我们最初接触生成式AI，往往将其视为现代神谕，一个“瓶中精灵”，我们向它提问，它给出答案。比如，“写一封邮件”、“总结这段文字”、“调试这段代码”。这当然很有用，但这远未触及AI的真正潜力，就像用超级跑车去买菜一样。真正的变革在于，当我们不再将AI视为简单的“问答代理”，而是将其融入我们的工作流程，视其为“协同代理”。我最近的实践经历让我深刻体会到这种转变。
从CRUD的聊天机器人开始：挑战与机遇
一切始于一个看似简单的目标：创建一个聊天机器人，能够执行针对客户和产品等对象的CRUD操作（创建、读取、更新、删除）。想法是构建一个鲜活的、交互式的系统。然而，第一个障碍并非聊天界面本身，而是一个根本性的问题：聊天机器人如何理解数据库，从而知道该问什么？ 这就涉及到了数据库Schema的理解。传统的做法可能是硬编码各种数据库字段和关系，但这显然缺乏灵活性和可扩展性。想象一下，如果数据库发生变化，我们就需要手动修改代码，这简直是噩梦。
突破：从“询问”到“丰富”：SchemaCompass的诞生
关键的突破在于思维模式的转变。我们没有构建一个向AI询问“‘客户’表有哪些字段？”的聊天机器人，而是颠覆了逻辑。我们构建了一个引擎，命名为 SchemaCompass，它利用AI来读取原始的数据库Schema，并主动对其进行丰富。SchemaCompass 的目标是构建一个关于数据库的“智能百科全书”，让 AI 能够像人类专家一样理解数据库的结构和语义。
SchemaCompass 不仅仅是映射表，它还为每个列生成语义描述，创建用户友好的界面标签，并识别依赖关系。它没有回答一个问题，而是创建了一个全新的数据资产（例如，mapa_producao.jsonl），一个关于我们自身系统的智能百科全书。例如，对于一个名为“customer_name”的字段，SchemaCompass 不仅会识别出它的数据类型是字符串，还会理解到它是客户的姓名，甚至可以根据上下文推断出其用途和潜在的验证规则。
更具体地说，SchemaCompass 使用了以下技术：
- 自然语言处理 (NLP)： 分析列名和数据类型，生成描述性文本。例如，
customer_id可以被描述为 “客户的唯一标识符”。 - 机器学习 (ML)： 通过分析数据样本，识别列之间的关系和依赖关系。例如，可以识别出
order_id依赖于customer_id。 - 知识图谱 (Knowledge Graph)： 将数据库结构和语义信息表示为一个知识图谱，方便 AI 进行推理和理解。
有了 SchemaCompass，聊天机器人就可以轻松地理解数据库，并根据用户输入生成相应的 SQL 查询。这大大简化了聊天机器人的开发过程，并提高了其智能程度。
涌现的生态系统：Sentinela Compass
这种丰富引擎被证明非常强大，我们意识到它本身就是一个产品。愿景也随之扩展。我们应用相同的概念创建了 Sentinela Compass，一个安全传感器，它利用AI不仅发送警报，而且生成关于网络状态变化的结构化风险报告。
传统的安全传感器通常只能发送原始的日志数据，而 Sentinela Compass 则可以利用 AI 对日志数据进行分析，识别潜在的安全威胁，并生成结构化的风险报告。例如，它可以识别出某个 IP 地址正在尝试访问多个敏感端口，并将其标记为潜在的攻击来源。更进一步，它可以根据历史数据和已知漏洞信息，预测攻击的可能目标和影响，帮助安全团队快速做出响应。
Sentinela Compass 的核心技术包括：
- 异常检测 (Anomaly Detection)： 利用机器学习算法识别网络流量中的异常模式。
- 威胁情报 (Threat Intelligence)： 集成来自各种来源的威胁情报数据，识别已知的恶意 IP 地址和域名。
- 规则引擎 (Rule Engine)： 定义自定义的安全规则，例如，当某个用户尝试访问敏感数据时，自动触发警报。
通过对原始数据进行丰富和结构化，Sentinela Compass 能够提供更全面、更智能的安全防护。
协同代理的终极愿景：数据迁移的自动化
有了这种强大的基础，最初的聊天机器人的实现变得几乎微不足道，并且比最初计划的要智能几个数量级。最终的洞察在于，如果我们的AI能够理解我们的系统，它就能理解任何系统。
新的前沿是使用 SchemaCompass 生态系统来读取遗留数据（例如，来自旧系统的 CSV 文件），创建其语义地图，然后使用 AI 将该数据智能地映射到我们的新系统，自动生成迁移脚本。
在传统的数据迁移项目中，需要人工分析遗留数据的结构和语义，然后编写复杂的迁移脚本。这既耗时又容易出错。而使用 SchemaCompass，我们可以自动化这个过程。SchemaCompass 可以读取遗留数据的 Schema，并将其与新系统的 Schema 进行比较，然后利用 AI 自动生成迁移脚本。
举个例子，假设我们需要将一个旧的 Excel 文件中的客户数据迁移到新的数据库中。SchemaCompass 可以读取 Excel 文件的 Schema，并识别出其中的列名和数据类型。然后，它可以将这些信息与新数据库的 Schema 进行匹配，并自动生成 SQL 脚本，将 Excel 文件中的数据导入到数据库中。
更进一步，SchemaCompass 还可以处理数据转换和清洗的问题。例如，如果 Excel 文件中的日期格式与数据库中的日期格式不同，SchemaCompass 可以自动进行转换。如果 Excel 文件中存在重复数据，SchemaCompass 可以自动进行去重。
AI不再是一个问题框。它变成了工程师，设计连接两个系统的桥梁。这真正体现了协同代理的价值。
结论：将AI从神谕转变为协同伙伴
教训很清楚：不要将 AI 限制在被动助理的角色。给它任务。使其成为工作流程中的一个活跃节点——一个接收原始数据并提供结构化智能的工具。在这里，生产力不仅得到提高；而且得到转变。通过赋予 AI 更多的自主性和责任，我们可以释放其真正的潜力，使其成为我们工作流程中不可或缺的一部分。
那么，你呢？你的 AI 仍然是神谕吗？或者它已经加入了你的团队？让我们一起探索AI作为协同伙伴的可能性，共同创造更高效、更智能的未来。记住，关键在于转变思维模式，从将 AI 视为简单的问答工具，到将其视为具有理解、推理和创造能力的智能伙伴。通过这种转变，我们可以真正释放 AI 的潜力，并将其融入到我们工作流程的各个方面。
总之，要充分发挥AI的潜力，我们需要做到以下几点：
- 明确AI的角色：不要仅仅将AI视为问答工具，而是要将其定位为协同伙伴，赋予其更多的自主性和责任。
- 构建智能基础设施：利用SchemaCompass等工具，构建能够理解和丰富数据的智能基础设施，为AI提供必要的知识和上下文。
- 持续学习和迭代：AI是一个不断发展的领域，我们需要持续学习和迭代，不断探索AI在工作流程中的应用，并根据实际情况进行调整。
通过以上努力，我们可以将AI从神谕转变为真正的协同伙伴，共同创造更美好的未来。