当大模型趋于同质化，语义层才是企业AI的核心底座

直播推荐

如今我们重新审视企业 AI，焦点已不再是"要不要引入"，而是"为何多数企业仍难以做好"。

过去两年，大量企业走完了从"零接触"到"试点遍地"的初级阶段。然而当 PoC 真正迈向生产、融入流程、嵌入经营时，一系列结构性问题集中爆发：模型能力持续提升，业务效果却难以保持稳定；Demo 愈发惊艳，组织却愈发不安；技术叙事愈发宏大，价值落地却愈发艰难。这些问题的根源并非模型，而是企业是否具备承载 AI 的完整基础架构。

这正是 2026 年全球数据 AI 行业形成的共识：企业 AI 的真正护城河，并非模型本身，而是由数据、语义、上下文、知识与组织共同构建的承载体系。Snowflake Summit 2026 强调"Making AI Real for Business"——模型并非企业的竞争优势，数据与上下文才是；Semantic Layer Summit 2026 的判断更为直白——"LLMs are a commodity. Business context is the moat."；Databricks 与 Gartner 也在同期将"语义层、AI Governance、Agentic Workflow"列为企业级 AI 的核心议题。

DACon 北京站定于 2026 年 10 月 23-24 日举办，作为 2026 年的年末压轴站，期望站在这一产业转折点上，回应一个更本质的问题：当 AI 深入企业，真正被改变的究竟是什么？企业又需要构建怎样的能力，才能让 AI 真正运行于自身的数据之上、贯穿于自身的业务之中？

围绕这一命题，我们观察到企业 AI 正经历四个根本性的转变：

第一个转变，是从"模型驱动"迈向"数据与语义驱动"。当所有企业都能接入相同的模型时，决定企业 AI 成熟度的关键不再是模型，而是企业的数据底座、数据质量与语义体系。数据已从 AI 的燃料升级为 AI 的核心护城河。

第二个转变，是从"接入模型"迈向"承载语义与上下文"。模型能理解语言，并不意味着能理解企业。同一个"营收"、"客户"、"风险"在不同系统中存在不同定义，模型若仅在原始数据表上推理，永远无法产出可信的企业级应用。语义层、本体、知识工程与上下文工程正从"技术细节"升级为"企业 AI 的关键基础设施"。

第三个转变，是从"单一模型选择"迈向"模型能力的组合与编排"。应用企业不会自研基座模型，但几乎每一家都要面对"选用哪些模型、如何组合、如何路由、如何控制成本"的实际挑战。RAG 并未消亡，而是演进为 Agentic RAG；多模态也不再是展示性能力，而是业务基础设施。

第四个转变，是从"单点 AI 应用"迈向"系统化价值兑现"。企业 AI 的核心难题从不是"能否做出一个 Demo"，而是"能否让 AI 融入流程、辅助决策、嵌入组织"。从决策智能 Agent 到 Agentic Workflow，从企业级 AI 治理到金融可信 AI，从客户全旅程到研发范式与组织进化——这些并非孤立的应用场景，而是企业 AI 进入"系统化价值兑现期"的鲜活写照。

这正是本届 DACon 北京站的核心理念：Data-First, AI-Real——回归数据本位，让 AI 真正运行于企业之上、贯穿于业务之中、转化为可衡量的价值。

DACon 不仅是又一场 AI 大会，更不是另一场 Agent 秀场。我们期望这场会议成为产业级的判断现场——让数据与 AI 的从业者共同作答：在企业内部，AI 究竟应如何构建、如何运转、如何创造价值。

扫码报名

专家团

●阅文集团 技术副总经理、AIGC负责人 陈炜于

●阿里云EMR负责人，资深技术专家 李钰

●度小满 首席架构师 李丰

●智谱华章 副总裁 胡云华

●数势科技 CTO 韩秀锋

●ebay 研发总监 单超

●京东零售 平台产品与研发中心 数据库运维团队负责人 涂勇

●美的集团 首席信息安全官兼软件工程院院长 刘向阳

●京东科技 人工智能业务部高级总监 吴友政

●滴滴出行 数据平台产研负责人 王涛

●蚂蚁数科 AI科技事业部总经理 张凯

●一汽-大众汽车有限公司 首席企业架构师 武艳军

●阿里云 AI搜索研发负责人 邢少敏

●菜鸟集团 物流科技事业部副总经理 赵昊宇

●ProtonBase 技术副总裁 胡月军

论坛方向

【AIReady到Agent Ready：Data+AI平台架构升级】

●面向 AI与Agent 的数据平台核心设计与架构选型

●湖仓现代化、Iceberg 与开放表格式实践

●流批一体与湖流一体的最新技术演进

●AI 应用对数据接口、权限、时效性的新要求

●从 BI 数据底座向 AI /Agent数据底座的演进路径

【Data Engineering Agent：数据工程智能化】

●LLM 驱动的元数据自动补全与语义化

●数据质量、血缘、异常的自动识别与归因

●SQL、ETL、调度配置的智能生成与优化

●数据开发测试、异常修复、根因定位自动化

●Pipeline 质量守护与 DataOps 集成

【多模态大模型落地】

●文档、票据、合同、报告的多模态理解

●图像与视频在营销、培训、服务中的应用

●多模态搜索、内容审核、客服、质检实践

●多模态评测体系与 ROI 度量

●多模态能力与 Agent 工作流的结合

●向量与多模态数据基础设施建设

【企业语义层建设】

●语义层为何成为 2026 企业 AI 关键基础设施

●语义层四大支柱：开放、治理、多模型、可组合

●语义层在 BI、AI、Agent 三场景的统一服务

●语义对象的代码化管理：YAML、Git、版本控制

●语义层防止指标漂移与语义漂移的实践

●零售、金融、汽车、电信等行业案例

【本体与企业知识工程】

●企业本体建模方法与知识图谱实践

●知识、规则、流程的形式化表达

●知识工程与大模型、Agent 的结合方式

●金融、制造、政务、医疗复杂场景的本体实践

●从静态本体到动态本体：支持模拟、推演与决策

●国际本体方法论在中国企业的本地化适配

【上下文工程：让 AI 真正懂企业】

●从 RAG 到 Context Engineering 的范式演进

●Schema 强制、结构化系统提示、元数据注入

●长上下文 vs 检索：百万 token 时代如何选择

●短期、长期、向量记忆机制的工程设计

●Agent、RAG、工作流场景中的上下文工程实践

●上下文工程的成本、延迟与可观测性

【企业模型组合：选型、路由、成本与治理】

●多模型组合与任务路由策略

●API、托管式、私有化模型服务的协同方式

●推理加速、量化、KV Cache 与成本优化

●模型治理统一层的设计

●典型场景下的模型 ROI 选择方法

●国内大厂应用团队的多模型实践案例

【Agentic RAG 与 Deep Search：从检索增强到任务完成】

●从 Traditional RAG 到 Agentic RAG 的范式转变

●Deep Search 系统架构：规划、检索、反思、验证、输出

●Agentic RAG 关键组件：Planner、Retriever、Reflector、Verifier

●长上下文与检索：边界与组合

●Graph RAG、多模态 RAG、多跳检索工程实践

●研究助手、投研分析、复杂问答的真实案例

【决策智能 Agent：从数据洞察到经营动作】

●决策智能 Agent 的最新范式

●指标解读、异常归因、趋势分析与经营诊断

●分析型 Agent 与业务语境、规则、知识体系融合

●从洞察到建议：决策支持如何进入经营流程

●零售、金融、运营、增长等场景的实践案例

【Agentic Workflow：数字员工与企业流程重构】

●从 Copilot 到 Agentic Workflow 的演进

●数字员工在客服、审批、运营、协同的实践

●Agent 与工作流、RPA、规则引擎、企业系统集成

●多角色协同、人工兜底与流程治理

●流程自动化的效果评估与规模化推广

【企业级 AI 治理：从应用效果到组织合规】

●AI 应用效果评测：离线、线上、回归三套机制

●评测集、回归集、红队集与用户反馈数据建设

●模型升级、Prompt 调整、知识库变化的回归测试

●Agent 身份、最小授权与审批机制

●工具调用、数据访问、操作留痕与审计追踪

●红队测试、安全评测与越权防护

●金融、政务、医疗等高合规行业实践

【金融可信 AI：从试点验证到生产落地】

●金融 AI 与通用企业 AI 的差异与落地优先级

●智能风控、反欺诈、投研辅助、智能客服实践

●金融知识库、规则引擎、Agentic RAG 协同

●模型、知识、规则、权限、人工审核的生产闭环

●数据安全、调用审计、幻觉控制与合规要求

●从 PoC 到规模化推广的真实路径

【AI 驱动的客户全旅程：从营销获客到客服服务】

●AI 驱动的广告、投放与营销自动化

●AIGC 内容生产与品牌内容工业化

●精细化用户运营、用户分层与生命周期管理

●对话式 Agent 在售前、售后、运营中的应用

●多渠道、多语种、多模态的客户交互

●零售、电商、文娱、消费金融行业案例

【生成式推荐系统新范式】

●生成式推荐的核心范式与架构变化

●大模型在召回、排序、特征生成中的应用

●多模态、多场景、多目标推荐的新方法

●推荐与对话、搜索、内容生产的融合

●内容、电商、视频、广告场景实战案例

【AI 时代的研发范式与组织进化】

●Code Agent 进入研发流程后的真实变化

●代码审核重构：AI 审 AI、规则审 AI、人审关键路径

●人机协作新工作流：工程师角色与能力模型升级

●研发效能的重新度量：从产出到业务结果

●研发组织结构进化：扁平化、平台化、双轨化

●数据、算法、AI 产品、业务团队的边界重构

●管理层视角下的组织转型路径

扫码报名

受众定位

北京站并非"更多应用案例的堆叠"，而是"企业 AI 从能力展示走向系统建设的年度总结站"。其目标是：让来自应用企业、大厂应用团队、中型企业的技术与业务从业者，在两天时间内看清 2026 企业 AI 的真实优先级与路径，带走可直接应用的方法论、可直接复用的实践经验、可直接探讨的产业判断。

本届大会重点面向：

● 管理层：CTO、CIO、CDO、AI / 数据负责人

● 技术专家：大数据专家、算法专家、Agent 专家

● 产品与分析：数据产品、数据科学家、数据分析师、AI 产品

● 典型企业：大厂应用团队、中型规模企业、应用驱动型企业、行业头部用户

演讲申请

目前会议正在筹备阶段，如果你们团队有话题希望分享，欢迎在这里填写演讲思路，一旦被采纳后，我们会在第一时间反馈结果。

● 填写地址：https://qr18.cn/A4cYOz

● 所属会议请选择：DACon·2026·北京站（线下）

● 角色请选择：讲师

● 讲师必填字段，需全部填写