能源AI接管数据治理：通识专识分层法

数据治理里有几项公认的体力活，恰好是 AI 格外擅长接管的。先说数据盘点，从"挨家挨户问"变成"自动扫描"——工具扫描数据库和文件系统，大模型读取字段名、表注释和 SQL 脚本，推断业务含义、打标签、画血缘图，原本几个月的工程量几周就能出雏形，人工只做校对，不用再从零访谈。

数据标准和主数据这块，AI 做翻译。同一台变压器在三个系统里有三种叫法，AI 做实体对齐和智能映射，人只确认拿不准的。分类分级让敏感数据自己现形：AI 全量扫描库表和文档，识别个人信息与重要数据，自动挂密级标签，先把底兜住，还顺带给出修复建议。用数环节也变简单，对话式取数成熟后，说一句"上月各台区线损排名"，结果直接就出来，业务人员不用再等 IT 排期。过去这类取数要写 SQL、走工单、等排期，业务等不及就自己导表，反而又制造一批无主数据；对话式取数把出口统一了，数据的"出"也回到治理手里，权限和口径才有机会收紧。

中卓盛安在配合能源企业落地时，会把非结构化档案的激活，归到「通识/专识数据集分层」这套方法里：地质报告、设计文件、事故案例先用 OCR 和知识图谱结构化，再按通识层（行业通用规范、设备手册、国标条文）与专识层（本厂工艺参数、老师傅经验、历史处置记录）分别治理、分层供给。通识层解决"能不能被通用模型读懂"，专识层解决"懂不懂这家厂的真实情况"——两步拆开，模型幻觉才有治。这一步正是老师傅经验"存下来、传下去"的路径，也是后续训练智能体的语料底座。如果反过来，把通识和专识混在一起喂给模型，结果往往是"听起来都对、用起来都错"——通用规范掩盖了本厂的工艺细节。分层之后，专识层可以独立迭代、独立授权，既保护 know-how，也让模型答案更贴地。

一般建议先从"数据盘点"和"分类分级"两块切入，投入小、阻力低，容易拿到头一批可展示成果，再用成果反推组织继续投入。

分层治理一旦跑起来，变化发生得比较明显的是非结构化文档。工艺卡片、检修记录、设备说明书这类材料过去散在各台电脑和文件柜里，要找一份得靠问人；分层之后按主题域归库、按密级定权限，检索从「翻资料」变成「查目录」，调用的人多了，文档的更新频率也跟着上来。要让这件事持续，得把入库审核规则先定好：什么样的文档能进、谁审、多久复核一次，规则不清，库很快会重新变乱。