我要投稿

Data Agent：超越 BI 与 AI 的边界

发布日期：2025-07-21 18:49:32 浏览次数： 1546

作者：DataFunSummit

微信搜一搜，关注“DataFunSummit”

导读本文探讨数据分析工具演进，剖析 BI 与 AI 融合困境，重点介绍火山引擎 Data Agent 如何超越传统 BI 与 AI 界限，重新定义工作方式，实现从“数据工具”到“数字专家”转变，赋能企业高效智能决策。

主要内容包括以下几个部分：
1. 数据工具的演进困局

2. Data Agent 的本质：从工具到“人”的进化

3. 实践落地：分析 Agent 架构

4. 核心挑战：知识治理与效果评估

5. 落地场景：谁适合用 Agent？

6. 未来展望：Data Agent 如何进化？

7. 核心主张：让数据成为每个人的智能伙伴
分享嘉宾｜海书山火山引擎 Data Agent项目负责人

内容校对｜郭慧敏

出品社区｜DataFun

数据工具的演进困局

1. 数据工具的演进路径

在数据分析领域，技术工具经历了多个阶段的演进。这些演进不仅反映了技术的进步，也体现了用户需求和使用场景的变化。

Excel 时代：告别手工作业，陷入“表格泥潭“，早期数据分析依赖 Excel，实现基础数据记录、计算和图表制作。
BI 时代：集中直观地“看”数据，却困于“预设报表”

为解决 Excel 痛点，BI 工具应运而生，核心价值在于提供集中、直观的数据可视化能力。敏捷 BI 工具降低数据分析门槛，但仍高度依赖分析师进行数据处理和报表制作。

AI 分析时代：带来生成和思考能力，但面临“抽卡”特性

大语言模型（LLM）推动数据分析迈入 AI 时代，ChatBI 通过自然语言交互提升数据查询效率。但 AI 分析存在"抽卡"特性（结果不一致）和结构化数据处理中的幻觉问题，准确性与稳定性仍待提升。

工具迭代从 Excel 到 BI 再到 AI，始终遵循“解决旧问题、产生新挑战”的叠加优化规律。

2. 角色固化：分析师、IT、管理层的分工未发生本质变化

尽管工具形态不断演进，但数据分析流程中各角色的职责依旧泾渭分明：

分析师：依然承担着“取数”“定义口径”“做分析”的核心任务；
IT 与数据团队：仍在负责数据仓库建设、数据治理、系统维护；
管理层：依然是报表的“消费者”，依赖他人提供的分析结果进行决策。

即使在 Chat BI 普及的今天，用户通过自然语言获取数据的能力显著增强，但：

分析师仍需介入验证口径是否一致；
IT 仍需保障数据质量与系统稳定性；
管理层依然依赖结构化报告而非自由探索。

这说明，工具的演进并未真正打破原有的协作边界，也未实现“人人用数”的理想状态。

3. 未能解决的核心问题：数据问题与业务问题的转化

用户的真实需求

用户在查看数据时，不仅仅关注数据本身（如销售额的数值），更关注数据背后的原因（如销售额上升或下降的原因）以及后续的行动方案（如接下来该如何应对）。这才是用户真正关心的问题。

现有工具的局限性

然而，目前的工具（如 Chat BI）虽然能够提供数据及其变化情况，但未能完全满足用户将数据问题转化为业务问题的需求。大模型等技术虽然在不断发展，但在实际应用中仍面临挑战，例如：

数据的可信度：Chat BI 等工具提供的数据和结论是否可信，仍然是一个需要解决的问题。
业务问题的深度挖掘：工具未能很好地帮助用户从数据中挖掘出深层次的业务问题，以及提供针对性的解决方案。

大模型应带来的改变

大模型等技术的发展，本应带来从数据问题到业务问题的转化，但目前这一目标尚未完全实现。用户需要的不仅仅是数据的呈现，而是能够从数据中获得真正的业务洞察和行动建议。

02 Data Agent 的本质：从工具到“人”的进化

在数据分析的发展历程中，从 Excel 到 BI 工具，再到 Chat BI，每一代工具都在一定程度上提升了数据获取和理解的效率。然而，这些工具本质上仍然是“被动响应”的辅助系统，它们无法主动思考、不能提出问题、更无法面向未来进行推理和建议。它们的核心价值在于“回答用户的问题”，而不是“帮助用户提出正确的问题”。

随着大模型技术的成熟，一种新的数据分析形态正在兴起——Data Agent。它不再只是工具的升级，而是一次从“功能增强”到“能力进化”的跃迁。Data Agent 的本质，是将数据分析系统从“工具”转变为“具备自主思考能力的智能体”，从而实现从“记录过去”到“理解现在”再到“预测未来”的跨越。

1. 传统 BI 与 Chat BI 的局限：被动响应与答案导向

传统 BI 系统的核心功能是“记录过去”，它通过仪表盘、报表等形式，将历史数据以可视化方式呈现给用户。这种模式在企业决策中具有基础价值，但其本质仍是“后视镜”视角，无法回答“接下来会怎么样”或“我应该怎么做”的问题。

例如，一个销售经理通过 BI 系统看到“本月销售额同比下降 10%”，他需要进一步分析原因。然而，传统 BI 工具只能提供数据汇总，无法自动进行归因分析，更无法提出改善建议。这就需要分析师介入，手动下钻、对比、验证，最终形成报告。这一过程不仅耗时，而且依赖分析师的经验和判断力。

Chat BI 的出现，在一定程度上降低了数据分析的门槛。用户可以通过自然语言提问，系统则通过大模型理解语义并返回结果。例如：

“本月销售额下降的主要原因是什么？”

Chat BI 可以基于预设的归因逻辑，返回一个结构化的归因报告。然而，这种回答依然是“答案导向”的——它回答了用户的问题，但并未真正推动业务动作。更重要的是，当用户提出的问题本身就不准确或不完整时，系统给出的“正确答案”反而可能误导决策。

此外，Chat BI 在准确性、可解释性和一致性方面也存在挑战。同样的问题，多次提问可能会得到不同的结果；模型输出的归因维度中，某些变量的影响值微乎其微，却依然被列为主要因素；而用户对这些结果的信任度，往往取决于其自身的业务理解能力。

2. Data Agent 的突破：从“工具”到“人”的转变

如果说传统 BI 和 Chat BI 仍属于“工具”范畴，那么 Data Agent 则代表了一种新的系统形态——它不再只是“回答问题”，而是“理解问题”、“提出问题”、“解决问题”的智能体。

（1）从被动响应到主动思考

从火山引擎今年 4 月推出的自研 Data Agent 形态来看，其具备“主动思考”的能力，它不仅能响应用户的查询，还能基于数据变化、业务背景和历史经验，自主识别异常、提出关键问题，并尝试解释其背后的原因。

例如，在电商 618 大促期间，Data Agent 可以主动监测关键指标（如 GMV、转化率、用户活跃度等），当发现某一类商品的转化率异常下降时，它会自动生成分析任务，调用结构化数据、编写 Python 脚本进行数据整合，并结合联网信息进行补充分析，最终输出一份结构化报告，说明可能的原因（如页面加载慢、竞品价格更低、用户评价变差等）。

这种“主动发现-自主分析-生成建议”的能力，使得 Data Agent 不再是用户查询的响应者，而是业务洞察的推动者。

（2）从答案导向到问题引导

Data Agent 的另一个核心价值在于：它帮助用户识别“什么是正确的问题”。传统工具往往只能回答用户提出的问题，但无法判断这些问题是否真正有价值。而 Data Agent 则能够基于业务目标、数据特征和行业经验，引导用户提出更具洞察力的问题。

例如，当业务人员问“哪个客户群体最有价值？”时，Data Agent 不仅会基于现有数据给出统计意义上的高净值用户，还会进一步引导用户思考：

“‘价值’是如何定义的？是消费金额、复购率，还是用户生命周期价值？”
“这些用户的需求是否已经被充分满足？”
“是否存在未被满足的潜在需求？我们可以通过哪些数据来验证？”

这种“引导式提问”的能力，使得 Data Agent 能够帮助用户跳出表面数据，深入理解业务本质，推动从“数据驱动”向“洞察驱动”的转变。

3. 从功能增强到能力进化：构建以大模型为核心的智能体

与将大模型作为“补丁”来增强现有功能不同，Data Agent 的本质是将大模型作为“容器”来承载智能能力。这意味着：

（1）Data Agent 的“聪明程度”随着大模型能力的提升而提升

传统工具的智能水平依赖于固定的规则和算法，而 Data Agent 的智能则来源于大模型的持续进化。随着大模型在推理、生成、理解等能力上的提升，Data Agent 的分析深度、归因准确性和建议质量也将同步提升。

（2）Data Agent 的“经验”来源于私域知识的学习

Data Agent 不仅是通用知识的使用者，更是企业私域知识的沉淀者。它能够学习企业的业务逻辑、行业术语、历史报告、专家经验等隐性知识，并在后续分析中加以运用。这种“经验驱动”的能力，使得 Data Agent 能够提供更贴近业务实际的洞察。

（3）Data Agent 具备工程化扩展能力

Data Agent 不是“更快地完成旧方式的工作”，而是“用新的方式完成新的工作”。它可以通过调用 API、执行脚本、接入外部数据源等方式，实现数据整合、模型训练、报告生成等复杂任务的自动化。这种能力使得 Data Agent 能够适应不同业务场景，实现从“功能增强”到“能力进化”的跨越。

4. 从“工具”到“人”的本质转变

火山引擎对自己推出的 Data Agent 的核心定位，是将其视为一个“人”——一个具备数据理解能力、业务推理能力和建议生成能力的智能体。它不是分析师的替代者，而是分析师的“智能助手”；它不是决策的最终执行者，而是决策过程的“洞察提供者”。

在这一视角下，Data Agent 的价值不再局限于“提高效率”，而在于“提升质量”：

它帮助用户识别异常、提出问题；
它推动从数据理解到业务洞察的跃迁；
它促进从经验驱动到知识驱动的转型；
它构建从过去分析到未来预测的闭环。

03 实践落地：分析 Agent 架构

Deep Research 作为火山引擎 Data Agent 的核心能力之一，正在从概念验证走向可落地的突破性场景。其设计目标不是简单替代传统 BI，而是在“轻量取数”与“深度洞察”之间建立一条可伸缩的自动化链路。

1. 超越交互边界：从“对话”到“行动建议”

在人机交互方面，Data Agent 正在经历从被动响应到主动引导的重大转变。按照自动驾驶级别的类比，我们可以将这一过程分为几个阶段：

L1 级：基本查询响应——用户提问，系统直接返回答案；
L2 级：初步归因分析——系统不仅能回答问题，还能解释原因；
L3 级：多角度探索与假设验证——系统提供多个视角的分析，并能验证不同策略的效果；
L4 级：完全自主洞察与建议——系统能够在数据变化时自动识别异常并提出解决方案，无需人工干预。

目前，虽然 L4 级别的完全自主洞察尚未实现，但 L3 级别的应用已经在许多场景中取得了显著成效。

2. 超越洞察边界：从发现问题到解决问题

Data Agent 核心价值之一是超越传统 BI 洞察边界，从“发现问题”进化到“解决问题”，提供更深层次分析和可执行建议。体现在四维分析能力，以及分析过程透明化和可验证性。

（1）可信赖的前提

在企业管理实践中，很多关键决策依赖于管理者的经验和直觉。他们往往能迅速识别问题、归因原因并提出应对方案，但这些判断通常缺乏清晰的逻辑支撑和数据验证。

Data Agent 的价值之一，正是将这些隐性的判断过程显性化。即便它的结论与人类判断一致，但其推理路径是：

逻辑可解释：具备明确的前提、逻辑链和结论；
结果可验证：所依据的数据来源、计算方式、假设条件均可回溯；
可复用的：形成标准化的分析流程，便于团队协作与知识沉淀。

（2）四维分析能力：从描述到建议

传统 BI 工具主要停留在描述性分析和诊断性分析。Data Agent 将分析能力扩展到预测性分析和指导性分析，形成完整分析闭环：

描述（What happened?）：呈现已发生事实和数据，数据分析基础。
诊断（Why did it happen?）：解释事件发生原因和影响，理解问题根源。
预测（What will happen?）：基于历史数据和模型，推测未来趋势和可能性。AI 在预测聚焦性问题仍有挑战，但 Data Agent 可用于“验证假设”，评估不同策略影响。
建议（What should we do?）：提供具体行动建议和解决方案，Data Agent 最关键增值点。将分析结果转化为可执行业务策略，指导用户行动。

3. 超越协作边界：让AI真正理解业务

Data Agent 旨在打破传统 BI 与 AI 协作边界，使 AI 真正理解业务，赋能团队创造“原本不可能”成果。这种超越协作边界能力，不仅体现在效率提升，更在于信息孤岛打破和组织智慧系统化沉淀。

组织资产的构建：从个体智慧到共享知识库

传统企业中，许多宝贵经验和洞察分散在个人大脑中，形成“个体智慧”，难以被组织复用。Data Agent 通过将这些分散经验与洞察转化为企业级可复用知识库，构建“组织资产”并共享能力。包括：

内外部数据整合：整合企业内部数据和市场外部数据，结构化或非结构化数据均可有效利用。
显性与隐性知识融合：处理记录在册的显性知识，更重要是学习和沉淀隐性知识。将被动资源转化为主动引擎，Data Agent 持续学习进化，形成企业独特智慧资产。

4. 功能架构：构建会思考的数据分析大脑

为实现 AI 对业务真正理解和高效协作，Data Agent 功能架构设计为“会思考的数据分析大脑”，核心在于开放集成和智能处理：

开放集成：支持 H5 嵌入、IM 集成、OpenAPI 接口、插件和工作流。Data Agent 无缝融入企业现有协作环境和业务流程。
智能问数与深度思考：具备智能问数能力，多轮追问、推荐问题、反问澄清，生成图文并茂分析报告。更重要是深度思考能力，归因分析、分析大纲生成和行动建议。Data Agent 不再仅回答问题，而是主动引导用户深度分析。
配置管理：提供灵活配置管理功能，包括数据准备、模型对接、语义模型配置、业务知识配置、推荐问题配置、模糊问题拆解、指标小结配置和 Prompt 配置。企业可定制 Data Agent 行为和能力。

5. 架构选择：Multi-Agent 与 One Agent 的选择

在构建 Data Agent 的过程中，选择合适的架构至关重要。Multi-Agent 和 One Agent 并不是对立的选择，而是根据具体需求来决定哪种更适合当前场景。关键在于任务间的依赖性和耦合度：

高依赖性：如果任务间高度依赖且耦合度高，使用 Multi-Agent 系统时需进行精细编排，甚至采用工作流形式。这可能限制大模型的智能水平，因为它遵循特定路径而非最佳路径。
上下文共享要求：对于连贯性要求高的场景，One Agent 更为合适；而对于连贯性要求不高或允许有损压缩的情况，通过共享方式也可以实现有效操作。

短期来看，One Agent 的上限较高，因其控制方式灵活，能充分利用大模型的智能水平。然而，其下限也较高，因为只能利用单一模型的能力。相比之下，Multi-Agent 虽然灵活性稍逊，但在组织 context 和 prompt 方面更加灵活。

6. 业务架构：让 Agent 从“听懂”到“行动”的完整链路

在构建新一代数据分析系统的过程中，一个核心挑战在于：如何让 AI 不仅听懂用户的问题，还能将其转化为可执行的操作路径，并最终输出有价值的分析结果？

基于实践经验，火山引擎提出了一套以“Plan + React”为核心的双阶段执行架构，确保 Data Agent 能够在复杂业务场景中实现从语义理解到实际操作的闭环。

（1）Plan 阶段：问题重构与执行规划

用户提出的问题往往存在模糊性、歧义或信息缺失。因此，在进入执行流程前，系统首先会对原始问题进行：

意图识别与改写：判断用户的真正需求，修正表述不清的部分；
上下文补全：结合历史对话、用户角色、业务背景等补充关键信息；
反问交互：在必要时主动提问，澄清用户意图，确保后续执行准确。

完成这些步骤后，系统将生成一个结构化的“执行计划（Execution Plan）”，明确所需的数据源、分析维度、推理逻辑和预期输出格式。

这个阶段的目标是将自然语言问题转化为机器可理解和执行的指令集合。

（2）React 阶段：任务拆解与工具调用

一旦执行计划确定，系统进入“React”阶段，即通过多步推理和工具调用来完成任务分解与执行：

数据查询：从数据库、API 接口等获取原始数据；
知识检索：调用企业内部的知识库、经验文档，补充背景信息；
模型计算：使用 Python 脚本、统计模型或大模型进行深度推理；
可视化生成：根据分析结果自动生成图表与报告。

这一阶段的核心在于灵活调度多种能力模块，形成完整的分析闭环。

（3）MCP 架构升级：提升调试效率与协作能力

为了支撑上述功能，我们在原有技术架构基础上引入了 MCP（Modular Control Platform）架构，显著提升了系统的可维护性与扩展性。

MCP 的核心优势包括：

模块分离：将 Prompt 工程、上下文管理、任务执行等模块解耦，便于独立调试；
角色适配：支持产品、分析师、工程师等不同角色按需参与调优过程；
兼容性强：适配多种大模型版本与本地部署环境，满足企业合规需求；
响应优化：相比早期方案，整体执行效率提升，尤其在代码生成与实时反馈方面表现突出。

目前，火山引擎主要采用 DeepSeek V3 与豆包 1.6 两个模型版本，分别承担复杂推理与代码生成任务，并通过 MCP 统一调度，形成高效的分析闭环。

04 核心挑战：知识治理与效果评估

1. 知识输入与治理：当前最具挑战的核心问题

知识作为支撑 Agent 智能分析的基础，其治理与输入方式直接影响系统的可用性与实用性。目前这一领域仍处于高度探索阶段，存在诸多不确定性：

（1）显性知识与隐性知识的输入难题

显性知识输入：如结构化文档、报告、数据库等，尽管已有 RAG、RegGraf 等技术尝试整合，但在不同场景下的效果差异较大。文档数量并不总是正相关，有时过多反而会带来噪声干扰；信息密度也非越高越好，需结合任务目标进行筛选。
隐性知识沉淀：用户提问、反馈、点赞、追问等行为中蕴含大量有价值的“隐性知识”。例如，用户对某份报告的认可可以转化为训练数据，进而优化后续问答质量。这种自动化的“飞轮”机制虽具潜力，但仍面临模型泛化能力不足、反馈信号稀疏等问题。

（2）非结构化数据的整合挑战

图像、音频、视频等非结构化数据的整合是知识治理中的另一难点。现有方法主要包括：

算子处理后结构化：通过 OCR、语音识别、特征提取等方式将非结构化数据转为结构化内容；
端到端建模：利用多模态大模型直接处理原始数据，但对算力与模型能力要求较高。

这些方法各有优劣，尚无统一范式，需根据具体业务需求和技术条件灵活选择。

（3）知识治理的未来方向

知识治理不仅是技术问题，更是组织能力的体现。当前 KMS（知识管理系统）厂商大多聚焦于部署和存储，却难以解决以下关键问题：

如何在知识冲突时判断可信来源；
如何动态更新并维护知识的时效性与准确性；
如何让知识真正服务于业务，而非停留在文档库中。

未来，企业需建立一套完整的知识治理体系，涵盖知识采集、清洗、存储、调用、反馈闭环等多个环节，才能充分发挥 Agent 的智能潜能。

2. 评估 Agent：超越“准确”的立体框架

评估 Data Agent 的效果涉及多个维度，包括准确性、鲁棒性以及洞察性。传统的 BI 工具关注速度、准确性和易读性，而 Deep Research 则在此基础上增加了对洞察性的考量：

准确性：不仅指数据本身正确，还包括引用来源的真实性，避免产生过多幻觉。
鲁棒性：系统应能处理模糊查询，并具有一定的自我修正能力，确保上下文一致性。
洞察性：这是区分 Data Agent 性能的关键点。一个优秀的 Data Agent 不仅能提供准确的数据，还能揭示深层次的业务洞察，给出具体的行动建议。

05 落地场景：谁适合用 Agent？

在火山引擎对 Data Agent 的应用探索中，一个关键问题是：它到底适用于哪些业务场景？又适合哪些人群使用？

Data Agent 并非万能工具，也不是对传统 BI 和分析师角色的替代者，而是一种面向“启发性思考”、“探索性分析”和“智能辅助决策”的新形态。它的价值主要体现在那些需要创造性洞察、跨维度归因和开放性问题解决的场景中。

1. Agent 不是“替代者”，而是“协同者”

在当前企业数字化转型的背景下，Data Agent 被广泛讨论的一个问题是：“它是否能替代分析师？”从实际应用来看，Data Agent 并不是以“取代人力”为目标，而是一个“协同工具”或“智能助手”。它的核心价值在于：

降低分析门槛：让非专业人员也能完成原本需要数据分析师才能执行的数据整合和初步洞察；
提升分析效率：协助资深分析师处理重复性高、技术性强的任务（如取数、归因分析）；
拓展分析深度：通过大模型能力提供新的视角和假设验证，辅助决策者做出更全面判断。

因此，Agent 更适合与人协作而非替代。它帮助分析师从繁琐的操作中解脱出来，专注于策略制定、问题定义和复杂判断等更高价值的工作。

2. 适合使用 Agent 的典型场景

（1）启发式分析场景

传统的 BI 工具擅长回答“发生了什么”、“为什么发生”等问题，但无法主动提出新问题或探索未知领域。从火山引擎 Data Agent 的实践来看，其核心优势正是其启发性分析能力，适用于以下开放性业务问题：

战略部门进行战略规划时，需要理解宏观趋势和潜在风险；
市场部门开展市场调研时，需挖掘消费者行为背后的驱动因素；
产品部门进行竞品分析时，希望发现未被满足的需求或创新点；
客户服务团队分析客户反馈（Customer Voice），识别隐藏的问题或机会。

这类问题往往没有固定答案，也无法通过例行报告自动呈现，正需要 Data Agent 提供的“新角度”与“啊哈时刻”（Ah-ha Moment）来激发思考。

（2）异动归因与深度洞察

在电商、金融、零售等领域，指标波动是常态，但找到真正原因却极具挑战。传统方法依赖经验丰富的分析师手动下钻，耗时且易遗漏关键因素。

Data Agent 则可通过如下方式实现自动化异动归因：

接收交易、商品、用户等多维数据；
结合行业术语和企业内部“黑话”理解业务背景；
自动编写代码提取数据、生成可视化图表；
提供结构化归因报告，并推荐可能的改进方向。

例如，在某次 GMV 下降事件中，Agent 不仅指出流量减少这一表面原因，还进一步发现某一品类转化率异常下降，并结合用户评论识别出该品类存在物流延迟问题。

（3）营销策略与个性化洞察

营销场景中，从火山引擎 Data Agent 的价值来看，体现在对“主体知识”的理解和运用上。不同于通用知识库，主体知识库聚焦于个体用户的画像、偏好、行为路径等信息，使得 Agent 能够：

分析用户生命周期变化；
判断不同营销策略的有效性；
提供个性化的触达建议；
支持 CDP、MA 等系统的精准运营。

这在金融、保险、教育等 ToC 行业中尤为关键，帮助企业在千人千面的营销环境中实现更高效的内容匹配和用户激活。

3. 落地策略建议

（1）场景优先，避免盲目铺开

很多企业在尝试引入 Data Agent 时容易陷入“全面推广”的误区，期望快速覆盖全组织。然而，由于 Agent 的能力仍在演进阶段，更适合采取“试点先行+外扩落地”的方式：

选择具有明确业务目标、数据基础良好、分析需求复杂的场景作为切入点；
在小范围内验证效果后，逐步扩大应用范围；
不断迭代优化 Agent 的配置、prompt、知识库等内容。

（2）构建“人机协同”的工作流程

Agent 不应被视为独立决策者，而应融入现有分析流程中，承担辅助角色：

数据工程师负责数据治理和准备；
分析师负责定义问题、设计逻辑、验证结论；
Agent 负责执行操作、提供建议、补充视角。

这种分工模式既能发挥人类专家的经验判断力，又能借助 Agent 提升效率和广度。

（3）推动组织能力升级

引入 Data Agent 不仅是技术层面的变革，更是组织认知和流程的重构：

提升数据素养：培训员工如何提问、判断结果、与 Agent 对话；
加强知识管理：建立统一的知识治理体系，确保 Agent 能获取高质量知识；
重构工作方式：从“事后分析”转向“持续对话”，形成动态决策机制。

06 未来展望：Data Agent 如何进化？

Data Agent 的进化是一个持续的过程。火山引擎 Data Agent 的探索，期望它从当前的“决策伙伴”逐步发展为未来的“战略顾问”。

1. 过去：辅助工具（增强的 BI）

在过去，数据分析工具更多地扮演辅助工具的角色，例如增强的BI工具。

2. 现在：决策伙伴

当前，Data Agent 正在进入“决策伙伴”阶段。它能够主动探索数据，提供可信的建议，并支持协同分析。这意味着 Data Agent 不再仅仅是回答问题，而是能够主动发现问题、提供洞察，并与业务人员共同进行分析和决策。

3. 未来：战略顾问

Data Agent 的未来目标是成为企业的“战略顾问”。在这一阶段，它将具备高度的自主性，能够预测长期趋势，模拟复杂情景，并为顶层战略提供数据驱动的深度洞察。未来 Data Agent 的发展取决于模型的智能水平及知识的应用。

07 核心主张：让数据成为每个人的智能伙伴

火山引擎推出的 Data Agent 的核心主张是“让数据成为每个人的智能伙伴”，这不仅仅是一个口号，更是对数据与人之间关系的重新定义，以及对数据分析未来发展方向的系统性突破。

1. 重新定义与数据的关系

Data Agent 超越了传统的工具思维，它不再仅仅是一个被动的数据分析工具，而是成为数据与人之间的智能中介与协作伙伴。它能够理解业务语言，主动提供洞察和建议，甚至在某些场景下自主行动，从而极大地提升了人机协作的效率和深度。这种关系使得数据不再是冰冷的数字，而是能够与人进行“对话”的智能实体。

2. 系统性突破：打破局限，实现质变

Data Agent 的出现，是对现有数据分析体系的系统性突破。它打破了传统BI的结构性局限（如预设报表、缺乏深度洞察）和 AI 的黑盒困境（如“幻觉”、难以解释），实现了从量变到质变的飞跃。它使得数据分析不再是少数专家的特权，而是成为人人可用的能力，从而推动企业整体的数据智能水平提升。

3. 面向业务

Data Agent 要更多面向业务问题，解决业务难题，唯有此才能更好地评估 Data Agent 的价值。

4. 能力进化与持续成长

Data Agent 的能力是持续进化的。它从被动响应到主动探索，从数据分析到问题定义，不断拓展其能力边界。更重要的是，Data Agent 能够随交互持续成长，通过学习用户反馈和业务场景，不断优化自身的智能水平，构建真正懂业务的数据分析能力。这种持续成长的特性，使得 Data Agent 能够更好地适应快速变化的商业环境，为企业提供持久的竞争优势。

以上就是本次分享的内容，谢谢大家。