首页/文章/ 详情

构建数据Agent需与不确定性共存，快读火山引擎《2025数据智能体实践指南》

AIE加速工业进化

5月前浏览322

近日，火山引擎发布了《2025数据智能体实践指南》，将数据智能体列为BI和ChatBI发展的下一个阶段，强调其辅助人的功能定位，以及需要接受和控制其不确定性，从而发挥应用价值。

报告重点介绍了应对不确定的数据智能体的技术架构，在企业实际应用场景和案例方面内容相对少。以下是一些要点内容的概括

数据智能体是BI、ChatBI的下一个阶段

白皮书将数据查询分析分为了3个阶段：BI、ChatBI和数据智能体3个阶段

BI诞生于企业管理系统普及，用工程化方法，解决了数据结构化、标准化和可视化的问题，但是预定义的框架响应慢，不支持自由探索

ChatBI通过自然语言问答极大提升了数据获取的效率和便捷性，但随着决策层级上升使用率降低，原因包括准确性、解释性不足带来的信任缺失，以及更重要的在于归因、诊断、预测和建议等深的决策支持能力不足

在更宽泛的理解里，报告提到的具备更高阶的归因、诊断、预测和建议的AI通常被认为是高阶的ChatBI能力，如用友的ChatBI的能力做了5级划分，L5级ChatBI就是解决这类问题，白皮书将这个级别的智能体单独划分命名为了数据智能体。

白皮书强调，虽然是发展的3个阶段，但BI、ChatBI与数据智能体是互补协同关系，而非替代关系。三种形态将长期共存，并通过融合与集成，最终形成一个统一、智能的数据分析平台

短期内，保持BI的同时，在边缘和长尾场景引入ChatBI提升效率，小范围试点智能体，BI保障核心报表的权威性，ChatBI满足普惠化的查询需求，智能体则作为专家工具，专注于深度分析与决策支持。长期则在同一用户入口，根据用户问题的类型和复杂度，自动分发给最合适的分析引擎

数据智能体是什么

报告给出的标准定义如下，几个关键词：复合智能体、确保行为可靠、自主规划并执行分析任务

数据智能体是一种新兴的企业级智能实体。它拥有一个由大语言模型驱动的、能够进行概率推理的“专家心智”（Expert Mind），和一个由严谨工程体系所约束的、确保行为可靠的“职业准则” （Professional Discipline）。作为一个复合智能体，它能够以准“人格化”的方式，深度理解企业业务语境，自主规划并执行复杂的分析任务，并在持续的人机协同中，作为企业数据团队的一员，不断学习进化，为组织构建一个能够自主成长的“数据大脑”

核心定位是辅助人，将人从极耗时、重复性、但技术性要求高的分析工作中解放出来，聚焦于只有人类才能胜任的、更高级的认知活动

报告提出了数据智能体的4级成熟度模型，当前阶段，L1价值有限，而L3-L4 对技术、数据和业务流程的要求极高，投入产出比尚不明确。L2则在技术可行性与业务价值之间取得了最佳平衡，是绝大多数企业现阶段应该聚焦的核心能力建设目标。

通过技术架构管控不确定性

报告指出，智能体的核心架构目标，不是为了无限提升大模型本身的性能，而是为了管理和对冲其内在的不确定性，为概率性的AI内核，套上一个确定性的工程外壳。

为此，报告提出了一个“双核心”架构模式，通过“前台”与“后台”的协同，来高效、可靠地处理从简单查询到复杂分析的全谱系任务

前台：智能问数架构，处理绝大多数（约80%）的明确、封闭式查询任务。其设计目标是极致的响应速度、准确性和用户友好度，核心任务是将用户的自然语言精准“转译”为机器可执行的指令

后台：深度思考架构，扮演着一位经验丰富的资深数据分析师，其核心是任务规划的严谨性与执行过程的动态适应性

为实现双核心架构，需要5大类技术组件协同工作

1.动态可扩展的多智能体（Multi-Agent）协作架构：由一个“主智能体”的协调者，负责理解总体任务、进行智能分解，并将子任务分配给一系列具备特定专业技能的“子智能体”去执行

2.分层上下文（Layered Context）管理机制：对上下文信息进行精细化的分层组织与管理，分为核心上下文、扩展上下文、动态加载与传递等

3.丰富、开放的工具（Tools）生态系统：通过本地调用、API（如MCP协议）以及A2A等协议等灵活接入生态工具集，如数据类工具、分析类工具、文件类工具、业务类工具等

4.置信度（Confidence）保障体系：从三个层面进行稳定性和正确性的管控

投票机制（Voting Mechanis m）对同一个问题，多次独立运行Agent,通过投屏策略选取置信度最高的答案
在线评判系统（Online Critic Agent）引入一个独立的“评判官Agent”，在线、自动化地对主Agent生成的结果进行二次审核
基于置信的推理（Reasoning with Confidence）利用模型在生成过程中的内部置信度信号，动态地剪除低质量的、不确定的推理路径，减少不必要的计算开销，并提升最终答案的准确性

5.人在环路（Human-in-the-Loop）协同机制：人在关键节点介入，对过程进行确认、纠偏，以保障最终输出结果的质量，包括规划确认、结果追问和调整等