在生成式人工智能（AIGC）与大语言模型（LLM）席卷全球的今天，科技界的演进共识已日趋明确：“算法与算力筑牢下限，而数据与架构决定上限。”随着大模型技术从实验室的通用对话走向产业深水区，如何克服跨语言泛化难题、消除智能体“幻觉”，并在日均数十亿次调用的高并发商业场景中提供精准决策，成为了全球顶尖科技企业竞相攻克的终极课题。
近日，我们在科技前沿专访中对话了大模型数据工程领域的代表性专家康小宇。作为业内少有贯通“万亿级数据底座建设、AIGC数据合成与评测、以及智能体（Agent）分层架构”全栈技术的资深工程师，他向我们深度剖析了人工智能从底层技术突破迈向大规模产业重构的演进路径。
“在人工智能全球化落地的过程中，许多人将注意力集中在模型参数规模上，但在真实的复杂商业语境中，真正的瓶颈往往在于高质量、多语种数据的持续供给与科学评测体系，”康小宇指出。在多国语言交织、文化背景差异巨大的全球数字贸易场景中，传统通用大模型往往因训练数据偏见或缺乏本土语境而陷入“水土不服”的窘境。
针对这一行业普遍痛点，康小宇及其团队开展了一系列开创性的技术攻坚。他首创了多语言数据筛选与质量评估技术，搭建起“数据合成—自动化训练—客观评测”的闭环迭代链路。这一体系不仅成功突破了公开高质量数据枯竭的“数据墙”瓶颈，更让AI模型在数十种语言及数十个核心商业场景中的表现实现系统性飞跃——在15种以上关键语言的理解与生成能力上超越了国际同类竞品。
这一工业级数据平台不仅稳定支撑了日均10亿次以上的海量调用量，随着企业级应用向AI Agent（智能体）形态加速演进，如何保障智能体在跨会话、长周期复杂任务中的逻辑连贯性与上下文一致性，成为了限制智能体迈向高阶应用的核心挑战。
对此，康小宇率先提出了前瞻性的“智能体分层记忆数据架构”。他通过构建“SQLite短期记忆-过程日记-长期知识库”的三级数据管理体系，巧妙解决了大模型在长文本与多轮交互中容易遗忘、上下文断层的难题。
此外，为了彻底攻克AI在商业决策中的“幻觉”现象，康小宇主导设计了跨境贸易多模态知识图谱数据管道，将数百00万级企业数据与亿级供应链网络高效融合，构建起覆盖数百个细分行业的知识图谱。配合AIGC驱动的自动化知识生成管线，这一技术大幅提升了智能体在复杂推理中的决策准确率，为超过5万付费商家及1000万企业级用户提供了精准、可信的智能化分析服务。
谈及人工智能技术未来3至5年的演变轨迹，康小宇表示：“未来的数据基础设施不再只是静态存储与被动查询的仓库，而是能够与大模型深度融合、实现自我进化与主动推理的智能数据引擎（Data Agent）。”
凭借在软件著作权以及顶级行业奖项方面的突出技术贡献，康小宇正以其卓越的技术洞察力与工程落地能力，持续推动着全球大模型数据基础设施的技术演进，也为数字经济与智能产业的深度融合注入了强劲的前沿动能。
