核心观点 - WisdomAI与Teradata达成合作，将WisdomAI的确定性智能分析平台原生嵌入Teradata的新产品Tera中，为企业关键数据提供自然语言查询、单提示词构建实时应用及主动式AI代理，实现95%以上的洞察准确率 [1][2] 合作内容与产品集成 - WisdomAI的Agentic Analytics平台已原生嵌入Teradata（NYSE: TDC）的新产品Tera，Tera作为Teradata自主知识平台中的企业数据工作AI同事，将于2026年秋季可用 [2] - 该集成使企业用户能用自然语言与数据对话、通过单提示词构建实时应用，并部署主动式AI代理，监控KPI、定位根本原因并驱动下一步行动，覆盖结构化、半结构化和非结构化数据 [2] - 集成将于2026年第四季度在Teradata Cloud上的Teradata自主知识平台中全面可用，随后在Teradata Factory上提供 [6] 技术架构与数据治理 - WisdomAI的架构专为企业实际运行环境设计，数据分布在多个位置、受多重控制且极少移动，可在单次查询中跨结构化仓库、半结构化日志和非结构化文档进行推理，无需复制、重新管道化或向外部模型暴露数据 [3] - 在Tera内部，WisdomAI直接在Teradata受治理的数据基础上执行每次查询，完整保留安全、血缘和访问控制，使超过95%准确的智能BI在受监管、高性能的工作负载上成为可能 [3] - 集成还结合了Tera Context Engine，为代理提供受治理的业务上下文，包括行业数据模型、规范指标、业务逻辑、血缘和策略，预定义的语义上下文使更多工作从概率推理转向确定性执行 [4] - Teradata的治理、数据建模和映射代理在数据、策略和定义变化时保持上下文更新，无需企业移动数据或替换现有投资即可获得更准确可靠的智能分析 [4] 高管观点与战略意义 - WisdomAI联合创始人兼CEO Soham Mazumdar表示，WisdomAI的使命是在企业关键数据上提供可信、准确的答案，这些数据通常受监管、位于本地且过于重要而不能依赖概率猜测，与Teradata的合作是双方数据对话的倍增器，业务用户可直接与数据交互，数据团队获得尊重其治理、性能和严谨性的AI伙伴 [5] - Teradata首席产品官Sumeet Arora表示，Teradata平台旨在为受监管和关键任务数据带来企业级AI，将WisdomAI嵌入Tera意味着业务用户无需改变数据位置或治理方式即可做更多工作，这种合作尊重客户已构建的架构并放大其能力 [5] - 合作结果为企业分析带来新运营模式：业务用户可在提问时间内获得答案，数据团队节省处理常规请求的时间，决策不再等待下一次会议 [5] 公司背景 - WisdomAI成立于2023年，是新一代AI分析和商业智能的领导者，拥有首个为企业提供可信、准确和主动洞察的Agentic Analytics平台，支持自然语言对话式BI、单提示词即时构建实时应用以及部署自主主动代理 [7]

核心观点 - Teradata将Tera升级为面向企业数据工作的智能体同事，通过自然语言和引导式执行，让各类数据角色能在单一受控环境中分析数据、构建AI应用、操作基础设施并自动化复杂工作流，且无需深度Teradata专业知识 [1] - Tera解决了企业AI缺乏理解业务和基于理解行动的能力两大需求，为客户带来更可靠的AI结果、更好的模型交互经济性和更快的价值实现时间 [2] Tera三大关键能力 - Tera包含三个全新组件：Tera Context Engine（供应商中立的上下文与编排层）、Tera Harness（智能执行层）和Agent Skills（专为数据工程、数据分析和数据科学构建的智能体技能） [5] - Tera是Teradata自主知识平台的一部分，三个组件可组合或独立使用，使Tera成为能理解业务、协调正确能力并推动数据工作达成结果的智能体同事 [6] - 组织保留选择模型、工作负载运行位置和企业数据访问方式的能力，覆盖云、本地和主权环境 [6] Tera Context Engine - Tera Context Engine是一个开放、中立的上下文与编排层，运行在企业已使用的数据环境之上，连接数据库、结构化与非结构化数据平台、管道引擎、目录、模型和AI智能体，无需移动数据、替换现有技术或绑定单一供应商 [8] - Tera Context Engine不限于Teradata管理的数据，为组织提供一致的可信知识基础，无论数据存储在哪里 [8] - 原生上下文图将分散的企业数据转化为可复用的业务知识，连接元数据、血缘、语义和业务含义作为关系，保持与治理、血缘和访问控制的连接，并持续从真实企业使用中学习改进 [9] - 神经符号模型结合自主语义映射、确定性检索与行业知识模型，提供符号知识基础，结合显性企业知识与统计AI，减少智能体错误并加快价值实现时间 [10] - 确定性查询经济性将工作从昂贵的概率推理转向受控执行路径，模型在既定定义上消耗更少调用，提供更高准确性、更低推理成本和更可预测的经济性 [11] - 受控智能体自动化使智能体能基于受控上下文行动，自动化数据产品创建、管道规范和验证控制，一致应用企业定义和政策 [12] Tera Harness - Tera Harness将意图转化为结果，在工作流中维护上下文并协调正确的技能、工具、数据和模型，无需手动路由 [13] - 成本优化循环限制非生产性迭代，批量处理独立工作，移除不改善结果的模型和工具交互，基于任务进度约束执行，应用84个经过验证的执行模式预推理 [14] - 循环嵌入式护栏在推理前应用护栏、加载相关记忆并规划工作，安全、策略控制和人工审批直接嵌入智能体循环内，在执行点强制执行治理 [15] - Go原生性能核心基于Go原生引擎和gRPC构建，在单个8-vCPU虚拟机上支持512个并发智能体，每分钟处理279次工具调用 [16] - 持久化智能体执行监控进度、从故障中恢复而非放弃任务，状态管理和检查点直接内置于运行时层，智能体可运行数天或数周，暂停等待人工审批时零计算成本 [17] Agent Skills与智能体类型 - Agent Skills是可复用的任务特定能力，将Teradata数十年知识封装为AI可调用函数，可通过自然语言由用户直接访问，无需深度技术专长 [19] - 技能根据手头任务自动加载，Tera将每个技能路由到正确的模型和工具，MCP连接性允许组织用自己的工具和集成扩展Tera [19] - 平台智能体处理Teradata环境的管理操作，包括工作负载调优、计算规模调整、遥测和FinOps [20] - 分析智能体直接处理数据工作，从自然语言到SQL和Python再到查询优化 [20] 基准测试结果 - 在SWE-bench Pro测试中，使用相同Opus 5模型，Tera比Claude Code消耗少73%的token，任务完成率高，完成速度快42%，总成本低58% [3] - 在数据工程基准测试中，Tera比Snowflake Cortex Code使用Opus 5的每可靠解决任务成本低53% [3] - 在数据工程基准和ADE基准上，Tera获得基准领先的准确性，在数据工程基准上获得最高Pass分数，在ADE基准上并列最高分 [3] 本地执行与AI服务 - Tera在Teradata环境内原生执行AI，包括Teradata控制台，直接在数据上运行分析和机器学习工作负载，无需外部模型调用，消除数据移动和延迟，降低定量任务的幻觉风险 [7] - Teradata AI服务帮助客户避免实验陷阱，直接转向生产结果，识别受控上下文能创造可衡量价值的用例，配置行业知识模型，加速企业知识投入生产 [21] - Teradata的AI价值工程方法论确保AI程序为生产就绪而非实验设计，预开发的智能体和工具加速客户价值实现时间 [21] 可用性 - Tera Context Engine、Tera Harness和Agent Skills将于2026年第四季度可用 [22]