From Data to Dialogue
1. 浓缩
- 核心结论 1：企业 Agentic Analytics 的语义层应该由 domain expert 直接拥有，而不是通过工程 backlog 间接维护。
- S&P Global Energy 让 SMEs 按 dataset group 建立窄范围 Genie Agent，并直接维护表/列说明、business definition、trusted examples。
- 判断：semantic layer 不只是数据平台资产，也是组织 ownership 设计；最懂业务定义的人应该能直接发布机器可消费的语义。
- 核心结论 2：MCP 在该架构中的价值不是“让 Agent 会查 SQL”，而是成为统一、受治理的 access contract。
- 每个 Genie Agent 直接暴露为 managed MCP server，并继承 Unity Catalog 的 auth/permission/audit；没有再建一套平行安全层。
- 判断：MCP 最有价值的企业形态是把既有 governance 投射到 Agent access，而不是绕过治理建立新的 AI 数据通道。
- 核心结论 3：窄 Agent + MCP composition 优于巨型全域 Agent。
- dataset-group Agent 保持语义聚焦，高层用 FastMCP proxy 组合成 commodity/cross-domain endpoint。
- 判断：应该在语义层保持局部边界，在协议层组合广度。这样既降低单 Agent 的 context/ontology 复杂度，又避免消费者配置大量 server。
- 核心结论 4：质量闭环应由 SME benchmark 驱动，而不是只看 latency。
- SMEs 定义代表真实问法的测试问题和 verified answer，修改 instructions/data/business logic 后可重复跑 benchmark。
- 判断：Agentic Analytics 的“信任”可以部分操作化为 domain owner agreement + regression eval，而不是依赖 demo impression。
2. 质疑
- 这是 Databricks/S&P 客户案例，time-to-market 和质量收益没有独立 benchmark。
- “一 agent 一 dataset group”是该数据域的经验，不应机械推广成固定粒度。
- Unity Catalog inherited governance 依赖数据权限模型本身已经正确；MCP 不会修复错误或过宽的数据授权。
- FastMCP composition 减少客户端复杂度，但上层路由错误、跨域语义冲突和 tool explosion 仍需要 eval/observability。
3. 对标与约束
- 与 Agentic-Analytics：Anthropic/LangChain 已表明 semantic layer + domain skills + evals 是可靠分析入口；本案例补上第三个独立组织，并把 domain owner 从“维护文档”推进到“直接发布 conversational endpoint”。
- 与 Model-Context-Protocol-MCP：Pinterest/Cloudflare 证明 MCP 需要领域 server + governance；S&P 进一步证明 MCP 可作为组合层，把多个 narrow semantic agents 暴露为一个稳定业务 endpoint。
- 与 Context-Engineering：答案质量不是靠更大 context，而是把 business semantics 放进小而清晰的 domain surface。
- 与 Machine-Readable-Processes：业务定义、trusted query 和 benchmark 被编码为 agent 可执行/可验证的资产。
证据边界
- 第一方客户案例；技术架构证据强于业务收益幅度。
- Raw 为公开页面 evidence snapshot；canonical 页面可恢复。
关联概念