從資料脈絡到引用來源，讓 AI Agent 的每一次推理都有跡可循。
隨著企業導入 AI 的速度持續加快，真正的難題也開始浮現：AI 雖然會整理資料、回答問題，卻不一定理解企業內部的業務專屬邏輯。
根據麥肯錫《2025 年 AI 全球調查：應用、創新與轉型》報告顯示，88% 受訪者表示其組織已在至少一項業務職能中規律使用 AI；然而，調查結果也指出，雖然 AI 工具已相當普及，但多數企業尚未將 AI 深度整合至日常工作流程與業務流程中，因此 AI 仍難以實現企業級價值。
正如這次 Google Cloud 在 Next ’26 大會上強調的核心觀點，沒有上下文的推理，最終只是一種猜測。
當我們期望 AI Agent 不只是回答問題，而是能協助判斷庫存風險、合規問題、客戶流失原因，甚至自動提出行動建議時，最大的阻礙在於企業的資料與數據是分散在不同角落，有些在 PDF、有些藏在視訊會議記錄、以及各個資料庫和應用程式中。為了解決這個痛點，Google Cloud 在 Next ’26 推出了 Agentic Data Cloud，並將 Knowledge Catalog 定位為企業的「通用上下文引擎 (Universal Context Engine)」。
簡單來說，Agentic Data Cloud 就像是企業資料的「智慧導航系統」，將分散的企業資料串成一張 AI 看得懂的知識地圖，讓 AI Agent 不只會搜尋資料，還能沿著資料脈絡找到來源、理解關聯，最後做出有憑有據的判斷。
從「資料生命週期」看 Knowledge Catalog：AI 需要先看懂資料，才能做出正確決策
若只把 Knowledge Catalog 看做 BigQuery 整合、Smart Storage 或零複製存取的集合，很容易低估它真正的價值，因為這樣的理解只回答了「它有哪些功能」，卻沒有回答更重要的問題：為什麼這些功能需要被設計在一起？
理解 Knowledge Catalog 最有效的方式，是回到資料工程的本質，一個能讓 AI 使用的企業資料系統，通常需要經過聚合 (Aggregation)、豐富化 (Enrichment)、檢索 (Search) 等三個階段：
- 聚合 (Aggregation)：把散落在不同系統的資料，匯聚到同一個邏輯層
- 豐富化 (Enrichment)：賦予資料語義、標籤與關聯
- 檢索 (Search)：讓 AI 能基於語義進行多步推理
這三個階段，是企業資料要真正被 AI Agent 使用時，幾乎繞不開的核心流程。Knowledge Catalog 的價值，就在於它需要工程師手動串接的流程升級為更貼近 AI 原生、自動化、可追溯的資料生命週期。
Google Cloud 在大會中展示的「新口味優格 Midnight Swirl 的上市評估」案例，完美詮釋了這個三階段框架。
某食品公司即將推出新口味優格 Midnight Swirl。上市前，營運團隊必須確認食譜中是否含有大豆等過敏原。棘手的是，這個關鍵資訊散落在兩份獨立的 PDF 中：一份食譜寫著成分包含「Base 204」，另一份供應商手冊才記載「Base 204 含有大豆」。傳統 AI 搜尋幾乎必然會漏掉這層隱藏關聯。
階段一、Aggregation：打破結構化、非結構化、SaaS 三大孤島，將散落的資料放到同一張地圖上
第一階段的任務，是把散落各處的資料聚合到同一個邏輯視野下。Knowledge Catalog 用以下三個機制解決這個問題：
- BigQuery 原生映射：對結構化資料來說，Knowledge Catalog 可以與 BigQuery 原生整合 ，將資料表與元數據 (Metadata) 等連結業務邏輯，過去 AI 看到的可能只是一張張表格與欄位名稱，透過語義映射後，它才能理解哪些欄位代表產品、供應商等資訊。
- Smart Storage：針對非結構化資料，當圖片或 PDF 一進入 Google Cloud Storage，Gemini 就會原生介入，自動進行標記、摘要與資訊萃取，讓原本「看得到檔案、但看不懂內容」的問題被大幅降低。
- 零複製 (0-Copy) 存取：對 SaaS 系統，Knowledge Catalog 可以直接連接 Palantir、Salesforce、SAP、ServiceNow、Workday 等應用程式，Agent 不需要先把資料搬進來，就能即時取得橫跨整個企業的上下文。
在 Midnight Swirl 場景中，Aggregation 階段做的是：讓食譜 PDF (存在 GCS)、供應商主檔 (可能在 SAP)、合規規則 (可能在 BigQuery) 被納入同一個可被 Agent 查詢的視野。這一步本身還沒有產生答案，但它確保了「所有可能相關的資料都已經被放到桌面上」。
階段二、Enrichment：從「黑暗數據」到 Agent – Ready
資料聚合進來只是第一步。對 AI Agent 而言，沒有被理解的資料，等同不存在。一份 PDF 即使被掃描進系統，如果沒有人告訴 Agent 這份文件裡哪些段落代表「成分」、哪些文字代表「過敏原」、「供應商」這些實體，Agent 還是無法將資訊轉化為決策依據。
這同時也是傳統資料工程最耗時的環節：人工標註、實體萃取、建關聯表，佔掉資料團隊一半以上的時間。Knowledge Catalog 的關鍵，在於使用以下兩個機制，將這些過去高度仰賴人工的工作，轉化為更自動化的語義建構流程。
- 檔案落地即豐富化：Smart Storage 觸發後，Gemini 會自動萃取實體、標籤與關聯，讓資料一進系統就是「Agent-ready」狀態。
- 自主語義學習：Knowledge Catalog 不只抽取通用名詞，而是協助 AI 學習企業內部的專屬語義。當 Agent 看到「淨營收」、「風險」、「合規」這些詞，它理解的不是字典定義，而是這些詞在企業脈絡下的精確含義。當 Agent 理解這些定義後，才有可能做出符合企業邏輯的判斷。
回到案例：Enrichment 階段對食譜 PDF 自動萃取出「Base 204」作為「成分」實體；對供應商手冊自動萃取出「大豆」作為「過敏原」實體；並且識別出「Base 204」這個料號在兩份文件中是同一個東西。這些關聯原本需要食安團隊手動建表維護，現在由 Gemini 自動完成。
階段三、Search：從找關鍵字，升級成跨文件推理
當資料被聚合並豐富化後，搜尋的層次也隨之提升。傳統的生成式 AI 搜尋本質上仍是「關鍵字比對 + 向量相似度」，這種方式很擅長找到文件中「直接提到的資訊」，但很容易漏掉「需要跨文件推理的隱藏關聯」。Knowledge Catalog 在這一層做了兩件事：
- 基於關聯圖譜的跨文件檢索：因為 Enrichment 階段已經建立了實體間的關聯，Search 不再是平面的文字比對，而是類似沿著地圖找路的概念，在語義圖譜上進行多跳查詢。Agent 可以從產品名稱「Midnight Swirl」追到「食譜」、從「食譜」追到原料代號「Base 204」、再從原料代號追到「供應商手冊」、最終找到過敏原資訊「大豆」，這條推理鏈在傳統搜尋中幾乎不可能完成。
- 與 Deep Research Agent 整合：Knowledge Catalog 可以與 Gemini 企業版的 Deep Research Agent 整合，進行跨越內部資料與公開網路資訊的多步驟推理，最終產出附帶引用來源的業務解答。這對需要「可稽核、可追溯」的企業決策場景特別重要。
當營運團隊輸入「Midnight Swirl 是否包含過敏原?」時，AI Agent 能夠自動從產品名稱跳到食譜、再跳到供應商手冊一路追查，最終準確抓出產品含有大豆，並動態生成一份名為「product specs」的資料 Schema 作為引用證據。整個過程不到五分鐘，而傳統人工流程可能需要跨部門協調、花上半天時間。最終，這個流程在新品上市前就揭露了潛在的食安風險，避免了上市後才發現過敏原而需召回產品的代價。
Knowledge Catalog 能夠實際改變 AI 決策鏈的可行性
把三個階段串起來看，你會發現 Knowledge Catalog 真正改變的，不只是單一環節的處理效率，而是將過去很難落地的企業 AI 決策鏈，變得可信任且可追溯。
這樣的改變不只是「更快」，而是讓很多過去根本做不到、或高度依賴人工經驗的流程，第一次有機會被 AI 系統化處理。 在傳統架構下，Midnight Swirl 這樣跨文件、跨業務語義的隱藏風險，很容易在人工審核時被漏掉，直到產品上市後才被發現；但在 Knowledge Catalog 的架構下，這些關聯可以被提前建立、檢索與引用，成為 AI Agent 做決策時的可信依據。
對技術團隊的實際建議：資料治理將成為 AI Agent 落地關鍵
讀到這裡，你可能會問：這對資料工程師、雲端架構師而言代表什麼實務意義？以下三點是值得注意及思考的重點轉變：
- 資料工程師角色將從「搬資料」轉向「設計語義」：資料工程師的時間將從 ETL pipeline 上釋放出來，轉向更上游的工作：定義企業的核心實體、關係、指標， 讓 AI 能正確學習。
- RAG 系統的檢索曾將從「相似度檢索」走向「圖譜推理」： 向量檢索擅長找相似內容，但企業的問題已轉變為「哪些文件、資料表、業務規則之間存在關聯」，，單純依賴向量搜尋可能已經不夠了。
- 資料治理不再是「IT 苦差事」，而是「AI Agent 導航圖」：在 Agentic AI 的時代，每一個被正確定義的指標、每一條被維護好的業務規則、每一份被標註好的文件，都可能直接影響 AI Agent 的判斷品質，資料治理的 ROI 變得清晰可見。
讓資料治理成為 AI Agent 的導航圖
可信任的上下文，是將「聰明的猜測」轉化為「可靠行動」的關鍵。Knowledge Catalog 的真正價值，不在於它新增了哪些花俏功能，而在於它重新定義了企業資料如何被 AI 使用，透過 Aggregation 匯聚全局視野、透過 Enrichment 賦予深層語義、再透過 Search 實現精準推理。對於正在 GCP 上打造資料平台、RAG 系統或 AI Agent 的團隊來說，這是一次徹底重新思考「資料治理意義」的機會，當企業走向 Agentic AI 時代，真正的競爭力不只來自模型本身，而是來自模型背後那張完整、可信任、可追溯的企業知識地圖。
CloudMile 萬里雲助企業打造可信任的 AI Agent 資料基礎
當 AI Agent 開始實際參與企業工作流程時，資料治理便是決定 AI 能否正確理解業務、引用可信來源並做出可靠判斷的關鍵基礎。CloudMile 萬里雲可協助企業從現有資料架構出發，盤點資料來源、治理流程與 AI 應用場景，並結合 Google Cloud 資料平台、Knowledge Catalog、Smart Storage 與 AI Agent 相關技術，打造更完整、可信且可追溯的企業知識地圖，讓 AI 不只是回答問題，更能在有脈絡、有依據的基礎上協助企業進行決策。歡迎至此聯繫 CloudMile 專業顧問。
(本文訊息由 CloudMile 萬里雲提供，內文與標題經 TechOrange 修訂後刊登。新聞稿 / 產品訊息提供，可寄至：[email protected]，經編輯檯審核並評估合宜性後再行刊登。圖片來源：CloudMile 萬里雲。）
