55
0一个跑了十几年、日增上亿条数据、字段几百个的老数据库——明略的秒针 Social 数据库（"魔方"），怎么才能被 AI 真正读懂？这一期，AI Native 组织实验室的成员 Sophie 和黄楠，请来了魔方 Social 数据业务的负责人卷卷，把他们从情感分析器、AI 搜索一路走到魔方 MCP 的三级跳摊在桌上讲了个明白：为什么"让 AI 直接写 SQL"看似最通用的路走不通？为什么必须是 MCP？100 个工具是怎么从一份六七十页的老报告里倒推出来的？数据、MCP、Skill、Agent 四层架构到底怎么解耦？一次现场，54 分钟摊开讲。
────────────────────
【你将听到】
认识卷卷 · 认识魔方
🎙 嘉宾登场：从数据业务分析师做到数据产品经理，卷卷聊了聊他和数据打了这么多年交道的经历
🎙 为什么这期要聊魔方？"所有 Context 都该被 AI 可读"这句话，落到老数据系统上意味着什么？
🎙 什么是"魔方"？国内数据量最大的 ES 数据库之一，每天上亿条社媒数据，字段几百个——难点到底在哪？
没有 AI 之前：一份报告是怎么写出来的
🎙 圈数据 → 跑定量 → 人工读帖跑定性 → 出报告：过去两个分析师写一份中等品牌报告，为什么要一整周？
🎙 AI 化之后：同样的报告，交付时间从一周压到两三天，这个提速背后到底发生了什么？
魔方 AI 化的三级跳
🎙 1.0 阶段：情感分析器为什么是大模型落地的第一站？"一条帖子里 ABCD 四个对象四种情感"的老难题是怎么被解掉的？
🎙 2.0 阶段：为什么当年 follow 多 Agent 架构做魔方 AI 搜索，最后只能回答 50% 的普通问题，一到深入分析就崩？
🎙 3.0 阶段：为什么最后我们选了 MCP？100 个工具，是怎么定义出来的？
为什么是 MCP：100 个工具的设计原则
🎙 "乐高式"的组件思维：几百个字段怎么被拆成 100 个工具？按用户、按场景、按流程分类分别意味着什么？
🎙 为什么"让 AI 直接写 SQL"这条最通用的路，恰恰是最容易失败的？MCP 的 schema 和描述，到底在补什么？
🎙 MCP UI / MCP APP：为什么在数据分析场景里，有些交互用表单反而比自然语言更高效？
🎙 迭代的秘密："商单查询"这个工具，是怎么从通用查询里被单独抽出来的？
给正在改造老系统的你：一份实操路线图
🎙 我手上就有一个几百字段的老数据库，第一步该怎么下手？"拿一份最复杂的报告倒着推"，我们是怎么做的？
🎙 三种视角缺一不可：业务、产品、研发要怎么坐到一起，共同把 Knowhow 抽出来？
🎙 MCP 的迭代节奏：为什么先做两个"最简单的工具"上线，比一次性做完美更重要？
组织怎么打：兼职十个人，不如小分队专职跑一段
🎙 如果公司里数仓、Data Scientist、分析师、业务分散在不同条线，KPI 都不一样，要动这件事，团队怎么组？
🎙 为什么这件事一定要"专职一段时间"？兼职的坑到底在哪？
MCP × Skill × Agent：数据 Agent 的四层架构
🎙 MCP 和 Skill 的边界到底在哪？什么放在 MCP 里，什么该留给 Skill？
🎙 数据 Agent 的四层架构：数据层 → MCP 层 → Skill 层 → Agent 层，各自解决什么问题？
🎙 为什么要用 MCP 而不是把能力绑死在某一个 Agent 里？"数据、业务知识、Agent、模型"这四件事，都要解耦
🎙 最扎心的一句话：一家公司花在 AI 上的钱，可能有 30%–40% 都该投在"老系统的 context 怎么被 AI 读写"这件事上
────────────────────
想和更多正在做 AI Native 转型的人聊聊？我们攒了一个「章鱼 AI」听友交流群——在这里，你可以和更多正在推动 AI Native 转型的人（从企业老板、管理者，到各行各业的一线实践者）交换踩坑经验，聊聊不同组织把 AI 真正用起来的做法，也能第一时间收到我们的新节目和线下活动消息。
扫描图片下方的二维码，加入交流群，一起待在这个「第一现场」。
────────────────────
—— 本期制作 ——
主持 ｜ Sophie · 黄楠
对谈嘉宾 ｜ 卷卷
剪辑 · 后期 · 运营 ｜ Sophie 和她的 AI
出品 ｜ 明略科技 · AI Native 组织实验室
