学术分享丨数据要素化治理赋能人工智能在政务领域的应用

文 / 陆志鹏

OpenClaw 等智能体（Agent）的出现，为政务智能化带来了机遇和挑战，但是，智能体是大模型应用的通道，并不能解决其底层数据治理的问题。为此，我们提出了一个以数据元件为核心进行数据要素化治理，在政务领域构建高质量数据集的应用方案。

1 政务智能化面临的机遇和挑战

1.1 人工智能发展三要素

人工智能通过学习、推理、决策等能力执行复杂任务，其发展依托算法、算力、数据三要素。数据如同石油为内燃机提供动力，通过大量的数据训练，人工智能系统能够学习并优化性能；算法如同内燃机的燃烧室结构，通过挖掘数据中的智能信息，帮助系统完成特定的任务；算力如同内燃机的曲轴、活塞和传动装置，为人工智能提供基本的计算支持。三要素相互依赖，缺一不可，共同推动人工智能技术的发展和应用。

1.2 智能体是大模型释放价值的有效途径

智能体是在人工智能发展新阶段，以大模型作为基础能力，由特定场景牵引，具备感知、自主理解、规划、记忆和使用工具的能力，能够完成复杂任务的智能系统（见图 1）。

图1 基于大模型的智能体基本框架（图片来源：OpenAI.Lilian Weng.LLM Powered Autonomous Agents）

1.3 OpenClaw 是智能体发展的前沿成果

目前，从点燃市场的通用AI智能体Manus发布，到俗称“龙虾”的开源AI 智能体OpenClaw的持续火爆，再到阿里、百度等互联网企业密集部署桌面Agent工具，AI Agent正以前所未有的速度从代码世界走进工作与生活场景。

2025年11月，奥地利开发者彼得·斯坦伯格发布开源AI智能体OpenClaw，凭借自动化任务流能力迅速走红。核心架构由 Gateway(网关)、Agent、Skills(技能) 和 Memory(记忆) 构成。网关是 OpenClaw 的神经中枢，是一个智慧调度系统。智能体可以支持多智能体并行运行。

OpenClaw具有三大技术特征，一是自主运行与事件驱动，系统具备后台持续监听能力，通过捕捉邮件、数据库变更等触发条件，自主执行预设工作流，主动发现并处理问题，降低人工依赖；二是系统级操作权限，即获得授权后可直接读写文件、控制浏览器交互及调用终端执行命令，以及覆盖常规软件功能，具备替代人工完成绝大多数电脑操作的能力；三是通过标准接口接入通讯网络，深度适配企业微信、飞书、钉钉等主流平台，通过标准接口接入企业通信网络，融入现有业务流程，完成信息协同任务与指令下发。因此，OpenClaw可以作为一个能“指挥”计算机的全天候“数字员工”，通过连接通讯软件和大模型API，实现对电脑与系统的自动化操作。

例如，在“7×24小时数字员工”“一人公司”等愿景加速照进现实的同时，很多地方政府近期相继出台政策，支持OpenClaw等开源智能体项目在制造、政务等领域落地应用。以前，人工处理市民的投诉和建议耗时、费力又容易漏掉重点；现在，“政务龙虾”能自动把海量的民意诉求“吃”进去，快速“吐”出一份“体检报告”。此外，它能精准识别出大家最关心什么、哪里问题最多，甚至能提前预判潜在的风险，使政府部门能从“事后灭火”变成“事前预防”，真正实现“民有所呼，我有所应”。

1.4 OpenClaw 的核心优势

2024年我们构建了一个城市智能体总体规划架构方案。 在OpenClaw 出现后，首先将OpenClaw的架构与我们构建的架构做了一个比较，目前发现OpenClaw的技术特点有：①多渠道接入和事件驱动。OpenClaw原生支持微信、飞书、钉钉等 50+ 通讯平台，无需安装专用客户端，可直接通过常用工具发送指令，融入日常工作流。此系统具备后台持续监听能力，捕捉邮件、数据库的变更等触发条件，自主执行预设的工作流程，主动发现并处理问题，降低对人工的依赖。②获取本地资源权限。OpenClaw采用Local-First（本地优先）架构，直接运行在用户设备上。通过获取运行权限，可直接访问用户本地设备或执行系统命令，实现实时操作。即OpenClaw将系统的所有权限授予一个数字员工，该数字员工获得权限后可以直接读写文件，控制浏览器交互并调用终端执行命令。③模型灵活适配。OpenClaw是标准接口，接口兼容 GPT、Claude、通义千问等主流模型。支持API与本地模型自由切换，根据需求和预算灵活选择。④模块化技能生态。通过 ClawHub 技能市场一键扩展功能。社区贡献超1.3万技能包，覆盖办公、开发、创作等场景，亦可自定义开发。

由上可见，OpenClaw不仅可以提高工作效率，而且可以用于开发运维。但是OpenClaw面临三个问题，一是权限设置过高，越权风险非常大；二是存在网页交互和信息安全问题；三是目标导向机制导致的合规性缺失问题。

1.5 OpenClaw 政务应用案例

2026年3月，首批“ 政务龙虾”上线。某市某区发布AI数智员工2.0，率先部署“政务龙虾”智能体，赋能基层减负增效，相关举措冲上热搜并引发公众热议。例如，在民生诉求全量智能分析的场景中，过去人工抽样分析效率低下、覆盖不全，难以快速捕捉诉求热点与趋势。现在通过全量智能画像，生成热点画像与时空趋势，具备自进化复用规则，支 撑“10分钟—30天—24小时”速办。“政务龙虾”有三个特点，一是轻量化部署，即将OpenClaw代码从43万行删减至约3000行，删去冗余插件，仅保留9个关键工具；二是高安全保障，采用政务外网物理隔离方案，从根源杜绝数据外泄，确保信息绝对安全；三是能持续自优化，系统记录每一次任务执行过程，沉淀SOP流程库。

1.6 OpenClaw 面临的问题与挑战

1.6.1 OpenClaw自身存在的问题

（1）系统权限配置与越权风险。由于其自动化特性，当权限边界定义模糊或配置过高时，程序可能在执行路径中超出预期范围。这种过度授权会导致系统关键配置被擅自篡改、敏感数据被非授权读取或执行非法操作。

（2）网页访问交互与信息安全。OpenClaw框架具备高度的互联网实时交互能力，但在抓取与解析网页内容时，缺乏对外部恶意注入指令的过滤机制。

（3）目标导向机制与合规性缺失。OpenClaw以达成预设结果为单一评价标准，执行逻辑具有不可预测性，且缺乏中间环节人工干预与审核机制，这种仅关注终点而忽视过程合法性的运作方式，极易引发不可逆转的业务损失与法律风险。

1.6.2 OpenClaw在政务领域面临的挑战

（1）政务领域高质量数据集的构建对大模型应用的支撑作用相对较弱，导致大模型在政务领域应用还不够成熟。

（2）政务系统间的交互面临众多壁垒，系统与系统之间的访问不够便捷。

（3）政务系统权限的敏感性，使OpenClaw在政务系统的授权更为复杂，需要提出新的技术方案。

1.7 构建领域高质量数据集面临的挑战

政务领域的人工智能应用可以分成大模型和智能体两个阶段，而高质量的领域数据集是人工智能模型训练的关键支撑，其构建过程复杂，在场景支撑、技术能力、资源保障、质量评价等方面面临困难与挑战。首先是业务理解门槛高。领域数据集具有行业需求多样性的特点，构建领域数据集需要对业务有深刻认识。不同行业领域涉及的分析、决策和生成任务需求不同，必须深刻理解场景需求和业务逻辑。第二，技术方法不成熟。目前，我们面向大模型的数据治理方法和经验不足，数据集构建技术本身具有较高的复杂性，传统的数据处理工具和技术无法满足大模型需求，需要引入先进的数据治理技术提高效率和准确性。第三，资源保障要求高，需要强大的存储计算资源支撑。领域数据集生成涉及的数据海量、庞杂，需要高效的数据存储解决方案和强大的计算资源来支持数据的存储与治理。第四，质量评价缺标准。高质量数据集标准体系尚待完善，数据质量评估评价缺乏统一标准，政务领域、重点行业缺乏典型的高质量领域数据集建设原则指引。

2 以数据元件为核心的数据要素化治理

2.1 数据治理面临诸多问题亟待突破

近几年，我们探索发现高质量数据集构建过程中存在六个问题，即确权问题、流通问题、计量定价问题、安全和隐私保护问题、数据资产化问题，以及与人工智能融合难的问题。由于数据的主体多元交织、权属关系复杂交错，导致数据确权难。由于尚无可计量的统一标的物，原始数据的质量和信息密度无法衡量，因此造成数据计量难、价值评估难。而数据泄露、数据篡改、数据滥用等问题的存在，导致数据安全风险高。

2.2 数据元件是解决目前数据要素化问题的支点

数据元件具备安全属性、价值属性和品质属性，在实现数据的风险隔离与安全管控的同时，可提升数据价值密度，实现数据资源的产品化流通和规模化应用。

数据元件是对数据资源进行清洗治理、加工生产形成的信息密度大、安全属性强、形态稳定、产权清晰、价值释放效率高的数据表征结果。数据元件的形态可分为根据需要由若干相关字段形成的数据集，由数据的关联字段通过建模形成的数据特征，或由数据特征和数据集构成的高阶数据集。数据元件可以有效实现原始数据和数据应用“解耦”，是需求明确、交易高频且标准化程度高的数据产品。因此，数据元件是解决目前数据要素化问题的支点。

2.3 数据元件在领域高质量数据集构建中发挥的作用

数据元件在高质量数据集的构建中解决了数据质量和处理效率、缓解数据有效供给不足、数据隐私安全三个问题。

（1）解决数据质量和处理效率问题，从“粗放数据”达到“高纯度信息”

原始数据通常存在标准不统一、质量参差不齐等问题，数据元件通过构建标准化表征体系，对原始数据进行结构化重组，可有效解决数据质量问题；通过特征提取或知识建模，可有效剥离原始数据中的随机噪声与干扰项，保留核心语义信息，并可有效解决原始数据信息密度不均衡问题；通过前置计算，形成可广泛复用的模型化数据，可有效缩短模型推理链路，减少批量数据的重复推理与计算，降低存算资源消耗，提升模型训练与推理效能。

（2）缓解数据有效供给不足问题，从“有限供给” 达到“有效供给”

数据集不足的原因一方面是数据的消耗量大，另一方面是我国很多数据隐藏在各垂直系统。因此，基于原始数据的特征抽取与组合，可规模化合成面向场景的数据元件，并可精准控制合成数据的分布与属性，解决领域数据集供给不足问题。针对由于安全隐私问题而不能用于模型训练的数据，可将其加工为可流通、可共享的数据元件，扩大训练数据集体量。

（3）解决数据隐私安全问题，从“风险防控”达到“风险可控”

通过数据元件对大模型训练数据进行信息过滤，去除有毒数据（如暴力、偏见、虚假信息），可有效提升模型的安全性、有效性和伦理合规性；将原始数据处理形成数据元件用于模型训练，可有效降低因数据泄露而导致的数据安全风险；数据元件通过特征提取或统计抽象，可有效剥离原始数据中的隐私信息，为模型训练和场景应用提供合规保障。

2.4 领域数据治理与应用的业务流程

领域数据治理与应用的业务流程，如图 2 所示。

图 2 领域数据治理与应用的业务流程

3 政务领域智能体解决方案探索

3.1 大模型在政务领域的应用取得初步成果

目前，大模型在政务领域的应用已经取得了一些初步成果。

为推进组织工作数字化转型，2025年我们以某市委组织部作为先行试点单位，致力于构建覆盖干部“选育管用”全周期的智能化治理平台，合作开发了“智能组工系统”。打造了智能问答、智能公文、数据智能分析、智能辅助决策、信息智能管理、智能上会六大场景，聚焦干部全周期智能化场景落地，提升管理效能与服务精准度。主要开展了三大模块建设：①智能问答。整合内部知识源，利用模型提供精准问答交互，支持精准答案溯源。②公文写作。推荐模板生成规范公文，提供关键词、大纲、摘要辅助及语法检查与润色。③大模型与智能体开发框架。统一的智能体开发框架，支撑六大场景应用的快速构建、迭代与协同。

3.2 智能体在政务领域应用的解决方案——以 OpenClaw 为例

3.2.1 OpenClaw 自身问题的解决思路

（1）建立多级权限管理机制。通过设立独立的分级管理智能体，对执行环境实施有效的权限管理和预警；管理智能体负责预核准执行智能体的操作范围，将高敏感度指令与系统底层权限物理隔离；所有涉及核心配置或私密数据库的访问请求，必须经过管理智能体的前置审查与动态授权，确保执行过程始终处于受控的安全基线之内。

（2）强化网页交互监督与过滤。引入专门的监督智能体对网页访问全过程进行实时监测。监督智能体通过语义分析技术，识别并拦截网页内容中潜在的间接提示词注入攻击。监督智能体对抓取的数据进行真实性校验与合规性扫描，阻断针对内部网络接口的非正常请求，保障外部信息获取渠道的纯净度。

（3）构建执行路径审计与反馈环路。由执行智能体与监督智能体共同协作，将任务拆解为可追踪的中间步骤。若发现执行手段违反预设的业务逻辑或法律合规标准，监督智能体将即时触发中断机制或引导执行智能体修正路径，从而消除黑盒执行带来的不可控风险。

3.2.2 政务领域智能体开发与部署的环境优化

（1）构建统一数据治理体系。建立数据治理体系，统一标准规范，实现数据清洗整合与共享，提升数据质量，建设高质量数据集。

（2）支持本地化多种大模型部署。提供大模型完整私有化方案，加强安全审计、权限控制与加密，保障模型数据安全。

（3）实现政务系统间的无障碍联通。构建统一的政务智能体操作系统内核，通过全过程权限管控在保障安全与合规的前提下，实现高效协同与无障碍联通。

3.2.3 政务领域 OpenClaw 应用架构

OpenClaw 政务领域应用架构（见图 3）整合了数据治理能力与智能体操作系统，支撑大模型完成任务，实现数据、模型、技能灵活调用，形成逻辑链条清晰、可持续迭代的政务智能体系统。

图 3 OpenClaw 政务应用架构

（参考文献略）

陆志鹏

中国电子信息产业集团有限公司原副总经理，中国计算机学会数据治理与发展技术委员会

主任，正高级工程师。

选自《中国人工智能学会通讯》

2026年第16卷第8期

政务领域人工智能应用