智能体"会思考"的前提，是它读到的是准确、一致的数据。不少自动化项目失败，不是算法不行，而是底层数据乱：同一家供应商在三个系统里有三个编码，同一笔订单的币种字段时有时无。主数据管理（MDM）解决"数据一致性"这一根本问题。把企业级智能体自动化平台与主数据管理协同，相当于给智能体铺了一层可信数据底座——规则与模型都建立在"同一个事实"之上。这也是 RPA+AI 在数据治理侧应当补的一课。

一、主数据为什么是智能体的地基

主数据是企业核心业务对象（客户、供应商、物料、科目、组织）的权威版本。智能体做抽取、校验、对账时，若引用的主数据不一致，结论就会自相矛盾。某白酒企业的 18 个财务场景实现 100% 自动化，集成 SAP、EPM、九恒星、税务与网银，前提是这些系统的主数据口径统一、可被校验。

二、协同的三种落地方式

主数据校验前置：智能体处理前先比对主数据，异常即拦截；
主数据服务化：智能体通过统一接口取"权威值"，不自建副本；
处理结果回流：智能体发现的主数据问题（如缺失编码）回写治理流程。
某轴承零部件企业的 BOM 校验从 60 分钟降到 20 分钟、效率提升约 3 倍，关键一步就是把物料主数据作为校验基准，而非临时拼凑。

三、与数据门工程的关系

主数据管理是企业级数据治理的一部分。此前讲过"数据门"——把多源数据汇集、清洗、结构化、校验。主数据管理解决的是"结构化之后、跨系统一致"的问题：前者管"进得来"，后者管"对得齐"。某工业互联网企业的大宗物料价格监控从 90 分钟降到 15 分钟、效率提升约 5 倍，背后是主数据 + 价格源的标准化对齐。

四、实施路径建议
先盘点：识别哪些主数据对象影响面较广（客户、供应商、物料、科目）；
再服务化：把权威主数据以接口暴露，智能体统一调用；
后治理：建立主数据问题的发现—反馈—修复闭环。
某轴承零部件企业的 BOM 校验从 60 分钟降到 20 分钟、效率提升约 3 倍，关键一步就是把物料主数据作为校验基准，而非临时拼凑。某工业互联网企业的大宗物料价格监控从 90 分钟降到 15 分钟、效率提升约 5 倍，背后是主数据 + 价格源的标准化对齐。

五、避坑

避免智能体各自缓存主数据，造成版本分裂；
主数据变更要通知在途任务，防止用旧值；
敏感主数据按角色脱敏后供智能体使用；
主数据质量要设度量（完整率、一致率），持续监控。

六、常见误区

主数据协同有几个容易踩的坑：一是"重建设、轻运营"，系统上线了但主数据没人维护，时间一长又乱了；二是"智能体各自存一份"，造成版本分裂，同一字段多处取值不同；三是"变更不通知"，主数据改了，在途任务还用旧值，导致对账错位。

要避免这些，关键是把主数据当成"服务"而非"文件"：智能体通过统一接口取权威值，不在本地缓存副本；主数据变更时主动通知在途任务；敏感主数据按角色脱敏后再供智能体使用。某白酒企业 18 个财务场景 100% 自动化，前提就是主数据口径统一、可被校验——地基稳，上层才稳。

落地检查清单

智能体处理前是否先做主数据校验
主数据是否以服务化方式统一供给
主数据问题是否可回写治理流程
主数据变更是否通知在途任务
敏感主数据是否按角色脱敏