企业数据分析最麻烦的地方，是答案从来不在一个地方。AgentOnto 的思路是给智能体配一套本体，把数据库表结构、业务文档、历史分析案例串成显式知识。碰到"上季度华南退货率为什么涨"这种请求，先判断该查哪些表、参考哪份口径文档，SQL 再照着拼，不凭感觉。显式表示的好处是可追溯——每一步推理都能落回具体的数据源和业务定义。
记忆这块也有新解法。长期运行的智能体，得在几十轮、跨会话的历史里翻出"能回答当前问题的证据"。现有做法多是结构化记忆加自适应检索，可检索出来的东西经常冗余、残缺，拼不到一起。新提出的"查询条件化记忆编译"换了个思路：针对当前问题现场编译出一份可作答的证据集，把散落各处的线索重新组织成能直接支撑答案的材料。
能力在补，岗位在动。Anthropic 发布的《Anthropic 就业之变》内部报告，用自家数据加深度访谈，给出一个挺扎心的观察：深度使用 AI 后，智能体单次任务的持续工作时长已是人类的 6 倍，面向新人的入门级岗位数量近乎腰斩。报告的四项发现指向同一件事：招聘的水位正在悄悄下沉，工作的门槛、含义和价值排序被重新洗牌。
三件事放一起看，线索很清楚：智能体正从"能聊"走向"能干活"，数据要接得住，记忆要翻得出，任务要跑得久。技术侧补的是可靠性和可追溯性，产业侧付出的代价，是一部分初级岗位先被挤掉。该操心的是那些靠信息搬运和重复执行撑起来的岗位，它们正在被加速清空。