对话即治理：星环科技Astro助轨道交通1个月治理29万+字段、效率提升10倍

客户背景

某地市级地铁集团（以下简称"该集团"）已建成覆盖车辆、通信、信号、供电等多专业系统的数据接入体系，汇聚近百万有效测点，初步实现跨系统实时数据共享，具备了较好的地铁运维数据资产基础。

然而，随着数据规模持续膨胀，该集团意识到：数据"存起来"不等于"治得好、用得上"。当前的治理工作仍停留在"按需整理"阶段，亟需借助智能化手段，推动数据治理从"人工驱动"迈向"智能驱动"。

三大核心挑战

项目启动前，该集团数据治理面临三重难题：

一是数据标准与质量难以统一。 轨道交通专业壁垒高，各系统术语差异大，跨领域理解成本高；"按需治理"的模式导致数据质量参差不齐，难以支撑全局分析。

二是分类分级依赖主观判断。 安全分类分级大量依赖人工经验，血缘关系字段在不同系统中独立判别，容易产生冲突，需要投入大量人力复核。

三是人工治理效率低下。 面对生产网 60 万+设备产生的海量高频数据，人工处理不堪重负；业务标准动态变化，又缺乏自动感知与快速响应机制。

为此，该集团确立了三个目标：以业务域为单位，系统推进数据标准化、质量提升与元数据管理；实现"增即治理"，合规完成资产上架；破解生产网海量高频数据分类分级的人力难题。

解决方案：

星环科技 Astro 智能数据治理平台

针对上述挑战，星环科技为该集团引入自然语言对话驱动的智能数据治理 平台 Astro。Astro 基于自研数据分类算法与数据治理行业知识库，为该集团提供了分类分级、语义补全、数据血缘、质量推荐与执行、数据贯标五大智能体；企业可按需构建内部知识体系，灵活调整 Agent 参数与提示词，实现标准化、自动化、可持续的数据资产管理闭环。

分类分级、语义补全、数据血缘：四条路径交叉验证。 数据分类智能体基于业务语义与元数据信息，通过四条路径融合得出结果——利用血缘上下游关系推断关联元数据的分类；基于内置知识库与客户本地知识库进行"语义+结构"混合召回；对高相似度未命中的元数据，由大模型推理补全；对缺少中文名或注释的表和字段，先由语义补全智能体结合采样数据与上下文推断业务语义，仍无法判断的再由人工确认。人工确认与修正的结果一键回写知识库，保证分类分级智能体"越用越好"。

数据贯标：先定域、再定标。数据贯标智能体先依据分类分级结果确定元数据所属业务域，再通过知识库召回与语义匹配，推荐高度相似的数据标准；用户手动确认的结果可一键加入知识库，系统"越用越好"。

质量规则与规则执行：多路径智能推荐。 质量智能体综合知识库、数据标准技术属性（长度、精度、码值域）、专家规则（码值校验、正则、唯一性、非空、时间格式等）与数据采样分析四条路径，动态推荐检查规则并标注可信度；用户确认后自动生成质量检查任务与标准管理工单并落地执行，形成"推荐—确认—执行"的闭环。

项目成效

覆盖快。 项目以合同域、信号、车辆、供电、通信五大核心业务域为切入点，累计治理 29 万+字段，仅用 1 个月完成全量覆盖。

效率高。 智能体自动执行效率达 60 字段/分钟，人工 Review 效率 13 条/分钟，端到端治理效率提升 10 倍。以字段量最大的信号系统（9 万+字段）为例，传统纯人工治理约需 120 人/天，引入 Astro 后智能体环节压缩至 12 人/天。

质量稳。 五大业务域治理准确率稳定在 82.8%～86.4%：合同域 84.4%、信号系统 83.1%、车辆系统 82.8%、供电系统 86.4%、通信系统 83.4%。

可复用。 项目沉淀出"智能+人工"协同治理范式——智能体负责批量初筛与规则推荐，人工聚焦异常修正与知识沉淀，形成可复用的治理流程与知识库，为后续业务域扩展打下基础。

在此基础上，该集团构建起"增即治理"的增量治理闭环：系统实时捕获新增表和字段，自动生成治理任务工单；AI 基于业务域知识库自动匹配数据标准、完成分类分级、推荐质量规则，治理结果统一推送至 TDS 平台；支持自定义业务域编目与多模态资源上架，数据使用方可在资产目录中检索，集团实施合规性前置审查，实现全量集中管理与透明化运营。

地铁行业数据治理的核心矛盾，是海量数据与有限人力之间的矛盾。该案例的价值在于：以 AI 智能体承接绝大部分批量初筛工作，把专家经验沉淀为可复用的知识库，让人的精力聚焦在高价值判断上——这正是"增即治理"得以实现的关键。数据治理由此从一次性项目，转变为持续运转的资产管理能力，为城轨行业数据资产化提供了可借鉴的路径。