数据血缘：智能体跨系统调用数据如何不失控

一位销售代表向AI智能体打听客户定价，智能体马上从几个来源抓取数据：有访问受限的定价系统，也有内部沟通记录，还有存档的报价单。返回的结果在智能体眼里没有任何异常，第二个智能体便拿它给这位销售代表写了一份提案。全程没有一个人工复核的环节。

智能体接手流程，风险跟着往下传

这类场景在企业AI落地中已不鲜见。智能体的长处就是自主：跨系统检索、推理、接着执行下一步，把过去要靠人串起来的环节自动跑完。可自主也意味着风险会被“接力”。第一个智能体读到了不该公开的定价信息，第二个智能体又把它写进提案发给了客户，两跳之内泄露就完成了，中间没人察觉。

多智能体协作，审计为何这么难

传统软件的数据流是确定性的，接口调用、数据库查询、日志记录，每一步都查得到。AI智能体一参与，数据来源就变得模糊了。它可能从非结构化文档里“理解”出事实，可能把多个来源拼成一个从未在任何单一系统里存在过的结论，也可能在上下文里把数据出处抹掉。

智能体之间的传递更难办。智能体A把结果交给智能体B，B看到的往往只是内容，内容的权限等级和来源它看不到。前面那个例子就是这样：写提案的智能体并不清楚有些定价数据受访问限制，它只是照输入用而已。

数据血缘：从看结果可信，到查来源可追

数据血缘（data lineage）不是新东西，数据仓库和数据治理里用了很多年，记录的是数据从源头到终点的流动路径：从哪来、经过哪些转换、被谁用了。放到智能体企业里，它的分量更重了：除了描述数据的物理路径，它还充当智能体决策的“注释”，用来回答“这个结论基于什么数据”。

如果智能体的输出无法追溯来源，那么它的“准确”只是一种表象，而非可验证的信任。

把数据血缘嵌进智能体架构，每次数据调用都会带上来源标识、权限标签和转换记录。下游智能体接收数据时，就能据此判断该不该用、要不要脱敏、需不需要人工确认。跨系统泄露的概率因此降下来，出了问题也能顺着链条快速找到责任方。

落地要靠治理、技术与文化一起推

建可信的智能体企业，得三方面配合。治理上，要明确哪些数据智能体能碰、哪些只能用于内部推理，多智能体链路上的权限又该怎么传。技术上，给智能体建一套统一的数据谱系元数据，让每次检索和生成都留下可审计的痕迹。文化上，关键输出要鼓励员工保留人工复核，别一味相信自动化链条。

说到底，数据血缘不是为了捆住智能体，而是为了让智能体更放心地被委以重任。看得见才控得住，控得住才有信任，而信任是智能体上规模的前提。

编者按：企业把越来越多决策交给智能体，安全边界就不再只靠防火墙和权限系统划，而是由每一条数据的来龙去脉划。数据血缘也许不够起眼，却是智能体企业最务实的基础设施。