D&B为AI代理重构6.42亿企业数据库：从人类到机器的适配革命
Dun & Bradstreet（D&B）拥有超过180年的商业数据积累，其商业图谱（Commercial Graph）涵盖6.42亿家企业及其关系、企业层级与风险画像，原本专为人类设计——信用分析师、风险经理和销售专业人士能耐心等待查询结果，处理模糊实体匹配。但AI代理无法做到这些。
当D&B客户将AI代理引入信贷、采购和供应链工作流程时，原本服务全球近20万客户的商业图谱成了问题。为人类分析师构建的系统架构不适合机器。于是，D&B决定重建。
“我们需要将代理视为新的消费者类别，从传统的信用分析师、销售营销专业人士等，扩展到服务这些客户的代理，”D&B首席数据与analytics官Gary Kotovets告诉VentureBeat。
代理查询时出现了什么问题？
商业图谱并非单一数据库，而是为不同用例和市场构建的独立系统集合，通过定制集成连接。人类分析师可通过SQL查询或预构建界面导航这种碎片化结构，但代理无法做到。
底层数据的规模加剧了问题。数据库在五年内几乎翻倍，从3亿多份企业记录增长至6.42亿份，每条记录包含1.1万个字段。D&B每月对约1000亿条记录进行数据质量检查。面对代理所需的亚秒级延迟，碎片化架构无法支持。
图谱追踪的关系类型也不对。遗留系统记录静态实体连接（如CEO与企业绑定）。但从事信贷评估或第三方风险的代理需要动态关系：CEO跳槽后，其履历跟随哪个组织？子公司所有权变更时，企业层级如何传导？这些问题此前需定制分析师工作，代理无法等待。
更广泛的问题是，D&B并非特例。Kotovets过去六个月与数百位CDO、CIO交流，均听到相同限制：因数据基础未标准化、规范化或无法被代理查询，他们无法构建想要的AI。D&B虽拥有服务人类分析师的成熟数据基础，仍需为代理重建。
他们实际构建了什么？
重建从整合开始。D&B将碎片化数据库迁移至云基础设施，重新设计底层模式，构建数据织带层（data fabric），在保留区域合规要求的同时，跨市场规范化记录。结果是一个统一的动态知识图谱，追踪6.42亿家企业间的数十亿关系，通过AI驱动数据处理持续更新与丰富。
在此基础上，D&B为代理构建了结构化访问层。原始SQL访问无法满足代理的查询量和延迟要求。相反，D&B通过MCP（模型通信协议）提供工具与技能，为数据添加上下文，引导代理找到特定查询的正确记录。每个查询后都有匹配与实体解析引擎，确保代理询问企业时，返回的是验证过的特定实体，而非仅名称匹配。
D&B双向解决了代理身份问题
重建图谱和添加MCP访问层解决了数据检索问题，但未解决身份问题。代理不是人类，为人类用户构建的认证模型无法扩展至机器。
D&B为代理构建了新注册模型：代理必须映射到验证IP地址，注册独立访问密钥，作为认证身份纳入与人类用户相同流程。
“我们实际有‘了解你的代理’概念，类似‘了解你的客户’，进行额外验证，”Kotovets说。
这解决了入向问题：知道代理所属公司及可查询的数据权限。但D&B也解决了出向问题：当客户的多代理工作流失去对所分析实体的追踪时怎么办？
在串联信用检查代理、KYC代理和第三方风险代理的工作流中，每个代理在步骤不同时查询D&B。若无机制确认它们引用同一实体，工作流可能在不同记录上完成。
“它们必须回到我们的验证代理，确保仍在讨论同一实体，”Kotovets说，“这近乎数字握手。”
D&B的企业验证代理可嵌入任何工作流作为持久参考点，支持Google的A2A协议，无论客户使用何种编排工具。
企业部署AI代理前必须做对的四件事
重建暴露了超越D&B自身栈的需求。
- 数据基础优先于代理基础设施。 Kotovets过去六个月交流的CDO、CIO均遇到相同障碍：数据未清洁、规范化、整合前，无法构建想要的AI。D&B已有此基础，多数企业没有，将感受到压力。
- 设计动态关系，而非静态关系。 企业数据系统通常记录时点连接（如人员归属企业、资产归属子公司）。从事信贷、风险或供应链决策的代理需要跨时间变化的动态关系推理。若底层数据仅捕获静态线，代理也会受限。
- 将实体一致性检查嵌入多代理工作流。 当多个代理在不同步骤接触同一实体时，无法保证最终引用同一记录。这种差距需明确设计。实体验证是工作流设计需求，而非可选护栏。
- 从开始嵌入血缘，而非事后添加。 每个代理产生的答案应携带可追溯的来源路径。在信贷、风险和供应链决策中，错误成本具体。血缘需在扩展前构建，而非问题出现后添加。
“你总能点击查看来源，一路验证回原始数据，”Kotovets说，“这是解锁许多其他能力的关键，因为我们对自己所做之事有确定性。”
关注微信号：智享开源 ，及时了解更新信息。
关注微信
还没有任何评论，你来说两句吧！