用 MCP 打通 LLM 智能体与数据空间：Eunomia Agent 的架构中介方案
当概率模型遇上合规数据基础设施
数据空间（Data Spaces）的核心价值，在于让不同组织之间能够在主权可控、治理可审计的前提下共享数据。但一个长期存在的矛盾是：大语言模型（LLM）智能体的交互本质上是概率性的，而数据空间的基础设施是策略驱动、规则严格的。两者放在一起，往往难以直接对接。
arXiv 上最新发布的一篇论文（arXiv:2609.30341，cs.AI）提出了一个基于 Model Context Protocol（MCP） 的架构中介方案，试图用协议层来弥合这道鸿沟。
问题出在哪里
论文指出，LLM 智能体与数据空间服务之间的不匹配主要体现在两个层面：
- 交互方式的差异：语言模型的输出是自然语言和概率性推理，而数据空间的访问需要精确的、结构化的调用。
- 治理约束的差异：数据空间要求每一次数据访问都符合既定策略，而智能体的自主行为天然带有不确定性。
如果让智能体直接对接数据空间的各类服务，要么破坏治理规则，要么需要大幅改造现有组件——这显然不现实。
Eunomia Agent：把能力翻译成工具
作者提出的解决思路是引入一个中介层（mediation layer），并通过 Eunomia Agent 实现。这个中介层的核心工作，是把数据空间的能力翻译成结构化、schema 驱动的工具，供 AI 智能体发现和调用。
换句话说，智能体不需要理解数据空间内部的策略细节，它只需要知道「有哪些工具可以用、怎么调用」，而治理约束由中介层在翻译过程中保留和强制执行。
论文强调，这一方案的关键优势在于不修改现有数据空间组件。中介层作为一个独立架构存在，符合关注点分离（separation of concerns）的设计原则。
原型验证了什么
研究团队搭建了一个原型实现，验证了端到端的交互流程，覆盖三个环节：
- 目录发现（catalog discovery）——智能体能够找到可用的数据资源；
- 元数据检索（metadata retrieval）——获取数据描述信息；
- 数据服务调用（data service invocation）——实际发起数据访问。
结果显示，基于协议的这种中介方式，能够实现可互操作、符合标准的集成。
为什么值得关注
这项工作的意义不在于某个单点技术突破，而在于它给出了一条可复制的工程路径：当企业或机构希望在受治理的数据共享环境中引入 AI 自动化时，不必在「合规」和「智能」之间二选一。
MCP 在这里扮演的角色，类似于一个通用的「翻译协议」——它让智能体的能力边界和数据空间的治理边界得以共存。对于正在推进数据要素流通、跨组织数据协作的组织来说，这篇论文提供的架构思路具有直接的参考价值。
论文作者为 Jaime Alonso Ruiz、Carlos Aparicio、Gabriel Huecas、Joaquín Salvachúa 和 Andres Munoz-Arcentales，提交于 2026 年 9 月 24 日，属于 cs.AI 与 cs.DB 交叉方向。