跳到主要内容

为 AI Agent 工作流准备 DFS 数据

AI Agent 需要可引用、可审阅、可追踪的数据证据。本工作流从 Agent 任务倒推需要的源数据、映射、质量说明、数据集版本和 MCP scope 计划。

适用场景​

  • Agent 需要回答设施状态、预测性维护、工单草稿、能源解释或 Physical AI 场景输入。
  • Agent 输出会被现场团队或审阅人使用。
  • 需要明确 Agent 能读取、引用、计算或草拟哪些字段。

工作流​

操作步骤​

  1. 写明 Agent 的回答契约、角色、租户、站点、资产范围、时间窗口和输出类型。
  2. 为每个源系统创建或复用 DFS Lite 连接器。
  3. 按连接器类型与能力使用受支持的浏览、读取、订阅、预览或文件导入路径，并记录 Agent 会使用的源路径、目标身份、时间戳、单位、质量规则和用途。
  4. 需要复用或审计时创建 DFS Pro 数据集，并填写 steward、版本和允许用途。
  5. 运行融合任务时，处理低置信度、冲突、拒绝行和人工审阅项。
  6. 交接数据集版本、源时间戳、质量限制、允许输出类型和 MCP scope 计划。

检查清单​

  • Agent 任务有明确 owner 和审阅边界。
  • 只读验证在写入或草拟动作前完成。
  • MCP endpoint 和 scope 计划与数据访问边界一致。

交付结果​

  • Agent 可引用的数据证据、质量说明、数据集版本、审阅结论和 MCP scope 交接记录。

实施说明​

保留源系统、字段含义、时间戳、单位、负责人和审阅记录。DFS 输出只有在完成映射、质量检查和交接记录后，才应进入 Inspector、FactVerse AI Agent、BI 或 Physical AI 工作流。

相关页面​

继续阅读适用场景
使用 DFS 构建运营数据管道将源数据从 DFS Lite 连接器、映射、同步和质量审阅推进到 DFS Pro 数据集、融合任务和 AI Agent 交接。
DFS 场景配方按任务选择 BMS、预测性维护、AI Agent、融合和拒绝行恢复的操作路径。