企业AI落地的最常用的场景——数据分析Agent

企业AI落地的最常用的场景——数据分析Agent好的朋友们，本期视频讲的是目前企业AI落地的最常用的场景——数据分析Agent，也是我目前在互联网大厂正在做的项目。今天我会稍微结合我的项目，来好好讲一下这一篇由清华大学、人民大学和港科大一起完成的论文，叫做《Data Agents: Levels, State of Arts and Open Problems》。 目前市面上有非常多的形容词来形容分析AI，比如智能问数、AI分析师、AI数据科学家，这些东西被统一称之为Data Agent。但是这个事情比较tricky的地方就在于，可以想象它把自行车、摩托车、燃油车、新能源车都统一称之为车，所以在这些宣传的背后，就没有办法看清它们之间的区别在哪。 所以Data Agent之间的区别，在这篇论文里边给出了一个明确的标准，我认为也是目前Data Agent的唯一的行业标准。对于很多的Data Agent的广告，大致就是可以“一句话生成洞察”“一句话完成分析”“全自动的数据科学家，不需要人的监管”。 但实际上，可能它和你现在用豆包去帮你做一些数据分析其实是一样的：把问题给它，它给你一个答案；把表名称、字段名称给它，然后它把SQL给你，自己去跑，自己去看数。 这篇论文是像汽车自动驾驶一样，把当前的Data Agent进行了分类，从L0到L5。简单来说，Data Agent一共分为三类：第一类把AI当参谋，第二类是AI是一个熟练的工人，第三类是AI成为了项目经理。 首先要说的是什么是Data Agent？简单来说，Data Agent就是用大模型去编排数据，然后再配合AI去完成配置的调优、清洗、集成、探索、分析等数据任务，这个系统就叫做Data Agent。 论文当中也给出了一个公式，就是在环境里，对原始数据用什么样的模型，面向什么样的任务，最终产出了什么样的结果，只有这条链路才叫做Data Agent。 Data Agent和平时使用的Codex、Cloud Code这些Agent的区别在哪？大家可以看一下这张表，里边介绍的也比较清晰。简单来说，日常使用的这些通用Agent，像Codex、Cloud Code的这些，是需要人去串联所有的节点、所有的模块；但是对于Data Agent来说，可以自主地去串联数据分析当中的重要模块，人只需要在关键的节点去做出审核、检查。 所以Data Agent的难点就在于，它必须在真实的环境里边可以长期干活，经得起治理，可以复现，可以追责。 接下来讲一下这篇文章的重头戏，就是Data Agent的分类。 首先就是L0，L0其实就是可能两三年前的数据分析方式，数据自己获取、自己清洗、自己分析，结论自己给出，方向自己找。 接下来就是L1，L1其实也是目前大部分人的一种使用方式，可以理解为就是目前使用豆包或者DeepSeek的交互方式，比方在数据获取的时候，把表名、字段名写SQL，拿到数据之后，把数据让他帮你去看趋势，做一些简单的分析。 接下来就是L2，L2相比L1其实是有一个比较大的跃迁，因为在L1的时候AI就只是动动嘴，但是到了L2可以连上知识库、连上数据库，然后帮你去跑查询、去看报错，然后帮你改SQL，最终帮你完成分析。但是整条链路先干什么、后干什么、怎么干，这些都是由人来决定的。打个比方就好像做饭，定好了先洗菜、再下锅、再放调料、最后装盘，AI就按照这个步骤来做，中间哪一步出错了自己去重试，这个就是L2，菜单的顺序都是由你来决定的。 L3相比L2，就相当于从一个熟练的数据分析师变成了一个真正的项目经理：把目标告诉他，他帮你去进行拆分，第一步怎么干，第二步怎么干，他去决定数据是否可信、是否需要清洗、是否需要从别的地方获取数据才能完成目标，而你只负责审批和验收。 所以L2到L3其实是目前Data Agent面临的真正最难的地方，因为这里边难点有四个： 第一，模型自己排顺序会很难，因为真实世界的任务是千变万化的，有时候可能是需要去先拆分城市，可能对于另一个任务来说，可能就先去拆分渠道。 第二，难点是错误会连锁传染，前一步洗数据的时候发生的错误，可能到了在数据分析的时候错误才会显现，这个时候Agent不一定能够发现真正的错误原因在哪，不一定知道真正的原因就是数据质量。 第三，难点就是世界一直在变，在真实的环境当中，表结构可能会变，字段也有可能会变，甚至业务口径都可能会变，昨天能跑的通的流程，今天可能就突然失效了。 第四，难点就是安全护栏，其实人目前对于AI给出的结论是没有办法做到无条件相信的，因为在真实的企业当中，任何的结论决策都是需要负责的，Agent只是一个工具，如果出了任何问题，这部分责任还是要由人来承担的。 L4和L5就属于目前市面上完全没有见过的状态了： L4属于高度自主，就像是一个自己值班的数据管家，不需要每次下命令，自己盯着数据哪有问题，结论是不是漂移，分析值不值得做，可以把它想象成就是小区的物业，自己巡查，发现了问题自己去修、自己整改。 L5就是完全自主，这个就是属于比较美好的愿景，它不只是会用现成的工具，还能想出一些新的方法，自己去迭代升级，设计新的实验，甚至能够做到反哺数据库。 目前其实市面上大多数的产品都还停留在L1的阶段，只有少数的团队能够凭借比较扎实的基础做到L2水平，当前的L3也还是属于比较前沿的探索阶段，大部分的人和公司也只能做到L2.5，还是达不到标准的L3水平。 所以看到这里，不管是一个企业主，还是将来要做任何Data Agent相关的东西，都可以最起码先判断出，你面对的这个东西是达到了一个什么样的水平，是L2还是L3。 同时写这篇论文的团队也开源了一个L3水平的Data Agent，它不仅仅是一个Agent，里边也内置了一个非常小的可以本地部署的模型。开源的模型我觉得对于大家是有非常大的参考的意义的。 如果感兴趣可以到GitHub上面去看一下这个Agent，同时附带的模型也非常有参考的价值。需要论文原文或者需要GitHub链接的朋友，可以到粉丝群获取。 本期视频到此结束，谢谢大家。1.53 :1pm N@J.Iv vfO:/ 03/18 复制打开抖音极速版，看看【咕咕（AI学习版）的作品】我在互联网大厂做的data agent到底是什么 ... https://v.douyin.com/NRHwpVuPShI/