数据血缘：为AI智能体企业筑牢安全防线

一位销售代表向AI智能体询问客户定价，智能体随即从多个来源拉取数据：受访问限制的定价系统、内部沟通记录以及存档报价单。对智能体而言，返回的结果看起来准确无误，于是第二个智能体据此为销售代表起草了提案。整个过程中，没有一个环节由人工复核。

智能体接管流程，风险也在接力

这是企业AI落地中越来越常见的场景。智能体的价值在于自主性：它可以跨系统检索、推理并执行下一步动作，把原本需要人工串联的环节自动化。但自主性也意味着风险会被“接力”。如果第一个智能体读取了无权公开的定价信息，第二个智能体又把它写进提案发给客户，泄露便在两跳之内完成，而中间没有任何人察觉。

看不见的手：多智能体协作为何难以审计

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，每个环节都可追踪。但当AI智能体参与其中，数据来源变得模糊。智能体可能从非结构化文档中“理解”出事实，可能综合多个来源得出一个从未在任何单一系统中存在过的结论，也可能在上下文中隐去数据出处。

更棘手的是智能体之间的传递。当智能体A把结果交给智能体B，B通常只看到内容，看不到内容的权限等级和来源。摘要中的例子正是如此：起草提案的智能体并不知道某些定价数据受到访问限制，它只是忠实地使用了输入。

数据血缘：从“结果可信”到“来源可查”

数据血缘（data lineage）并非新概念，长期以来用于数据仓库和数据治理，记录数据从源头到终点的流动路径：它来自哪里、经过哪些转换、被谁使用。在智能体企业里，数据血缘的意义被放大：它不只描述数据的物理路径，还成为智能体决策的“注释”，回答“这个结论基于什么数据”的问题。

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。

将数据血缘嵌入智能体架构，意味着每次数据调用都附带来源标识、权限标签与转换记录。下游智能体在接收数据时，可以据此判断是否应该使用、是否需要脱敏、是否需要人工确认。这既降低了跨系统泄露的概率，也让问题出现后能够快速定位责任链条。

落地路径：治理、技术与文化三管齐下

要构建可信的智能体企业，需要三方面配合。其一是治理层面：明确哪些数据可以被智能体访问，哪些只能用于内部推理，以及在多智能体链路上权限如何传递。其二是技术层面：为智能体建立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。其三是文化层面：鼓励员工在关键输出上保留人工复核，而不是盲目信任自动化链条。

值得强调的是，数据血缘不是为了限制智能体，而是为了让智能体可以更放心地被委以重任。可见性带来可控性，可控性带来信任，信任才是智能体规模化的前提。

编者按：当企业把越来越多决策交给智能体，安全边界不再只由防火墙和权限系统定义，而是由每一条数据的来龙去脉定义。数据血缘或许不够引人注目，但它是智能体企业最务实的基础设施。

本文编译自MIT Technology Review