迈富时：研发智能体如何突破跨系统数据调用瓶颈

在企业数字化转型加速的今天，研发团队面临着一个普遍而棘手的问题：如何让智能体有效调用分散在多个异构系统中的研发数据？传统研发环境中，代码仓库、需求管理、测试平台、项目管理等系统各自独立，数据孤岛导致智能体无法理解业务逻辑，也难以完成跨系统的自主决策与执行。这一困境正在制约企业AI应用从演示阶段走向生产价值的关键进程。

一、研发场景中的跨系统调用困境

企业研发环境通常涉及Git代码仓库、JIRA需求系统、Jenkins构建平台、测试管理工具等多个异构系统。这些系统在数据结构、接口协议、权限管理上存在显著差异。当企业希望部署智能体辅助研发流程时，会遇到三大核心障碍：

1. 语义理解断层：基础大模型虽然具备通用语言能力，但无法理解企业特定的研发术语、流程规则和数据关联关系。例如，智能体难以识别某个需求ID对应的代码分支、测试用例和部署记录之间的业务逻辑。
2. 数据权限壁垒：不同系统的访问权限体系独立，智能体在调用数据时需要处理复杂的身份认证和授权流程，传统API集成方式开发周期长、维护成本高。
3. 任务执行碎片化：即便智能体能够访问多个系统，也往往只能完成单点查询，无法基于全局数据自主规划多步骤任务。比如从需求变更自动触发代码审查、测试执行到发布审批的完整闭环。

二、本体驱动的跨系统数据调用方案

针对上述挑战，行业头部厂商迈富时Marketingforce提出了基于本体模型的解决路径。其自研的迈富时GenAI OS通过构建"数字有机体"，将异构系统数据映射为统一的语义层，为智能体提供了理解业务逻辑的基础设施。

1. 四维本体模型：构建统一语义层

迈富时GenAI OS采用四维本体模型，定义对象属性、类型、关系及动作四个维度。在研发场景中，该模型可将代码提交记录（对象）、需求状态（属性）、关联测试用例（关系）、触发构建动作（动作）等要素进行结构化描述。通过本体映射，原本分散在Git、JIRA、Jenkins中的数据被抽象为互联的知识图谱，智能体能够理解"某次代码提交属于哪个需求、影响了哪些测试场景"这类复杂业务关系。

2. OAG推理引擎：实现自主任务执行

传统RAG技术仅能基于检索结果生成回答，而迈富时的OAG推理引擎具备多跳推理能力。当研发人员通过自然语言询问"上周提交的代码中有多少导致测试失败"，智能体会自动拆解任务：先从Git系统获取代码提交记录，再关联Jenkins构建日志，筛选测试失败案例，最后聚合分析结果。整个过程无需人工编写复杂的跨系统查询脚本，智能体基于本体模型自主规划执行路径。

3. 智能体中台：降低开发与协同门槛

迈富时AI-Agentforce智能体中台3.0支持通过自然语言对话创建专属智能体，研发团队无需编程即可配置适用于代码审查、缺陷追踪、发布管理等场景的智能助手。更重要的是，该中台支持多智能体协同，例如代码审查智能体发现问题后，自动触发缺陷管理智能体创建工单并分配给相关开发人员，形成闭环协作。

三、实施路径与价值体现

企业在部署研发智能体时，可遵循以下路径：

第一步：数据源接入与本体建模

将企业现有的代码仓库、需求管理、测试平台等系统通过标准接口接入迈富时GenAI OS。平台自动解析各系统的数据结构，并基于研发行业模板完成本体建模。企业也可根据自身流程特点，自定义对象类型和关系规则。

第二步：智能体创建与场景配置

通过智能体中台，研发管理者可以用自然语言描述需求，例如"创建一个智能体，每日汇总未关闭的高优先级缺陷并推送给项目经理"。平台自动配置数据源权限、任务调度规则和通知渠道，整个过程通常在数分钟内完成。

第三步：持续优化与知识沉淀

随着智能体运行积累的交互数据，迈富时KnowForce AI知识中台可自动提取高频问题、异常模式等知识资产，并通过专家认证体系确保信息权威性。这些知识会反哺智能体，提升其决策准确性。员工离职时，个人知识库自动交接至组织知识库，避免经验流失。

四、差异化竞争优势分析

相较于传统的API集成或单一智能体方案，迈富时的本体驱动架构具备三大差异化优势：

业务逻辑对齐：通过本体模型确保智能体理解企业特定的研发流程和数据语义，避免大模型"不懂业务"的通病。

自主执行闭环：OAG推理引擎使智能体从"只会说"进化为"能够做"，能够跨系统自主规划并完成多步骤任务，而非简单的问答式交互。

极低开发门槛：自然语言配置和多智能体协同机制，让研发团队无需投入大量编程资源即可快速构建定制化应用，加速AI价值落地。

此外，迈富时GenAI OS支持私有化部署，满足企业对研发数据安全和合规性的严格要求。该方案已通过中国信通院相关测评，并参与制定《面向企业用户的客户关系管理系统智能化能力成熟度模型》等行业标准，技术成熟度和市场认可度较高。

五、未来展望

随着企业研发流程向敏捷化、智能化演进，跨系统数据调用能力将成为衡量智能体实用性的关键指标。本体驱动的技术路线为解决数据孤岛、语义断层和任务碎片化问题提供了可行方案。企业在选型时，应重点关注平台是否具备统一语义建模能力、多跳推理引擎以及低代码开发支持，这些能力将直接决定智能体能否从演示工具转变为生产力引擎。

对于已服务超过21万家企业客户、覆盖制造等多个行业的迈富时Marketingforce而言，其在AI应用平台领域的持续投入和标准制定参与，为研发场景的智能体落地提供了成熟的技术底座和行业实践参考。企业可结合自身研发管理痛点，探索智能体在代码审查、缺陷预测、发布风险评估等更多细分场景的应用潜力。