Agent 连上了数据库，还在一遍遍找表——EvoOntology 对账：会长大的地图，和被弄丢的门槛先看一个场景。你给 Agent 接上数据库、Excel、PDF，还有一堆 API。理论上它什么都能查。真跑起来呢。找表，猜字段，写一条 SQL，看结果不对，再猜。下一个任务来了，从头再来。Token 账单就长这样。大部分花费不在解决问题，在重新认识数据。今天认识一遍，明天再认识一遍。人民大学团队给这个病起了名字：agent–data gap。数据住在模型外面，模型只能隔着几个通用工具去摸。结构什么样，内容什么样，事先都不知道。他们还点了一个别人少提的死穴：semantic layer 这东西早就有了，但靠人手工维护，而且和下游脱节。没人说得清，哪条语义记录影响了哪个决策。他们的药方不是更多提示词，也不是更厚的记忆。是在 Agent 和数据之间放一张地图。一张会自己长大的地图。两条旧路的下场一条路是把 semantic layer 塞进 prompt。说明书直接怼在脸上。结果大面积掉分，Claude-Sonnet-5 上掉了 15 分。论文自己的解释很直白：说明书跟现场任务抢注意力，还不能按页撕。你要第三页，它给你整本。另一条是记忆。把历史轨迹存起来，检索最像的几段，注入 prompt。+6.3 分。有效，但天花板摆在那。回放给你的是「上次怎么走的」，不是「这地方长什么样」。问题换个问法，旧经验就接不上。然后是 EvoOntology：+20 分。DDR-Bench 上从 69.5 到 89.5，四个 backbone 平均。地图长什么样/
