩短治理周期。
多智能体协同与工程化部署：掌握多Agent协同编排技术，解决跨领域复杂治理问题；学会运用低代码/原生开发框架搭建企业级AI应用，并掌握Agent的权限管控、操作审计、安全合规及可观测性设计，确保生产环境的安全可靠。
业务赋能与ROI转化：建立“业务-技术”融合思维，能够将模糊的业务痛点转化为Agent可执行的子任务链条。通过实战验证，掌握如何让数据从“被动查询”走向“主动预警与决策支持”，实现治理效率数倍提升及可量化的业务价值回报。
培训对象
数据开发与治理团队：数据工程师、ETL 开发工程师、数据治理专员、数据仓库架构师。
AI 与算法团队：AI 训练师、算法工程师、大模型应用开发者。
数据产品与管理团队：数据产品经理、数据项目经理、企业 CDO/CIO 及数字化转型负责人。
课程大纲
| Day1 传统数据治理面临的问题 |
传统数据治理落地遇到的问题及阻碍 战略认知与组织协同困境 数据质量和核查落地难题 人工依赖与效率瓶颈 标准落地难与协同断裂 数仓架构和开发规范靠人员自觉落地 传统指标治理存在的问题 指标标准不规范、口径歧义等排查追溯困难复杂 |
| Day1 Agent和Skill介绍 |
智能体(Agent)的核心组成 Skill核心结构 Skills 工作过程 Skill 的标准目录结构 Skill 数据清洗与分析案例 Agent一个典型的工作流程（数据治理） 1）用户让Agent完成一个任务 2）Agent拆解步骤，分析需要调用哪些Skill 3）通过MCP调用对应的Skill 4）大模型处理核心推理 5）如涉及查询最新信息，进行RAG检索 6）Harness负责全程监控、纠错、状态管理 7）返回结果。 |
| Day1 Agent数据标准和数据质量治理案例实战 |
数据标准智能拟制与动态落标 — 标准自动化生成： — 语义匹配与智能落标 — 治理左移与主动拦截 数据质量动态体检与异常自愈 — 动态规则生成 — 实时稽核与根因诊断 — 自动清洗与闭环验证 Agent数据标准和数据质量治理案例实战 — 数据标准知识库建设 — 数据标准治理Skill编写 — 数据质量治理Skill编写 |
| Day1 Agent元数据治理和MCP实现 |
MCP 协议介绍 核心架构：Host / Client / Server MCP 通信流程详解 两种 MCP 服务器类型 MCP安全控制介绍 — MCP 的威胁模型（Threat Model） — 基于能力的安全模型 — 执行隔离安全控制 — 认证与授权机制 — 计与不可否认性 — 两种 MCP 服务器类型 — 工具过滤：只暴露你需要的 — 信任边界（Trust Boundaries） 元数据MCP案例分享 |
| Day1 Agent数据安全治理实战 |
智能数据分类与分级 Agent自适应的细粒度权限控制 动态隐私脱敏 合规性自动审查 |
| Day2 Agent数据模型治理实战（已上线） |
数据模型治理目标与北极星指标 — 覆盖率指标定义 — 复用率指标定义 — 规范性指标定义 AI 数据治理架构总览—四层整体架构 — 模型评价北极星指标 — AI 治理 Agent 能力层 — 治理动线 — 平台工具底座 北极星指标—Skill目标拆解 五大治理Agent介绍 - ODS 穿透治理 — 低复用治理 — 公共逻辑下沉 — 模型改造 — 元数据治理 实践案例—数据模型端到端自动化治理动线 |
| Day2 智能体Agent指标治理建设实战案例（已上线） |
Agent指标治理一天的工作安排（案例分享） 传统指标治理方法论 Why-为什么需要指标治理Agent 从”人跑流程”到”Agent跑流程” 指标治理Agent的整体架构 Agent指标治理建三大核心支柱 — 知识库 (Agent的记忆) — Agent建设 (Agent的手脚) — 持续学习 (Agent的成长) 知识库（RAG）全景 — 治理规范知识 — 指标元数据 — 血缘图谱（指标间的”关系网络"） — 历史治理案例 — 知识库灌入实战 Agent建设实战 1）Agent架构设计 2）MCP工具链设计 3）核心Skill—指标智能诊断 4）核心Skill—指标语义查重 5）核心Skill—指标口径对齐与合并 6）核心Skill—指标新建指标门卫 7）核心Skill—指标僵尸清理自动化 8）工作流编排:多Skill协同 学习源建设 1）人工审批反馈 2）治理案例沉淀 3）规则迭代 成本与ROI 总结与教训 |
|
Day1 传统数据治理面临的问题 传统数据治理落地遇到的问题及阻碍 战略认知与组织协同困境 数据质量和核查落地难题 人工依赖与效率瓶颈 标准落地难与协同断裂 数仓架构和开发规范靠人员自觉落地 传统指标治理存在的问题 指标标准不规范、口径歧义等排查追溯困难复杂 |
|
Day1 Agent和Skill介绍 智能体(Agent)的核心组成 Skill核心结构 Skills 工作过程 Skill 的标准目录结构 Skill 数据清洗与分析案例 Agent一个典型的工作流程（数据治理） 1）用户让Agent完成一个任务 2）Agent拆解步骤，分析需要调用哪些Skill 3）通过MCP调用对应的Skill 4）大模型处理核心推理 5）如涉及查询最新信息，进行RAG检索 6）Harness负责全程监控、纠错、状态管理 7）返回结果。 |
|
Day1 Agent数据标准和数据质量治理案例实战 数据标准智能拟制与动态落标 — 标准自动化生成： — 语义匹配与智能落标 — 治理左移与主动拦截 数据质量动态体检与异常自愈 — 动态规则生成 — 实时稽核与根因诊断 — 自动清洗与闭环验证 Agent数据标准和数据质量治理案例实战 — 数据标准知识库建设 — 数据标准治理Skill编写 — 数据质量治理Skill编写 |
|
Day1 Agent元数据治理和MCP实现 MCP 协议介绍 核心架构：Host / Client / Server MCP 通信流程详解 两种 MCP 服务器类型 MCP安全控制介绍 — MCP 的威胁模型（Threat Model） — 基于能力的安全模型 — 执行隔离安全控制 — 认证与授权机制 — 计与不可否认性 — 两种 MCP 服务器类型 — 工具过滤：只暴露你需要的 — 信任边界（Trust Boundaries） 元数据MCP案例分享 |
|
Day1 Agent数据安全治理实战 智能数据分类与分级 Agent自适应的细粒度权限控制 动态隐私脱敏 合规性自动审查 |
|
Day2 Agent数据模型治理实战（已上线） 数据模型治理目标与北极星指标 — 覆盖率指标定义 — 复用率指标定义 — 规范性指标定义 AI 数据治理架构总览—四层整体架构 — 模型评价北极星指标 — AI 治理 Agent 能力层 — 治理动线 — 平台工具底座 北极星指标—Skill目标拆解 五大治理Agent介绍 - ODS 穿透治理 — 低复用治理 — 公共逻辑下沉 — 模型改造 — 元数据治理 实践案例—数据模型端到端自动化治理动线 |
|
Day2 智能体Agent指标治理建设实战案例（已上线） Agent指标治理一天的工作安排（案例分享） 传统指标治理方法论 Why-为什么需要指标治理Agent 从”人跑流程”到”Agent跑流程” 指标治理Agent的整体架构 Agent指标治理建三大核心支柱 — 知识库 (Agent的记忆) — Agent建设 (Agent的手脚) — 持续学习 (Agent的成长) 知识库（RAG）全景 — 治理规范知识 — 指标元数据 — 血缘图谱（指标间的”关系网络"） — 历史治理案例 — 知识库灌入实战 Agent建设实战 1）Agent架构设计 2）MCP工具链设计 3）核心Skill—指标智能诊断 4）核心Skill—指标语义查重 5）核心Skill—指标口径对齐与合并 6）核心Skill—指标新建指标门卫 7）核心Skill—指标僵尸清理自动化 8）工作流编排:多Skill协同 学习源建设 1）人工审批反馈 2）治理案例沉淀 3）规则迭代 成本与ROI 总结与教训 |
近期公开课推荐
