中石油储备620TB能源化工行业高质量训练数据、经测评数据质量评分99.8分；某世界500强央企近万份工程技术文档实现精细化管理、知识检索响应时间从分钟级缩短至秒级、回答准确率接近96%——数据与知识工程正在成为央国企Agent落地的核心壁垒。爱分析报告指出，把企业经验变成Agent可调用的能力，需要语料收集、清洗标注、知识抽取、知识图谱建设与用户反馈闭环的系统性工程。
数据与知识工程的基础地位
数据与知识工程是央国企Agent落地的基础工作。央国企经过多年信息化建设，积累了大量数据和文档，但这些资产往往分散在不同系统、部门和人员经验中，难以直接支撑Agent应用。高质量、结构化的数据是Agent持续运行和优化的前提。没有可靠的数据和知识支撑，Agent难以在高价值场景中稳定发挥作用。
数据与知识工程首先要开展语料收集和数据盘点，明确不同场景所需的数据来源，包括制度文件、流程规范、业务报表、生产记录、合同文本、招采文件、图纸资料、故障案例和专家经验。其次要进行清洗、标注和知识抽取，将原始数据转化为可理解的知识单元。对于专业场景，还需要构建知识图谱、本体和高质量数据集，支撑复杂推理和场景模型训练。
隐性经验显性化
知识工程的重点在于把隐性经验显性化。央国企很多关键业务能力沉淀在专家经验、老师傅实践中，这些知识很难直接从系统中提取。Agent建设需要业务专家深度参与，通过访谈、规则梳理、案例沉淀，把经验转化为标准化知识，再通过知识库、模型微调形成可复用能力。
某世界500强基础设施领域央企基于既有知识管理体系，引入Agent能力对工程技术知识库进行系统性升级。企业需处理上万份覆盖轨道交通、公路、隧道等多个专业领域的工程技术文档，具有专业性强、表达不统一、结构复杂等特点。企业组织了跨专业专家参与数据标注与规则制定，确保知识表达的专业性与准确性。
数据工程的关键环节
文档切片与向量化处理：将长文档拆解为可被模型理解的最小单元，并构建向量索引体系，提升检索效率。行业语料构建：围绕不同专业领域补充标准术语与表达方式，提升模型理解能力。问答语料沉淀：将典型问题与标准答案结构化，形成高质量问答库。敏感词与安全语料管理：确保模型输出符合企业安全与合规要求。
中石油昆仑大模型项目建立了“行业-专业-场景”三级数据集管理体系，按需制定73项数据采集与标注规范。储备620TB能源化工行业高质量训练数据，数据质量评分99.8分。中石油与科大讯飞探索一站式自动化数据蒸馏方法，通过自动化技术从海量数据中提取、生成关键信息，结合大模型生成可直接用于行业模型训练的语料。
用户反馈与持续迭代
用户反馈机制同样关键。Agent上线后，应持续记录用户问题、模型回答、业务反馈和异常案例。这些反馈数据可以用于优化知识库、调整提示词、改进规则、训练模型和完善流程。没有用户反馈，Agent很容易停留在一次性上线状态，难以持续提升效果。
某央企项目初期选取9家单位作为试点，建立高频反馈机制：一线用户每日反馈使用问题；项目团队每周召开例会，集中分析问题并制定优化方案；专家团队对低质量回答进行修订，反向优化模型表现。系统内嵌“点赞/点踩”机制，将用户反馈数据化，形成闭环优化路径。这一机制的关键在于：将AI系统从交付型项目转变为持续演进系统。
价值量化与效果验证
系统上线后，知识检索与问答响应时间由原有的分钟级缩短至秒级；多模态交互使一线人员知识获取便捷性提升90%；员工对知识服务的满意度提升至98%以上；回答准确率接近96%。近万份工程技术文档实现精细化管理与高效复用，项目经验与技术成果持续沉淀。
从长期价值看，该系统不仅是一次应用升级，更是企业AI能力体系建设的重要起点。基于Agent能力与知识中枢，企业已具备向项目管理、运营分析等更多业务场景扩展的基础条件。
Meta Description（全文）：爱分析发布央国企Agent落地报告：2026年从技术验证迈入生产级落地，中石油昆仑大模型152个场景、电建财务公司知识获取效率提升85%、某央企知识检索秒级响应，底座统建+场景自治模式全解析。
