高德 Data Agent 实践：从业务问题到可信数据（上篇）
阿里技术 · 软件开发
郭人豪 2026-11-04 18:04 浙江 这是2026年的第 74 篇文章 （ 本文阅读时间：约 20 分钟 ） 分析师 / Agent，就是坐在真实世界与数字世界之间的翻译。 本文希望通过实践，产出完整的Data agent实践脉络，尽量没有技术语言，轻松有趣真实，让大家想看且看懂。 全文一万五千字，分为上下两篇。集团队半年以来的实践历程，欢迎在评论区留言讨论。 01 开头：智能的差距 「我们业务当前表现怎么样，今年目标完成有风险吗？」 把这个问题分别交给一个熟练的分析师和 Agent + 数仓的系统，我们会看到两种截然不同的第一秒反应： 这一秒钟的差距，就是 智能的差距 ，也是这篇文章想讲的全部。 做了这么久的 AI，我每天都在感叹：女娲造人，是一项多么精妙的工程。 02 现状：人人都在做 DataAgent AI 时代下，每一个数据、BI 团队都在做同一件事：把自家数仓接上大模型，做 DataAgent，宣传口径都差不多：数据人人可用、人人都是分析师、你身边的 AI 分析搭子、让分析师从取数中解放出来。 大家有一个共识：BI 的下一个时代来了。毕竟自从 2003 年 Tableau、Power BI 等第四代工具确立了分析范式之后，这个领域已经差不多二十年没有太大的变化。 海量数据一直堆在仓库里，无法快速流动、无法产生业务效果，无法成为有业务价值的资产，能看见的只有一张张高昂的成本账单。这也逼得大多数数据工作者，只能以成本、效率、故障率来衡量自己存在的价值。 那么， BI 分析范式的变革现在到底走到哪了？ 一个略显尴尬的事实是：能跑通 SQL 取数的很多，能跑准的也不少（L2 阶段），但能真正回答业务问题、给出靠谱判断的很少。为什么呢？难点在哪里？如何解决？ 以下是高德商业智能中心团队一系列的实践总结与汇总，本篇只是序章，介绍整体框架与实践经验概要。这套东西已经在我们团队日常跑着，WAU 450 人左右，L2 智能问数准确率稳定在 85%+；离好用还有距离，正在努力往 L3、L4 迈进。 03 定义：一次分析，是两段往返翻译 为了把话讲清楚，本文会用一个贯穿全文的例子： 「美食行业最近表现怎么样，这个月的目标有没有风险？」 这样看似简单、最日常不过的问题，可能发生在电梯里、走廊上、早会中。如果我们把人脑处理这个任务全过程拆开，本质上是 两段翻译 ： 降维过程 把业务语言一层层翻译成机器能执行的查询语言。 升维过程 把跑出来的数字一层层回译成带结论、带判断的业务语言。 这里「维」是抽象层级。业务语言一句「美食行业最近怎么样」，里面的目标、口径、时间、跟谁比，全靠默认共识省略着。反过来，把一堆数字重新装配成一句能拍板的结论，就是升维。去程装问题，回程装答案，进行翻译与加工，好让两个世界可以准确传递信息。 可以感受到，分析是一条长链路的活，在真实世界也不是一个人做完的。于是组织里长出了数据运营、数据分析师、数据产品经理、数据开发工程师这些角色，靠精细分工弥合各环节的鸿沟，推动数据流动。本质上是在弥补人类无法直接理解、应用原始数据这个根本限制，每一层都在翻译，成为下一个环节人脑能处理的形态。这是典型的工业时代设计逻辑，把每个环节高度专业化，以换取规模化。 AI 会变革这个范式，但不会太快，我估计 2～3 年吧，也可能更久，或许是一代人。原因不是技术不成熟，而是范式的变革里，技术只是器物层面最早期的变化，也是最简单的一层。感兴趣可以读 Notion 联合创始人 Ivan Zhao 的 《蒸汽、钢铁与无限心智》 。 接下来，看技术关键难点，所有工程学科都绕不开的著名难题，真正的拦路虎： 可靠性会沿链路连乘 。 六步只是骨架，每一步里还藏着大量步骤与推理。即便每步都做到 99% 准确，累计起来也会迅速衰减：10 步后只剩 90.44%，50 步后跌到约 60%，100 步后仅存三成多。 这在数据分析上是灾难。生文、生图、生视频这些 AIGC 场景里，用户 10 次里 1 次超预期，就像中彩票一样满意；但数据分析你连续对 10 次，第 11 次错了，用户对 Agent 的信心就会瞬间崩塌。所以我们必须细看每一次翻译到底该做到、做好，还要做稳。 04 方案：Data Agent 的设计原则 「以下是实践方案与技术落地环节，会开始说一些天书用语，我尽量说得简单易懂。」 要让每一步翻译都做得准、做得稳，得给 Agent 补齐四样东西。 补知识 （ Context ） ：脑子里有货，知道业务在说什么、口径该怎么算。 补能力 （ Function ） ：手上有活，会取数、会算、会验。 卡校验 （ Harness ） ：心里有尺，做完先自查，过不去不许出门。 留兜底 （ Loop ） ：事后有账，人在关键处接手，做过的事有记录、有回收。 这也