Databricks
传统AI智能体因缺乏动态语义层导致企业数据推理准确率形同抛硬币,Databricks通过自学习OntoRank本体技术自动提取隐性代码逻辑,彻底终结了高延迟与Token浪费的盲目循环。
AI-assisted summary of Introducing Genie One: the AI coworker that understands your data (with demo) — original source. Check the original for full context.
Source published:
Key ideas
- Databricks 正式推出数据智能 AI 协作者 Genie One 并宣布进入 GA 商用阶段,能够连接企业多源数据与应用,自动生成各类文档与分析报告并执行任务编排。 (0:00)
- 基准测试显示通用代码 Agent 在面对新颖企业数据问题时正确率仅约 50%,而搭载全新 Genie Ontology 上下文层后,Genie One 的准确率提升了超过 30 个百分点,同时运行时间缩减一半。 (9:30)
- Genie Ontology 引入类 PageRank 的 OntoRank 专有算法,可自动从数仓流水线、SQL 查询和仪表盘中抽取隐性业务逻辑并仲裁权威计算规则,同时严格继承源系统的细粒度数据权限。 (7:06)
- Genie One 原生集成 Slack、Microsoft Teams 以及 iOS/Android 移动端,并开放 Genie MCP 接口支持第三方 Agent 挂载其精准数据计算能力;Databricks 为每位企业注册用户每月提供 10 美元免费 Token 额度。 (20:18)
Detailed notes
## Background 本内容由 Databricks 官方频道于 2026 年 6 月 23 日发布在 YouTube 平台。视频简介介绍了 Genie 系列的最新成员 Genie One——一款能够理解企业全域数据并生成文档与报告的 AI 协作者,其核心由自学习上下文层 Genie Ontology 驱动,旨在帮助营销、财务和销售等团队实现工作流程的自动化与协同编排。
## TL;DR 发布会直击当前主流 AI Agent 在面对企业复杂数据时准确率低(仅约 50%)、推理死循环和成本高昂的核心痛点。Databricks 正式推出 Genie One 及其背后的 Genie Ontology 自学习上下文层,利用 OntoRank 算法从企业现有数仓流水线和看板中自动抽取并仲裁权威业务逻辑,将基准测试准确率大幅提升超 30 个百分点。现场通过筹备高管 OKR 评审、自动跟进 Jira、预测分析以及移动端主动预警等实战演示,展现了其跨数据源实时计算与从被动问答转向主动协同的能力。此外,官方还宣布了多端集成(Slack、Teams、移动端)、Genie MCP 应用开放以及面向企业全员的每月免费额度,Genie One 即日起正式全面商用(GA)。
## Atmosphere & style 整场演讲充满务实且极具说服力的科技发布会氛围,主讲人 Ken Wong 毫不避讳地用自身惨痛的实测翻车经历(如其他大牌 AI 凭空捏造数据、狂耗 Token 却吐出字符画)直击行业痛点,引发台下强烈共鸣。随着 Elise Georis 接棒带来流畅且高度贴合日常业务的现场演示,现场情绪从对传统 Agent 困局的无奈迅速转为对新工具强大计算与溯源能力的惊叹。叙事节奏紧凑专业,既有对底层算法原理的自信剖析,又有极具感染力的落地展示,观感利落且令人信服。
## Bulletin - [00:00](https://www.youtube.com/watch?v=6W3BnCgoYVA&t=0s) Databricks 正式推出数据智能 AI 协作者 Genie One 并宣布进入 GA 商用阶段,能够连接企业多源数据与应用,自动生成各类文档与分析报告并执行任务编排。 - [09:30](https://www.youtube.com/watch?v=6W3BnCgoYVA&t=570s) 基准测试显示通用代码 Agent 在面对新颖企业数据问题时正确率仅约 50%,而搭载全新 Genie Ontology 上下文层后,Genie One 的准确率提升了超过 30 个百分点,同时运行时间缩减一半。 - [07:06](https://www.youtube.com/watch?v=6W3BnCgoYVA&t=426s) Genie Ontology 引入类 PageRank 的 OntoRank 专有算法,可自动从数仓流水线、SQL 查询和仪表盘中抽取隐性业务逻辑并仲裁权威计算规则,同时严格继承源系统的细粒度数据权限。 - [20:18](https://www.youtube.com/watch?v=6W3BnCgoYVA&t=1218s) Genie One 原生集成 Slack、Microsoft Teams 以及 iOS/Android 移动端,并开放 Genie MCP 接口支持第三方 Agent 挂载其精准数据计算能力;Databricks 为每位企业注册用户每月提供 10 美元免费 Token 额度。
## Key takeaways - [00:00](https://www.youtube.com/watch?v=6W3BnCgoYVA&t=0s) 现存企业 AI 助手普遍面临无法深度连接企业复杂数据进行逻辑推理、或准确率过低导致无法用于实际业务决策的硬伤。 - [01:02](https://www.youtube.com/watch?v=6W3BnCgoYVA&t=62s) 在产品顾问委员会(PAB)实测中,市面主流助手出现凭空捏造数据、提供过时简报或陷入长达 30 分钟试错回环的问题,而 Genie One 能跨系统快速交付完整客户画像。 - [04:17](https://www.youtube.com/watch?v=6W3BnCgoYVA&t=257s) 传统 Agentic Loop 依赖随机漫步式推理,导致准确率、Token 成本与运行时间陷入无法兼得的三元悖论,面对复合型未建模业务问题时胜率形同抛硬币。 - [04:17](https://www.youtube.com/watch?v=6W3BnCgoYVA&t=257s) 仅靠人工在语义层定义规则难以应对多变灵活的边缘业务场景,而依靠 AI 自动硬编码建模又容易过度锚定单一场景,损害全局通用泛化能力。 - [07:06](https://www.youtube.com/watch?v=6W3BnCgoYVA&t=426s) Genie Ontology 通过四大阶段打破死锁:自动抽取管道与仪表盘中的隐性计算规则、沉淀至内部知识库、通过 OntoRank 算法评定权威度,并在权限感知下动态注入推理循环。 - [07:06](https://www.youtube.com/watch?v=6W3BnCgoYVA&t=426s) 即便企业从未显式建模某项指标,Genie 也可根据历史查询与仪表盘算法溯源推导出精准口径,并提供完整透明的引用溯源信息。 - [09:30](https://www.youtube.com/watch?v=6W3BnCgoYVA&t=570s) 在 Databricks 内部真实业务问题评测中,Genie One 相比顶尖代码 Agent 取得了 30 个百分点以上的断层式准确率跃升。 - [10:38](https://www.youtube.com/watch?v=6W3BnCgoYVA&t=638s) 实战演示中,Genie One 能够跨 Databricks 和 BigQuery 即时执行 SQL 运算本周最新指标,并通过 MCP 协议自动识别并催促未完成的 Jira 阻塞项。 - [13:07](https://www.youtube.com/watch?v=6W3BnCgoYVA&t=787s) 用户可以将复杂的分析流程固化为定时计划任务,或基于已有上下文一键生成经官方认证(Certified)的领域专家 Agent 供全司复用。 - [15:19](https://www.youtube.com/watch?v=6W3BnCgoYVA&t=919s) Genie 实现了从被动问答工具向主动式 AI 协作者的跨越,可在移动端基于上下文主动推送关键指标异动警报,无需用户预先配置监控规则。 - [18:36](https://www.youtube.com/watch?v=6W3BnCgoYVA&t=1116s) 华纳音乐、通用汽车与富乐客等全球企业已在生产环境中规模化部署 Genie,用于跨多源复杂数据体系赋能全员数据决策。 - [21:23](https://www.youtube.com/watch?v=6W3BnCgoYVA&t=1283s) Genie One 全面进入 GA 阶段,支持移动端和协作套件接入,并通过每月 10 美元的全员免费使用额度大幅降低企业落地门槛。
## Detailed walkthrough ### [00:00](https://www.youtube.com/watch?v=6W3BnCgoYVA&t=0s) 隆重推出 Genie One:企业级数据 AI 协作者
Databricks 产品管理高级总监 Ken Wong 登台向大家介绍了 Genie 系列的全新成员——Genie One。Genie One 被定义为一位具备数据智慧的 AI 协作者(AI co-worker),它能够深度连接企业的所有数据资产与各种业务应用,帮助组织内的任何成员获取业务洞察,甚至直接实现行动自动化。用户只需通过最简单的自然语言与 Genie 交流,就能直接创建自主代理(autonomous agents)。
面对台下观众心中普遍存在的疑虑——“都到了 2026 年,我们为什么还需要市面上的又一款 AI Agent?”,Ken Wong 给出了直截了当的答案:现有的各类 Agent 在处理企业级数据时表现极其糟糕。它们要么完全缺乏连接企业复杂数据并进行逻辑推理的能力,要么准确率过低,根本无法让人放心依赖它们做出真实的商业决策,更不用说将核心工作流程完全自动化。
Ken Wong 针对当前企业智能体的核心痛点直言不讳地指出: > “The ones that you have today aren't very good with enterprise data. They either can't connect and reason about data at all, or they're just not accurate enough for you to actually trust them to make real decisions or let alone automating your work.”
---
[01:02](https://www.youtube.com/watch?v=6W3BnCgoYVA&t=62s) 真实场景实测:PAB 顾问委员会客户画像对比五大主流 AI Agent
为了用事实说话,Ken Wong 分享了他在演讲前一天亲身经历的真实工作场景。当时 Databricks 正在召开产品顾问委员会(Product Advisory Board,简称 PAB)会议,他需要一份全面的客户背景档案(profile),清晰掌握每家参会企业的最新动向。这一任务对于系统连接和实时推理的要求极高:AI 必须打通他的个人邮箱、Slack 以及日历,以理清究竟有哪些高管参会以及近期的沟通脉络;需要接入 Salesforce 抓取具体的业务应用场景;更关键的是,它还必须连入 Databricks 底层数据平台,调取所有相关的算力与功能消耗指标,以便深入分析各客户到底在用 Genie 做些什么。
Genie One 在短时间内不仅成功穿透查询了 Databricks 平台与各大外围 SaaS 系统,还生成了一份图文并茂的全面可视化客户档案。随后,Ken Wong 用完全相同的 Prompt 测试了当前市面上五款处于行业第一梯队的 AI Agent,其中包括两款随现有工作软件捆绑交付的企业级 AI 助理,以及三款主流的代码与办公协同 Agent(coding and co-work agents)。测试结果呈现出灾难性的落差:
第一款他平时经常用来写文档的常用 AI 助理几乎是秒回,但定睛一看数据就露馅了——它言之凿凿地宣称 PAB 委员会共有 24 位客户。当 Ken 追问这 24 个人的数字从何而来时,该助手竟然老老实实招认这是它凭空编造出来的(completely made it up)。第二款捆绑型 AI 助理表现略好,通过搜索内部现有文档提取出了几份客户简报,然而这些档案全是上个季度的陈旧信息,对当下关键决策毫无参考价值。
另外三款代码与协同 Agent 确实尝试连接结构化数据源以提取实时指标,但很快就陷入了冗长的盲目循环(agentic loop)。其中一款不仅跑满了单次运行时间限制、弹窗向 Ken 申请继续燃烧海量 Token 的权限,还在反复折腾数十分钟后吐出了一张花哨的 ASCII 字符画,并坦白工作才刚刚完成了一小部分。在漫长的 30 分钟等待后,它只交出了一份半成品,与 Genie One 干净利落的高效输出形成了极其强烈的对比。
谈及日常深度依赖的办公助手在此次测试中的荒唐表现,Ken Wong 感慨道: > “It confessed that it just completely made it up. I was stunned, right? Cuz this is actually I use this thing a lot. Uh, not just for at work, but also have a personal subscription. Um, but it just shows to goes to show you how important enterprise grounding actually is.”
---
[04:17](https://www.youtube.com/watch?v=6W3BnCgoYVA&t=257s) “Agentic Loop” 的困境:为什么编写语义层无法解决企业数据推理
面对“这是否只是挑拣特定极端案例”的质疑,Ken Wong 指出,这与 Databricks Research(Databricks 研究院)针对代码 Agent 解答新颖企业级问题能力的系统性研究完全吻合。研究团队收集了 Databricks 内部员工日常向 Genie 提出的真实业务问题作为基准测试(Benchmark)。这些问题绝非用传统语义层就能轻易敷衍的简单指标查询,而是充满具体上下文与复合逻辑的全新难题,例如:“在所有使用 Genie 的客户中,到底有多少百分比的客户同时还在使用第三方 Agent?”评测数据显示,即使是市面上最顶尖的代码 Agent,成功答对的概率也仅仅在 50% 左右,且单次推理需要耗费数分钟。
Ken Wong 深刻剖析了 50% 正确率对企业生产环境的毁灭性影响: > “And remember this chart, we'll come back to it. But 50% of the time for a real data question is basically unusable, right? You cannot make you literally can flip a coin.”
导致这一困境的底层机制在于当今 AI 架构中的代理循环(Agentic Loop)。Agent 为了找到正确答案,完全依赖随机漫步式的推理步序,寄希望于碰巧撞上解答所需的那块关键上下文。在准确率、计算成本和运行时间之间,存在着一个无法调和的三元悖论——要稍微提升一点准确度,就必须以 Token 消耗暴增和延迟拉长为代价。
针对这个难题,目前行业最推崇的做法是人工注入上下文:AI 领域称之为定义“技能”(skills),BI 领域则称之为构建“语义层”(semantic layers)。这种方式对于公司内最核心、最稳定的一小撮商业概念确实行之有效,但在广阔而动态的真实业务中根本无法普及。现实中,每个市场营销活动对“潜在客户(lead)”的判定规则都存在细微差异;每一个敏捷研发团队在 Jira 里对各类字段的填写用法都千奇百怪。让数据工程团队把全公司所有的边界逻辑巨细靡遗地手动书写并维护进语义层,在工程和人力上是完全不现实的。而寄希望于用大模型反向自动生成数据模型同样行不通,Anthropic 先前发布的技术博客已明确揭示了其局限性——通过 AI 自动生成的硬编码模型往往会将模型锚定在单一具体场景中,最终反而对全局任务的通用推理产生严重的负面影响。
```mermaid flowchart TD accTitle: 传统 Agentic Loop 与人工语义层的困局 accDescr: 展示现有 AI Agent 在解决新颖数据问题时面临的随机试错、成本高企、语义层难以穷尽的循环悖论
subgraph ProblemSpace ["企业真实数据提问"] Q["复合型/未建模的新颖业务问题"] end
subgraph AgenticLoop ["传统 Agentic Loop(随机漫步)"] Step1["多步推理/尝试连接"] Step2["碰运气检索碎片上下文"] Step3["超时/超 Token 消耗/产出残缺"] Step1 --> Step2 --> Step3 --> Step1 end
subgraph ManualSemantic ["现有修补方案及其局限"] Manual["人工维护语义层 / Skills"] EdgeCases["各部门细分定义千差万别<br/>(例如每场 Marketing Campaign 不同的 Lead 定义)"] AIGen["AI 自动建模导致过度锚定单一场景"] Manual -.->|"无法覆盖全部边缘场景"| EdgeCases AIGen -.->|"降低全局推理泛化能力"| Q end
Q --> AgenticLoop AgenticLoop --> Result["准确率仅约 50%(相当于抛硬币)"] ```
---
[07:06](https://www.youtube.com/watch?v=6W3BnCgoYVA&t=426s) 突破瓶颈:自学习上下文层 Genie Ontology 与 OntoRank 算法
为了打破 Agentic Loop 的精度死锁,Databricks 提出了颠覆性的解决方案——Genie Ontology(本体层)。Ken Wong 幽默地打趣称 CEO Ali Ghodsi 已经在早先的主旨演讲中抢先剧透了这个杀手锏。Genie Ontology 是一个全新的自学习、自动化上下文层,它无缝架设在企业现有的已建模上下文之上(无论是在 Unity Catalog 内构建的元数据,还是在各类传统语义建模工具中沉淀的规则),让连接到底层的 Genie One 及其代理工具能够极其精准地进行数据逻辑推理。
Genie Ontology 的具体运作链路分为四个精密阶段: 1. **自动知识抽取**:系统自动连接企业内所有蕴含业务逻辑的资产。以 Databricks 为例,日常运行的数仓流水线(Pipelines)、SQL 查询(Queries)、可视化仪表盘(Dashboards)中,潜藏着无数未经系统化沉淀的隐性业务常识。系统会抽取出其中复杂的计算表达式、表与表之间的深层关联,甚至是“专家经验映射”——精准锁定哪位工程师或分析师才是某个业务主题领域真正权威的专家。 2. **知识沉淀与存储**:所有抽取的逻辑碎片、代码段与业务映射均被规范化汇聚至统一的内部知识库(Internal Knowledge Store)。 3. **权威度排名(OntoRank 算法)**:系统在知识库之上运行名为 OntoRank 的专有算法(Ken Wong 调侃道:“这就证明在 Databricks 里依然是工程师说了算,连命名都致敬了经典的 PageRank”)。OntoRank 负责对各类相似或重叠的代码逻辑片段进行全局打分与仲裁,判定哪个业务计算规则具备真正的最高权威性。 4. **权限感知与动态上下文注入**:当用户向 Genie 提问时,OntoRank 会自动检索相关的权威逻辑碎片,并同步穿透继承底层源系统的细粒度数据访问权限(Permissions),在防止权限越权泄露的前提下,将精准的上下文在恰当时机直接注入 Agent 的推理循环中。
有了这一层机制,当用户抛出一个看似平常的问题(例如“目前有多少人完成了注册?”)时,即便企业从未在任何语义层中为该指标建立显式模型,Genie 依然能凭借底层仪表盘历史计算中的隐性逻辑,精准理解该指标在内部系统采集上的独特口径。用户不仅能得到正确答案,还能随时展开检查其推理溯源,亲眼看到这个指标究竟是从哪个仪表盘的特定 SQL 计算中学习而来的。
Ken Wong 总结 Genie Ontology 在系统架构层面的核心价值: > “The Genie Ontology is an automatic context layer that adds a learned layer on top of any modeled context that you have, whether that's in Unity or in one of your existing semantic model or modeling tools. And it basically allows Genie and any agents attached to the ontology to do a much better job of accurately answering questions with data.”
```mermaid flowchart LR accTitle: Genie Ontology 工作原理解析 accDescr: 展示 Genie Ontology 从数据资产中抽取隐性知识、经 OntoRank 仲裁、结合权限动态注入 Agent 推理循环的完整流程
subgraph Extract ["1. 隐性知识抽取"] P["ETL 流水线 (Pipelines)"] Q["日常 SQL 查询 (Queries)"] D["企业看板 (Dashboards)"] KG["计算表达式 / 表关联 / 业务专家映射"] P & Q & D --> KG end
subgraph Rank ["2. 权威度分析与存储"] Store[("内部知识库")] OR["OntoRank 算法<br/>(PageRank 风格算法仲裁权威逻辑)"] KG --> Store --> OR end
subgraph Serve ["3. 问答推理与动态注入"] Query["用户提问 (Prompt)"] Perm["底层源系统细粒度权限校验"] Loop["Genie One Agentic Loop"] Ans["高精度、可溯源的可信答复"]
Query --> Loop OR --> Perm --> Loop Loop --> Ans end ```
---
[09:30](https://www.youtube.com/watch?v=6W3BnCgoYVA&t=570s) 基准测试成绩:准确率暴涨 30 个百分点以上
在重新审视通用代码 Agent 仅有 50% 答对率的基准对比图表时,Ken Wong 公布了 Genie 搭载 Genie Ontology 后的实战测评成绩。在 Databricks 内部严格的实际业务问题评测中,相较于此前市面上所有先进的通用代码 Agent,Genie One 斩获了高达 30 个百分点以上的断层式准确率提升(30 percentage point plus improvement),将原本形同抛硬币的不可用状态彻底转变为企业生产环境能够稳定托付的可信工作生产力。
[09:45](https://www.youtube.com/watch?v=6W3BnCgoYVA&t=585s) OntoRank 算法与数据智能协作伙伴的基础
Ken Wong 在开场阶段强调了 Genie One 在效率与准确性上的突破。相较于当前业内主流的智能体,Genie One 能够以一半的运行时间达成目标。团队充满信心地表示,随着 OntoRank 算法的持续调优以及本体知识广度的不断扩张,其推理准确率还将进一步显著攀升。
借助 Genie Ontology(本体层)所带来的准确性跃迁,企业终于能够打造出真正具备“数据智能(Data-smart)”的 AI 协作伙伴。Ken Wong 强调,这为企业全员赋能提供了坚实底座:“So, with this level of accuracy enabled by the Genie ontology, now we can truly create a data smart co-worker. One that you can give to all of your employees to actually make decisions with data and even automate decision-making, right? It's the foundation.” 随后,他邀请 Databricks 的产品管理高级经理 Elise Georis 登台,带来 Genie One 实际业务场景的操作演示。
---
[10:38](https://www.youtube.com/watch?v=6W3BnCgoYVA&t=638s) 实战演示:用 Genie One 筹备 OKR 高管评审与自动化任务
Elise Georis 介绍了自己在日常产品管理工作中重度使用 Genie 的背景。面对即将到来的 Genie 移动端 OKR 高管评审(Executive Review),她打开了界面简洁的 Genie One:中央是对话窗口,并提供用于快速起草文档或创建技能的操作按钮;左侧边栏则聚合了历史聊天记录、可用智能体以及关联的各类资产。
```mermaid flowchart TD accTitle: Genie One 工作流与本体推理逻辑 accDescr: 展示 Genie One 如何通过 Unity Catalog、MCP 工具和跨源 SQL 计算生成业务报告并派发任务
subgraph Input ["输入层"] A["OKR 评审模版链接"] B["Jira 催促与计算指令"] end
subgraph Ontology ["Genie Ontology & 权限治理"] C["Unity Catalog 词汇表"] D["Ontology 代码片段与权威度评分"] E["跨系统权限继承 (零额外权限配置)"] end
subgraph Execution ["执行与集成层"] F["MCP 协议: 评论/催促 Jira 工单"] G["SQL 跨库联邦计算 (Databricks + BigQuery)"] end
subgraph Output ["交付成果"] H["OKR 深度评审文档 (图表/指标/异动)"] I["每周自动化计划任务调度"] end
Input --> Ontology Ontology --> Execution Execution --> Output ```
为了筹备评审,Elise 给 Genie 发送了一个包含标准模版(涵盖关键指标、亮点、暗点)的链接,并要求 Genie 同时提醒(poke)那些名下有未完成 Jira 工单的负责人,以推动工作进展。在 Genie 的思考执行过程中,用户可以直接展开其“思考轨迹(Thinking process)”: - 检索到 Unity Catalog 词汇表(Glossary)中的关键术语,并抓取潜在相关的本体代码片段(Ontology snippets)。这一切均遵循用户现有的 Unity Catalog 权限体系,企业无需为 AI 建立第二套独立的权限控制机制。 - 检索相关 Google 驱动器文件,并定位到对应的 Jira 工单。 - 通过模型上下文协议(Model Context Protocol, MCP)自动在有阻塞风险的 Jira 工单下添加评论推进进度。 - 跨 Databricks 和 Google BigQuery 实时执行 SQL 查询,抓取最新数据。
Elise 尖锐地指出了通用 AI 智能体与 Genie 的本质区别:“A lot of generic agents are just reciting what already exists in a document, but there's no document for this week's metrics. That's why I'm doing this.” 通用智能体只能复述既有文档中的静态文本,但在周会或实时评审中,本周的业务指标根本还未成文。Genie 依托实时运行数据即时运算,在几秒钟内便交出了一份完整的评审报告,不仅按地区细分了指标、自动生成了清晰的可视化图表,还精准提炼出高光、低谷及异常值,彻底规避了传统智能体盲目“试错回环(Agentic loop)”所吞噬的漫长等待与高昂 Token 成本。
---
[13:07](https://www.youtube.com/watch?v=6W3BnCgoYVA&t=787s) 引用溯源、OntoRank 机制与预测技能扩展
为了验证结果的可信度,Elise 展开了报告底部的“引用信息(Citations)”。这里完整记录了 Genie 作出回答时所依赖的所有来源,包括底层数据表、外部目录、工单、在线文档以及经过人工验证的术语表定义。
点击进入本体片段后,系统展示了 Genie 自动学习和评估的业务事实规则: - **用户参与度(Engagement)定义**:Genie 判定“停留时长超过 30 秒的会话”才计为有效参与。该规则抽取自同事 Chung 编写的“移动端 KPI 看板”。 - **权威度评分(Authority Score)**:由于该看板被高频引用且创建者在核心业务域非常活跃,系统通过 OntoRank 算法为其赋予了极高权威度。点进 Chung 的个人主页,可以验证其在相关业务领域的权威角色。 - **Jira 阻塞项识别**:明确何种工单状态会被界定为真正的 Blocker。 - **地域指标拉取 SQL**:自动提炼出可用于按区域汇总参与度的标准查询片段。
在确认规则无误后,Elise 顺手将该任务设置为每周自动定时运行,免去未来手动管理 Jira 的繁琐工作。接着,她调用团队成员预先共享的“预测技能(Forecasting skill)”,为文档追加趋势预测。该技能基于 Databricks 内置预测函数配合团队自定义的复核规范编写而成。得益于基于实时运营数据的即时计算能力,Genie 迅速生成了附带精美图表的预测模块,并一键通过电子邮件与 Slack 分发给相关干系人。
---
[15:19](https://www.youtube.com/watch?v=6W3BnCgoYVA&t=919s) 一键衍生定制 Agent 与手机端主动式协同体验
在实际业务运营中,跨部门同事会频繁询问移动应用的最新进展。为了避免单次生成的文档迅速过时,Elise 直接利用当前对话的上下文,一键生成了一个专注于解答移动端问题的领域专家级智能体(Agent)。
- **上下文与产品知识固化**:新建的智能体自动继承了关于 Genie 移动端的所有指标背景与计算逻辑。用户后续与之对话时,无需再反复交代产品背景或限定范围。 - **团队协作与官方认证(Certification)**:企业内部的 HR、IT、财务等各职能团队均可在此协作搭建专属智能体。管理员不仅能细化智能体的职责边界与提示指令,还可将其标记为“已认证智能体(Certified Agent)”。这不仅会在全司智能体列表中置顶,也会在 Genie Ontology 内部获得优先调用权。
随后,Elise 拿出了手机并打开 Genie 移动端应用。屏幕上正好弹出一则实时推送通知:“移动端 App 参与度出现异动飙升”。Elise 笑称:“It's all very meta when you have to work on Genie with Genie.” 她强调,自己此前根本没有预先配置过任何特定的异动报警规则,这完全是系统结合其近期工作行为主动推断出的关键洞见。
Elise 深刻阐述了这一范式变革的核心:“Genie's no longer just a reactive Q&A tool. It's now a proactive AI co-worker that can bring me things that matter before I even know to ask.” 从被动问答进化到主动协同,Genie 能够在用户意识到问题之前主动递送关键信息。在短短几分钟的演示中,用户推进了项目进度、备妥了高管汇报、解答了同事疑问,甚至在未曾主动发问的前提下洞察到了业务突发动态。
---
[18:36](https://www.youtube.com/watch?v=6W3BnCgoYVA&t=1116s) 平台架构扩展性与行业标杆落地案例
演示结束后,Ken Wong 重新登台对 Genie One 的企业级核心特性进行系统梳理: - **实时运算而非死板复述**:Genie 具备端到端的内容生产与计算能力,支持在不依赖本地电脑开机保持会话的情况下,以纯后台计划任务形式跑通复杂的全量业务数据深度分析。 - **开放的标准与连接架构**:借助数据联邦与摄取生态,Genie 不仅连接企业内部的 Databricks 存储,更能跨系统触达全域数据资产。借助基于标准 MCP(Model Context Protocol)的定制工具,企业可以将其无缝桥接到各类自建系统,所有访问全流程均由 Unity AI Gateway 实施统一安全治理。
在实际业务应用与产业落地方面,多家全球知名企业已经基于该架构取得了规模化成效: - **华纳音乐集团(Warner Music Group)**:借助广泛的连接器生态,成功将 Genie 应用于横跨 Databricks 以及多源非 Databricks 环境的复杂数据体系中。 - **通用汽车(General Motors)**:已在生产环境中正式部署数百个定制化的 Genie 智能体,直接赋能其每一个业务团队实现工作效能的倍增。 - **富乐客(Foot Locker)**:正在依托该平台重塑组织协作形态,全面迈向让每一位普通员工都具备数据决策能力的智能化新时代。
[20:18](https://www.youtube.com/watch?v=6W3BnCgoYVA&t=1218s) Genie One 全面集成协作平台、移动端与外部 MCP 智能体
Databricks 致力于让企业内的每一位员工都能借助数据完成日常工作,因此团队正全力推动将 Genie 带到每一个工作场景中。演讲者在现场正式宣布,Genie 现已全面深度集成至 Microsoft Teams 和 Slack 两大主流办公协作平台,并且即日起立即可用。与此同时,移动端用户也获得了完整支持,Android 与 iOS 双平台的移动应用同样在当天同步上线。如 Databricks 联合创始人兼首席执行官 Ali Ghodsi 此前提到的那样,移动端与即时通讯软件的接入已经成为 Databricks 内部员工体验和使用 Genie 最受欢迎的方式,演讲者坚信客户企业内的员工也必将迎来同样的体验变革。
针对那些已经在使用现有 AI 智能体或自主构建了专属 Agent、同时希望引入 Genie 卓越计算准确度与数据智能的企业,Databricks 还重磅推出了 Genie MCP(Model Context Protocol)应用。通过接入该 MCP 应用,外部智能体或现有企业工具能够直接调用 Genie 精准计算底层数据结果的能力。这项能力同样即日起正式开放。
- **多端与平台集成**:全面入驻 Microsoft Teams 与 Slack,覆盖日常即时沟通流;Android 与 iOS 移动端原生适配即日可用。 - **Genie MCP 开放生态**:借助开放的 MCP 协议接口,允许第三方 AI Agent、自研模型及企业内部工具直接挂载 Genie 的精确数据计算与推理引擎。
```mermaid flowchart TD accTitle: Genie One 集成与生态分发架构 accDescr: 展示 Genie One 如何通过协作平台、移动设备及 MCP 协议接入各类用户与外部智能体
subgraph Access["接入渠道与终端"] Slack["Slack 集成"] Teams["Microsoft Teams 集成"] Mobile["移动端 (iOS / Android)"] ExtAgents["外部 / 自研 AI Agents"] end
subgraph Core["Genie 核心能力"] MCP["Genie MCP App"] GenieEngine["Genie One & Genie Ontology"] end
Slack --> GenieEngine Teams --> GenieEngine Mobile --> GenieEngine ExtAgents --> MCP MCP --> GenieEngine ```
---
[21:23](https://www.youtube.com/watch?v=6W3BnCgoYVA&t=1283s) 正式商用 GA 与全员免费额度福利
在发布会尾声,演讲者深入阐释了 Genie One 区别于市面上普通 AI 助手的根本独特性。凭借内置的 Genie Ontology(本体上下文层),Genie One 彻底超越了只能从已有文档中提炼摘要的传统工具,成为真正能为企业各部门持续稳定输出可信分析结果的 AI 同事。为了践行“让这项技术触达组织内每一个人”的承诺,Databricks 宣布推出极具诚意的普惠政策:为企业内的每位注册用户每月免费提供价值 10 美元的 Token 额度,彻底扫除团队开启数据智能协作的成本门槛。
随着现场掌声雷动,演讲者正式宣布 Genie One 于今日起进入通用可用(Generally Available, GA)状态。他坚信这对于每一家追求数据驱动的企业而言都是一个不容错过的时刻,正如他向所有参会者发出的号召所言:“So please connect Genie 1 to everything inside your organization and give it to everybody.”
- **GA 正式商用**:Genie One 今日起面向全球客户正式全面可用(Generally Available)。 - **全员月度津贴**:企业组织内每位员工每月均可自动获得 10 美元的免费使用 Token,无需额外付费即可启动。 - **核心价值定位**:打破单纯总结文本的局限,基于企业本体层实现端到端稳定生成计算结果与工作制品。
## Notable quotes > [10:38](https://www.youtube.com/watch?v=6W3BnCgoYVA&t=638s) A lot of generic agents are just reciting what already exists in a document, but there's no document for this week's metrics. That's why I'm doing this. — Elise Georis
> [15:19](https://www.youtube.com/watch?v=6W3BnCgoYVA&t=919s) Genie's no longer just a reactive Q&A tool. It's now a proactive AI co-worker that can bring me things that matter before I even know to ask. — Elise Georis
## Mentioned Databricks, Genie One, Genie Ontology, Ken Wong, Elise Georis, Ali Ghodsi, OntoRank, Unity Catalog, Unity AI Gateway, Model Context Protocol (MCP), Slack, Microsoft Teams, Jira, Salesforce, Google BigQuery, Google Drive, Anthropic, Warner Music Group, General Motors, Foot Locker
## Video description Introducing Genie One, the data-smart AI worker.
Genie One goes beyond just answering questions. The newest member of the Genie suite of products, Genie One is an actual agentic co-worker that can produce documents, reports, and artifacts.
It's powered by Genie Ontology, a new self-improving context layer that extracts information from across all a company's data — inside and outside of Databricks — for trusted answers and actions. Genie One helps marketing, finance, sales, and other teams automate and orchestrate work.
Learn more: https://www.databricks.com/blog/introducing-genie-one-genie-ontology-and-genie-agents
00:00 — Introducing Genie One 00:42— Why AI agents struggle today 05:16 — How the "agentic loop" impacts accuracy, cost, and runtime 07:10 — Introducing Genie Ontology 09:31 — Benchmarking Genie One against other leading AI cowork agents 10:21 — Demo of Genie One and Genie Ontology with Elise Georis, Senior Manager, Product Management, Databricks 17:32 — The shift to proactive AI coworker 19:08 — Genie One's custom MCP tools, skills, and connectors 19:51 — How Warner Music Group, General Motors and Foot Locker use Genie 20:24 — New Genie One availablity on Slack, Teams and mobile devices
Presenters: Ken Wong, Senior Director, Product Management, Databricks Elise Georis, Senior Manager, Product Management, Databricks
[Source](https://www.youtube.com/watch?v=6W3BnCgoYVA)