很多数据产品已经进入 Agentic 阶段。

它们开始具备 Agentic 能力：能自主拆解问题、选择工具、检查 schema 、执行聚合，并把结果组织成报告。

这当然比传统数据工具前进了一大步，但仍然不够。

Agentic 能力解决的是“分析动作如何被组织”。真正的业务分析还需要回答另一个问题：

Agent 是否理解这些数据在业务里到底意味着什么？

真实业务数据从来不只是表和字段。每一个数据库背后都有一层沉默的业务知识：事件到底代表什么，埋点 key 是怎么组织的，哪个下载渠道更重要，一个状态是成功还是中间态，哪些字段能用于公开分析，哪些字段绝对不能碰。

没有这些知识，即使是 Agentic Agent ，也可以查数、跑流程、写报告，却仍然不能真正理解业务。

这正是 InfiniSynapse 首创“数据库 + 知识库绑定”的原因：

把数据库和知识库绑定起来，并且让知识库成为 Agent 分析过程中的一个工具调用。

这不是把 RAG 放在旁边当资料夹，也不是简单把文档塞进上下文。 InfiniSynapse 让 Agent 在分析数据时，可以随时询问绑定的知识库，获得必要的业务知识，再用 SQL 去验证可计算的事实。

换句话说：

数据库告诉 Agent 发生了什么，知识库告诉 Agent 这件事在业务上意味着什么。

问题：数据库有事实，但没有业务含义

这个案例使用的是 winclaw_cn 数据源，本质上是一套 PostgreSQL （ PG ）数据库。它记录了 WinClaw 中国站的官网埋点和桌面 Agent 工作量信号。 WinClaw 是一个隐私优先的桌面 AI 助手，用户可以通过它调用本地工具、浏览器自动化、 Office 自动化、开发者工具、计划任务和多模型能力。

其中一个关键表是 metrics_events，包含这些字段：

created_at

type

metric_key

只看数据库， Agent 可以安全地按 type 和 metric_key 做聚合。它能看到：

PAGEVIEW

DOWNLOAD

pageview:/

download:external:gitcode_windows_x64

download:tool:windows:x64:agent_excel

download:tool:windows:x64:agent_infini

但它能不能可靠解释这些 key 在产品里到底是什么意思？

不能完全做到。

第一轮 baseline 里，我们明确要求 InfiniSynapse ：

只使用已选择的 winclaw_cn 数据库。不要使用任何知识库、历史记忆或外部网站。

Agent 的回答非常克制，也很负责任。

它能确认数据库可以安全测量：

页面访问活动；

下载相关活动；

电脑任务生命周期状态。

但它也明确指出：

仅凭数据库元数据，无法可靠推断许多 key 片段和 slug 的精确产品含义 / 业务含义。

这正是没有知识库时的短板。

数据库能告诉 Agent ：

PAGEVIEW 出现了多少次；

DOWNLOAD 出现了多少次；

computer_tasks.status 有哪些状态；

哪些 metric_key 出现频率更高。

但数据库本身不能可靠告诉 Agent ：

download:external:gitcode_windows_x64 应该如何命名；

agent_excel、agent_word、agent_ppt 属于什么业务需求簇；

DOWNLOAD 是下载完成、下载开始，还是下载意图；

pageview:/ 是否就是首页访问；

哪些工具包代表 Office 自动化、浏览器自动化、开发者工作流、消息自动化或 InfiniSynapse 集成。

这不是 Agent 不够聪明，而是业务上下文缺失。

一个严肃的 Data Agent 不应该看到字段名就胡乱解释。它应该知道什么时候需要询问业务知识。

InfiniSynapse 的突破：数据库和知识库绑定

InfiniSynapse 解决这个问题的方式，是把知识库直接绑定到数据库。

在这个案例里，我们创建了一个知识库：

winclaw_cn_telemetry_knowledge

这是一份面向 winclaw_cn 的公开安全数据字典，解释了：

WinClaw 是什么产品；

PAGEVIEW 代表什么；

DOWNLOAD 代表什么；

为什么 DOWNLOAD 应该解释为“下载意图”，而不是“确认安装”；

metric_key 的命名规则；

工具包 key 如何翻译成人能理解的业务标签；

computer_tasks.status 如何解释；

公开案例应该使用什么漏斗口径。

然后，我们把这个知识库绑定到 winclaw_cn 数据源。

这一步的意义非常大：

winclaw_cn 不再只是一个数据库连接，而是带着自己的业务语义层进入 Agent 的分析上下文。

这才是数据库真正对 Agent 友好的形态。

为什么这需要第四代知识库

数据库和知识库绑定，听起来简单，但要真正进入 Agent 的分析链路，前提是知识库实现必须足够准确。

这就是 InfiniSynapse 第四代知识库的价值。

早期知识库更多是被动的：

存文档；

做检索；

找几个片段塞进上下文；

期待模型自己理解。

这种方式不足以支撑严肃的数据分析，更不足以支撑 Agentic Agent 在分析过程中主动调用。

InfiniSynapse 的第四代知识库不是被动资料库，而是高准确率的 Agent 工具。 Agent 可以在合适的分析阶段，用合适的问题去调用知识库，获得当前分析所需的业务定义和口径说明。

因为第四代知识库的准确率非常高，它才能支撑这个能力，而不会误导 Agent 。它不是把大量模糊文本倒进上下文，而是返回精准、可用、可分离的业务知识。

这背后的差异是：

“这里有一些可能相关的文本。”

和：

“这是 Agent 在解释这个指标前必须知道的业务定义。”

后者才是可信业务分析的基础。

知识库成为 Agent 的工具调用

绑定知识库之后，我们用同一类问题再次询问 InfiniSynapse 。这次 prompt 明确要求：

在运行 SQL 之前，先查询已绑定的知识库。

输入区里可以看到，除了选中 winclaw_cn 数据库，还出现了绑定的本地 RAG ：

更关键的是执行链发生了变化。

增强版任务的第一阶段变成：

先查询绑定知识库，理解 metric_key 和任务状态的含义
RAG Research （知识库检索）

展开执行过程，可以看到 Agent 不是一次性把文档塞进上下文，而是在分析链路里连续发起了几次有目标的 RAG 查询。第一步，它先询问 metrics_events.metric_key 的公开安全业务含义，拿到 PAGEVIEW、DOWNLOAD 和各类下载 key 的解释。

随后，它继续询问 computer_tasks.status 的生命周期含义，把 PENDING、CLAIMED、COMPLETED、FAILED 解释成任务创建、认领、完成和失败等业务阶段。

最后，它再询问公开漏斗和需求簇应该如何组织，拿到“官网兴趣 → 下载意图 → Agent 任务创建 → Agent 任务完成”这套公开安全漏斗口径。

然后才进入 schema 确认和 SQL 聚合。

这说明知识库绑定不是静态配置，不是页面上多显示一个标签，而是真的改变了 Agent 的执行计划：

Agent 先询问知识库理解业务含义，再查询数据库验证事实。

这正是 Data Agent 需要的能力。

结果：从字段查数，升级为业务解释

第二轮回答明显更强。

它非常清楚地区分了两层内容：

可计算事实：来自数据库聚合 SQL ；

知识库解释：来自 winclaw_cn_telemetry_knowledge。

数据库事实包括：

知识库解释把这些字段翻译成业务语言：

这就是质变。

绑定前， Agent 只能说 download:tool:windows:x64:agent_excel 出现了多少次。

绑定后， Agent 能解释它属于 Office 工作流自动化需求。

这一刻， Data Agent 就不再只是一个会自主检索数据和汇总结果的 Agent ，而开始像一个懂业务口径的数据分析师。

它能看到需求簇，而不只是 key

有了数据库事实和知识库解释之后， Agent 可以进一步归纳出需求簇：

核心平台包需求；

消息自动化；

浏览器自动化；

Office / 文档工作流自动化；

计划任务 / 定时自动化；

InfiniSynapse 集成；

聊天 / 协作相关工具；

实用工具 / 本地工作流自动化。

最终报告把业务故事讲得很清楚：

公开安全漏斗变成：

官网兴趣 -> 下载意图 -> Agent 任务创建 -> Agent 任务完成

而业务解读变成：

当前兴趣主要由首页访问贡献；

试用 / 安装包兴趣主要由 Windows x64 外部分发渠道下载意图贡献；

任务层最近 30 天有 232 个已创建任务，其中 212 个已完成；

已创建任务中的完成占比为 91.38%；

可见需求簇包括核心平台包需求、消息自动化、浏览器自动化、 Office / 文档工作流自动化、计划任务 / 定时自动化和 InfiniSynapse 集成。

这已经不是一段查询结果，而是一份可以对业务方解释的数据分析。

这件事为什么重要

Agentic Data Agent 已经能自主拆解问题、选择工具、查询数据并生成报告。

但这还不是终点。

真正的产品问题更深：

Agent 能不能知道哪些事实可以被安全计算？

Agent 能不能理解指标在业务里是什么意思？

Agent 能不能避开行级敏感数据？

Agent 能不能区分数据库事实和业务解释？

Agent 调用知识库时，知识库能不能给出足够准确、足够稳定的业务定义？

Agent 能不能在合适的时候主动询问知识库？

InfiniSynapse 的“数据库 + 知识库绑定”正是在解决这个问题。

它给每个数据库配上一个语义伴侣。 Agent 可以问数据库拿事实，也可以问绑定知识库拿业务含义。

这让数据库从原始数据源，变成 Agent 可以真正使用的业务系统。

结论

InfiniSynapse 首创数据库和知识库绑定，让知识库作为 Agent 里的工具调用参与数据分析。

借助第四代高准确率知识库， Agent 在分析数据时可以随时询问必要的业务知识，而不是仅凭表名和字段名猜测，也不会被模糊召回误导。

这就是关键转变：

数据库让事实可计算，知识库让事实可理解。 InfiniSynapse 把两者绑定在一起，让 Agent 产出可信的业务分析。