🔧 智能体 · 工程范式
Data Agent 工程范式 SRW+GPME 发布：企业数据研发从"人肉托底"走向"目标委派"
数新智能总架构师许锡彬在 AICon 深圳提出可复用公式——SRW 执行三角 + GPME 治理四件套，直击"数据沉睡与 AI 悬浮并存"的核心困境，为 Agent 时代的数据供给与治理提供可工程化的系统路径。
来源：综合公开信息整理•
2026-07-28•
全文约 4 分钟读完
#Data Agent
#SRW+GPME
#企业智能中枢
#AICon深圳
SRW+GPME
完整工程范式 · 执行+治理一体
3 要素
Skill · Role · Workflow 执行三角
4 组件
Goal · Policy · Memory · Eval 治理四件套
2→3 阶段
从"人机协同"到"目标委派"的关键跨越
⚡ 30 秒速览
- 一个公式，解决两个世界难题：SRW（Skill·Role·Workflow）负责"把事做完"，GPME（Goal·Policy·Memory·Eval）负责"做对、做稳、做越来越强"。合在一起，就是企业数据智能中枢的工程范式。
- 核心困境：通用 Agent 会聊天、会调工具，却进不了核心数据研发与治理流程。企业数据"沉睡"与 AI"悬浮"并存——资产存而不通、通而不用，Agent 不敢被委派目标后自主跑通闭环。
- 关键判断：从"辅助→协同→自主"三阶段中，当前行业卡在阶段 2→3 的跨越。GPME 四件套正是为此设计的工程化钥匙——Goal 对象化、Policy 门禁、Memory 沉淀、Eval 解锁自主度。
- 实践收益：端到端达成率与规范执行率显著提升，研发周期从"人日"缩至"分钟"级。范式已在多家企业落地验证，全部评测与执行快照可复现。
01范式全景 SRW + GPME：一个公式，两层能力
当模型能力逐渐成为行业共识，真正的竞争力正在从"模型本身"转向围绕模型构建可规模化的智能系统。数新智能提出的 SRW+GPME，正是对这一转向的系统回应。
SRW 执行三角
Skill — 原子能力 + 契约与规范前置，可测、可追溯
Role — 研发动线身份 + 权限与协作边界
Workflow — 主链完整 / 分支敏捷，节点级 I/O 与门禁
负责"做完"
GPME 治理四件套
Goal — 产品单元从"会话"升级为"目标 + 验收"
Policy — 按读/写/生产变更等风险分级放权，HITL 少而硬
Memory — 组织口径、纠错与最佳实践分层沉淀
Eval — 用达成率/介入率解锁自主度，外环回写 Skill
负责"做对"
3执行要素 · SRW
4治理组件 · GPME
3演进阶段
4行业痛点
注：SRW 与 GPME 并非前后串联，而是并行咬合——SRW 保障执行效率，GPME 保障执行质量与可治理性，二者共同构成可复用的系统范式。
但是，范式要解决的是真实世界的痛点。通用 Agent 在数据研发上为什么频频"翻车"？
02四个失败，四个痛点 通用 Agent 进不了生产的原因
许锡彬在演讲中直言：通用 AI 在数据研发上存在四个系统级失败——不稳、难学、无闭环、无语义。这背后是四个更深的行业痛点：
💬 会聊天不等于能进生产 痛点 1
- 通用 Agent 可以生成 SQL、调用工具，但缺业务语义、缺规范门禁、缺发布闭环。
- 结果是"可用但不可信"——研发仍要人肉托底，管理者看到的只是 Demo 效率，不是生产效率。
症结：缺乏从"生成"到"交付"的完整契约与校验链。
🤝 协同很忙，自主不敢 痛点 2
- 人机协同阶段 Agent 已能接管大量操作，但目标拆解、写生产、上线发布仍处处人工点头。
- 不敢放权，是因为没有 Goal 验收、没有风险策略、没有评测仪表盘——自主变成了"更长的 ReAct"，不是可委派系统。
症结：缺少从"操作协同"到"目标委派"的工程化跃迁路径。
📋 规范靠人，规模化必垮 痛点 3
- 命名、分层、生命周期、质量规则若只写在文档和专家脑子里，Agent 跑得越快，低水平重复和口径漂移越快。
- 没有"规范进 Skill / 校验进门禁"，提效与"做对"必然打架。
症结：规范没有嵌入系统，而是悬在文档里。
🧩 供给中枢缺位最致命 痛点 4
- 问数要准、动作要稳，前提都是底层数据可理解、可治理、可审计。
- 若中枢缺位，两端都会在真实业务里翻车——企业缺的往往不是又一个 Bot，而是 Agent 时代的数据供给与治理操作系统。
症结：数据沉睡与 AI 悬浮并存，资产存而不通、通而不用。
问题清楚了，工程路径是什么？SRW+GPME 如何从纸面走进现实？
03从阶段 2 到阶段 3 工程化跨越的关键设计
许锡彬将企业数据智能演进划分为三阶段：辅助 → 协同 → 自主。当前行业普遍卡在阶段 2→3 的跨越上。GPME 四件套正是为此设计的工程化钥匙。
当前关键跨越：阶段 2 → 3
从"人机协同操作"到"目标委派、结果审阅"的自主阶段，GPME 提供完整治理框架
Goal从会话升级为目标+验收
Policy风险分级放权，HITL 少而硬
Memory口径与最佳实践分层沉淀
Eval达成率/介入率解锁自主度
注：Eval 外环回写 Skill，形成"人审合入"的持续优化闭环。自主不是一次性放权，而是可度量、可调节的渐进过程。
一个诚实的注脚：这条路并不容易。范式虽好，但落地有边界。
04实践收益与边界 效能跃迁，但坦诚面对局限
在多家企业的落地验证中，SRW+GPME 范式带来了可量化的效能提升：
⚡
端到端达成率 跃升
从需求文档到建模产物 — 分钟级闭环切片，研发周期从"人日"缩至"分钟"。规范执行率从依赖人工巡检变为系统自动门禁，人日到分钟的跃迁成为现实。
🛡️
规范嵌入系统，而非悬在文档 治理
命名、分层、生命周期、质量规则通过 Skill 契约 + Policy 门禁 固化到系统中。Agent 跑得越快，规范执行越严，口径漂移被有效遏制。
🎯
从"会话"到"目标委派" 自主
Goal 对象化后，产品单元不再是一段对话，而是一个可验收的目标。Eval 仪表盘实时显示达成率与介入率，管理者可以逐步放权，不再"不敢放手"。
坦诚边界：许锡彬在分享中明确指出了当前范式的三个局限——语义冷启动（业务口径需要前期梳理）、写生产强门禁（写操作的放权仍偏保守）、跨域自进化未完成（跨团队的知识迁移仍需人工介入）。这些不是缺陷，而是工程化的诚实注脚。
那么，怎么判断一个范式是否真正有效？当它不再依赖"人肉托底"，当 Agent 真的敢被委派目标——这才算走到了阶段 3。
编辑核心判断
Agent 时代，数据供给与治理中枢正在成为比模型本身更稀缺的工程能力。SRW+GPME 的价值不在于发明了新概念，而在于把"数据研发"这件过去靠人肉经验的事，变成了可复制、可度量、可渐进放权的系统范式。下一个阶段，企业竞争的不是谁有更强的模型，而是谁有更聪明的"数据操作系统"。
▶现场聆听完整分享
许锡彬将在 AICon 全球人工智能开发与应用大会 · 深圳站（8 月 21 日—22 日）进行 60 分钟深度演讲，完整拆解 SRW+GPME 的工程落地细节，并现场演示从需求文档到建模产物的分钟级闭环。大会汇聚腾讯、阿里、华为、百度等 50+ 头部企业技术负责人，聚焦 AI 基础设施、智能体工程、数据智能等关键方向。
了解更多 → 限时 9 折专属优惠