視點(diǎn) 發(fā)自 凹非寺
量子位｜公眾號(hào) QbitAI

Agent 產(chǎn)品正發(fā)布得火熱，但要說(shuō)到真正懂企業(yè)、懂決策的 Agent 還不算常有。

其背后，還有大量企業(yè)積累的業(yè)務(wù)數(shù)據(jù)，在等待被高效利用起來(lái)。數(shù)據(jù) Agent 會(huì)成為一個(gè)好解法嗎？

為此，我們邀請(qǐng)到了 Agent 公司的代表數(shù)勢(shì)科技聯(lián)合創(chuàng)始人譚李，以及數(shù)據(jù)庫(kù)公司的代表飛輪科技科技聯(lián)合創(chuàng)始人肖康，聊了聊什么是“懂業(yè)務(wù)”的 Agent、Agent 與傳統(tǒng) BI 的關(guān)系、Agent 如何參與決策，以及在未來(lái)企業(yè)中的角色等等。

對(duì)話(huà)亮點(diǎn)

• 即使是一個(gè)通用指標(biāo)——商品毛利，每家企業(yè)的計(jì)算方法也不同。一個(gè)懂業(yè)務(wù)的 Agent，首先要明確“商品毛利”背后到底是兩項(xiàng)、五項(xiàng)還是十五項(xiàng)指標(biāo)的組合。
• 數(shù)據(jù)分析正在從 “User-facing” 正在轉(zhuǎn)向 “Agent-facing”。
• Data Agent 帶來(lái)的變革本質(zhì)上提升了人與數(shù)據(jù)系統(tǒng)的交互頻率與效率。
• Data Agent 適合應(yīng)用的場(chǎng)景很多，但它們背后都具備一個(gè)共同的關(guān)鍵特征——靈活、及時(shí)的決策。

以下基于嘉賓分享梳理，在不改變?cè)饣A(chǔ)上有一定刪改。

“懂業(yè)務(wù)”的Agent，不只是工具，更是數(shù)據(jù)秘書(shū)

量子位：我們可以先從“懂業(yè)務(wù)”這個(gè)概念聊起。能否請(qǐng)數(shù)勢(shì)科技介紹一下，你們是如何理解“懂業(yè)務(wù)”的 Agent？是否可以用幾個(gè)關(guān)鍵詞或能力指標(biāo)來(lái)定義？

數(shù)勢(shì)科技譚李：懂業(yè)務(wù)的 Agent，我們可以用一個(gè)形象的比喻來(lái)理解：它就像是跟了你多年的秘書(shū)，非常了解你。你剛開(kāi)始表達(dá)需求，它就能推斷出你的目標(biāo)，并進(jìn)行分析和執(zhí)行。這是我們所說(shuō)的“懂業(yè)務(wù)”。而不懂業(yè)務(wù)的 Agent 更像是一個(gè)剛剛到崗的外包人員，雖然具備通用能力，但對(duì)我們的業(yè)務(wù)語(yǔ)境、知識(shí)缺乏基本理解。

我們可以把“懂”拆解為三個(gè)層次：第一是“我知道是什么”（What），即對(duì)業(yè)務(wù)概念的理解；第二是“我知道為什么”（Why），能理解背后的邏輯；第三是“我知道怎么辦”（How），能提出實(shí)際操作建議。一個(gè)懂業(yè)務(wù)的 Agent，應(yīng)該能在這三方面與使用者形成良好互動(dòng)。

以我們服務(wù)的一些大型零售客戶(hù)為例，例如沃爾瑪、山姆、永輝、胖東來(lái)等企業(yè)。我們發(fā)現(xiàn)，即使是一個(gè)通用指標(biāo)——商品毛利，每家企業(yè)的計(jì)算方法也不同。例如，有的企業(yè)會(huì)考慮試吃損耗、聯(lián)合促銷(xiāo)返利、破損過(guò)期、盤(pán)盈盤(pán)虧等因素，而有的則不會(huì)。這些細(xì)節(jié)體現(xiàn)了 What 層的差異。一個(gè)懂業(yè)務(wù)的 Agent，首先要明確“商品毛利”背后到底是兩項(xiàng)、五項(xiàng)還是十五項(xiàng)指標(biāo)的組合。

接下來(lái)是 Why 的層面。如果你讓一個(gè)通用 Agent 分析商品毛利，它可能會(huì)告訴你哪個(gè)品類(lèi)毛利高，哪個(gè)低，卻無(wú)法解釋為什么。例如，洗發(fā)水的毛利偏低，日用百貨/服飾類(lèi)的產(chǎn)品毛利非常高；洗發(fā)水毛利與寶潔這樣的頭部品牌控制著定價(jià)權(quán)有一定的相關(guān)性。只有懂業(yè)務(wù)的 Agent 才知道品類(lèi)與毛利之間的業(yè)務(wù)邏輯關(guān)聯(lián)。

第三層是 How。當(dāng)你問(wèn)如何提高一籃子貨的毛利水平時(shí)，通用 Agent 可能會(huì)說(shuō)“你漲價(jià)”或“你降本”，這雖然沒(méi)錯(cuò)，但太粗淺。懂業(yè)務(wù)的 Agent 會(huì)說(shuō)：“你需要重新評(píng)估這一籃子貨的商品結(jié)構(gòu)，因?yàn)槟愕纳唐方Y(jié)構(gòu)決定整體毛利水平。”總結(jié)來(lái)說(shuō)，懂業(yè)務(wù)的 Agent 不僅要回答 What，更要理解 Why，最終提出貼近業(yè)務(wù)實(shí)際的 How。

量子位：現(xiàn)在很多通用型 Agent，也會(huì)稱(chēng)自己的產(chǎn)品為秘書(shū)、工作伙伴。那數(shù)勢(shì)科技認(rèn)為，企業(yè)級(jí)數(shù)據(jù) Agent 的定位和價(jià)值具體在哪里？

數(shù)勢(shì)科技譚李：我們可以從兩個(gè)維度劃分 Agent：通用 vs 垂直、企業(yè)級(jí) vs 非企業(yè)級(jí)。我們產(chǎn)品落在“垂直 + 企業(yè)級(jí)”的象限，專(zhuān)注于數(shù)據(jù)領(lǐng)域。

我們?cè)趺凑J(rèn)知產(chǎn)品呢？首先，它的使用對(duì)象是企業(yè)內(nèi)部的業(yè)務(wù)人員和分析師，因此“懂業(yè)務(wù)”尤為重要。我們并不是簡(jiǎn)單調(diào)用大模型，而是構(gòu)建企業(yè)私域知識(shí)，使每個(gè)企業(yè)可以配置或?qū)胱约旱闹R(shí)體系，并讓產(chǎn)品進(jìn)行學(xué)習(xí)和迭代。

然后它的使用場(chǎng)景，是在企業(yè)做業(yè)務(wù)決策時(shí)，提供分析的支持。那么企業(yè)能夠在私域的語(yǔ)義環(huán)境下，讓業(yè)務(wù)人員或分析師以更高效的方式拿到數(shù)據(jù)與洞見(jiàn)，來(lái)支持業(yè)務(wù)決策。

量子位：那從數(shù)據(jù)庫(kù)的角度來(lái)看，飛輪科技認(rèn)為一個(gè)“懂業(yè)務(wù)”的 Agent 在數(shù)據(jù)處理上應(yīng)該具備哪些能力？數(shù)據(jù)庫(kù)發(fā)揮了怎樣的作用？

飛輪科技肖康：我們理解的“懂業(yè)務(wù)” Agent，與通用型最大的區(qū)別在于它理解的是“有語(yǔ)義的數(shù)據(jù)”，而非裸數(shù)據(jù)（Raw data）。現(xiàn)在很多人嘗試用大模型進(jìn)行 Text-to-SQL 查詢(xún)，比如詢(xún)問(wèn)“企業(yè)銷(xiāo)售預(yù)測(cè)”，雖然能生成 SQL 語(yǔ)句并運(yùn)行，但效果并不好：一方面數(shù)據(jù)不準(zhǔn)確，另一方面還需要人工校驗(yàn)，反而增加了成本，甚至可能誤導(dǎo)決策。

我們分析下來(lái)，一個(gè)重要的問(wèn)題是在于中間缺少了“語(yǔ)義層”。理想的方式是讓自然語(yǔ)言首先映射到已經(jīng)建模、貼合業(yè)務(wù)語(yǔ)義的指標(biāo)數(shù)據(jù)中，比如指標(biāo)平臺(tái)中的數(shù)據(jù)。以商品毛利為例，不同企業(yè)的定義不同，如果跳過(guò)語(yǔ)義層直接查數(shù)據(jù)庫(kù)，很容易出錯(cuò)。因此我們認(rèn)為，有語(yǔ)義的指標(biāo)平臺(tái)是關(guān)鍵，它是讓 Agent 真正“懂業(yè)務(wù)”的基礎(chǔ)。

量子位：現(xiàn)在企業(yè)級(jí) Agent 是如何模擬人類(lèi)分析師的，在提問(wèn)和歸因邏輯上有沒(méi)有特別的處理方法？

數(shù)勢(shì)科技譚李：我們前面把 Data Agent 比作“跟了你多年的數(shù)據(jù)秘書(shū)”，我可以再舉個(gè)例子：它就像企業(yè)為每個(gè)業(yè)務(wù)人員配備了一頭“電子牛馬”。以前，數(shù)據(jù)分析主要依賴(lài)“表哥表姐”手動(dòng)處理分析任務(wù)，可能2個(gè)分析師要支持4、5個(gè)業(yè)務(wù)部門(mén)；而且還需要足夠了解業(yè)務(wù)團(tuán)隊(duì)。

而現(xiàn)在，則由分析師“飼養(yǎng)”一群數(shù)據(jù) Agent，讓它們替代自己完成重復(fù)勞動(dòng)，打破了人力的瓶頸。通過(guò) Data Agent 實(shí)現(xiàn)了“人人用數(shù)”，可以說(shuō)是帶來(lái)了數(shù)據(jù)生產(chǎn)和數(shù)據(jù)消費(fèi)上的根本性變革。

正如肖總提到的早期很多企業(yè)用 Text-to-SQL 的方式準(zhǔn)確率很低。其實(shí)我們從 2023 年就開(kāi)始提倡路徑是 NLP-to-Semantic，即通過(guò)自然語(yǔ)言映射到語(yǔ)義層，再由語(yǔ)義層去連接底層復(fù)雜的數(shù)據(jù)邏輯。這些語(yǔ)義層建立在企業(yè)內(nèi)部分析師的指標(biāo)體系與業(yè)務(wù)邏輯之上，更貼合企業(yè)實(shí)際。

量子位：那在飛輪科技打造懂業(yè)務(wù)的 Agent 時(shí)，底層數(shù)據(jù)庫(kù)做了哪些工作？比如為了實(shí)現(xiàn)跨表處理等功能，數(shù)據(jù)庫(kù)有什么需要特別做到的嗎？

飛輪科技肖康：AI 時(shí)代到底需要什么樣的數(shù)據(jù)庫(kù)，大家都在問(wèn)。我們的看法是，對(duì)像我們這種分析型數(shù)據(jù)庫(kù)來(lái)說(shuō)，需求只會(huì)越來(lái)越高。比如 BI 查詢(xún)，過(guò)去是數(shù)據(jù)工程師寫(xiě)程序、拉報(bào)表，現(xiàn)在用戶(hù)可以直接用自然語(yǔ)言跟系統(tǒng)對(duì)話(huà)。這背后，其實(shí)就是 Agent 在替用戶(hù)發(fā)起查詢(xún)。未來(lái)，Agent 甚至?xí)嫒俗龃蟛糠譀Q策和分析。

你可以理解成，分析從 “User-facing” 正在轉(zhuǎn)向 “Agent-facing”。雖然現(xiàn)在 Agent 還沒(méi)那么多，但未來(lái)它們的數(shù)量可能是人的十倍、百倍。而且它們不會(huì)“休息”——不是像人一天看兩次報(bào)表，而是每幾分鐘就查詢(xún)一次。這對(duì)數(shù)據(jù)庫(kù)提出三個(gè)挑戰(zhàn)：

第一，高并發(fā)和高頻訪(fǎng)問(wèn)。Agent 是程序，要求響應(yīng)快、并發(fā)高，幾千甚至上萬(wàn)并發(fā)去做查詢(xún)是常態(tài)。

在這個(gè)方面，過(guò)去數(shù)據(jù)的分析是面向內(nèi)部、專(zhuān)業(yè)人士的用數(shù)，現(xiàn)在也會(huì)有面對(duì)外部用數(shù)的需求（編者注：可以將 Agent 用數(shù)理解為一種外部用數(shù)）。我們團(tuán)隊(duì)早期在百度做 Doris 項(xiàng)目的時(shí)候，就意識(shí)到像 Hadoop 、MySQL 是滿(mǎn)足不了這些需求的。

第二，更強(qiáng)的實(shí)時(shí)性。過(guò)去數(shù)據(jù)延遲可以是小時(shí)、分鐘，現(xiàn)在要做到上一秒用戶(hù)產(chǎn)生了數(shù)據(jù)，下一秒就能分析。像傳統(tǒng)的數(shù)倉(cāng)使用的是批量的技術(shù)，就是不能滿(mǎn)足這樣的實(shí)時(shí)需求的。

第三，數(shù)據(jù)類(lèi)型更多樣。不僅是結(jié)構(gòu)化數(shù)據(jù)，像現(xiàn)在企業(yè)內(nèi)部的文檔、用戶(hù)評(píng)論都要用來(lái)做分析，非結(jié)構(gòu)數(shù)據(jù)如文本、文檔、評(píng)論，甚至圖片、音視頻，這些都要能參與分析。

在這么多年的發(fā)展過(guò)程中，我們也積累了很多的技術(shù)來(lái)去解決這些需求，比如我們做了各種索引優(yōu)化，不斷榨干 CPU 資源來(lái)提升效率。還專(zhuān)門(mén)做了面向半結(jié)構(gòu)化、非結(jié)構(gòu)化數(shù)據(jù)的架構(gòu)設(shè)計(jì)，和對(duì)象存儲(chǔ)等系統(tǒng)（像 COS）打通，支撐 AI 任務(wù)里的多源數(shù)據(jù)分析。

可以說(shuō)，我們的數(shù)據(jù)庫(kù)就是為 AI 時(shí)代的 Agent 服務(wù)的，從架構(gòu)到底層能力，都在往這個(gè)方向演進(jìn)。

個(gè)性化、主動(dòng)式Agent正在取代傳統(tǒng)BI

量子位兩位老師也都提到了，傳統(tǒng)企業(yè)是使用報(bào)表或傳統(tǒng)BI來(lái)進(jìn)行數(shù)據(jù)分析的。那么從產(chǎn)品能力看，Agent+Data與傳統(tǒng)BI+大模型的最大差異在哪里？

數(shù)勢(shì)科技譚李：這其實(shí)正是我們剛才提到的技術(shù)路徑差異。可以簡(jiǎn)單將其概括為兩種路徑：一種是 Data Agent 的路徑，另一種是 Chat 與 BI 的路徑。兩者的核心差異可以總結(jié)為三點(diǎn)。

第一是「Personal」——Data Agent 更具個(gè)性化。在 BI 報(bào)表基礎(chǔ)上疊加大模型，用戶(hù)可以通過(guò) Chat 的方式來(lái)查詢(xún)數(shù)據(jù)，確實(shí)解決了靈活性問(wèn)題，但你會(huì)發(fā)現(xiàn)，它仍然是基于報(bào)表內(nèi)容本身，并不是為某個(gè)具體用戶(hù)量身定制的。

而智能代理 Agent 就像是你的個(gè)人數(shù)據(jù)秘書(shū)，它能夠理解你的分析習(xí)慣。當(dāng)對(duì)兩位員工同時(shí)提到「幫我看一下過(guò)去一個(gè)月的業(yè)績(jī)情況，KPI 達(dá)標(biāo)了嗎」這個(gè)問(wèn)題時(shí)，他們看到的內(nèi)容可能不一樣，因?yàn)樗麄兯诓块T(mén)不同、KPI 不同、目標(biāo)值也不同。這種情況是傳統(tǒng) BI 難以解決的，而 Data Agent 能夠理解你個(gè)性化的語(yǔ)境與背景，提供真正專(zhuān)屬的分析支持。

第二個(gè)特性是「Proactive」——主動(dòng)性。傳統(tǒng)的 Chat BI 是典型的“我問(wèn)你答”，而且有時(shí)答不出來(lái)，或者數(shù)據(jù)還不完整，這種方式本質(zhì)上是被動(dòng)的，用戶(hù)還需要有明確問(wèn)題意識(shí)，門(mén)檻很高。而Data Agent 則是主動(dòng)式的，它能根據(jù)設(shè)定推送數(shù)據(jù)、發(fā)出預(yù)警，自動(dòng)生成報(bào)告。比如在老板早上進(jìn)辦公室前，它就應(yīng)當(dāng)已將關(guān)鍵數(shù)據(jù)整理好放在他桌面上，而不是等老板進(jìn)來(lái)后才被動(dòng)去處理。Data Agent 就是一個(gè)主動(dòng)匯報(bào)、主動(dòng)發(fā)現(xiàn)問(wèn)題的智能秘書(shū)，范式完全不同。

第三點(diǎn)是「Powerful」——更強(qiáng)大。Agent 不只是信息查詢(xún)的工具，它還能主動(dòng)執(zhí)行一系列操作。比如我們有一個(gè)客戶(hù)是大型零售連鎖，全國(guó)有幾千家門(mén)店，他們通過(guò) Agent 分析門(mén)店經(jīng)營(yíng)數(shù)據(jù)后，可以自動(dòng)判斷出哪些門(mén)店存在特定問(wèn)題，并觸發(fā)任務(wù)系統(tǒng)，直接將具體改進(jìn)任務(wù)下發(fā)給店長(zhǎng)或店員，這些任務(wù)根據(jù)公司 SOP 要求在一周內(nèi)完成。這種決策-執(zhí)行聯(lián)動(dòng)的能力，是傳統(tǒng) BI 無(wú)法實(shí)現(xiàn)的。因此，Data Agent 相較 Chat BI 至少更個(gè)性化、更主動(dòng)、更強(qiáng)大。

量子位：現(xiàn)在我們也觀(guān)察到一個(gè)現(xiàn)象，很多企業(yè)認(rèn)為傳統(tǒng) BI 工具并沒(méi)有充分激活沉淀下來(lái)的數(shù)據(jù)資源，也就是“沉睡的數(shù)據(jù)金礦”。那 Agent 是怎么讓這些數(shù)據(jù)真正“活”起來(lái)的？

數(shù)勢(shì)科技譚李：這是個(gè)更偏應(yīng)用側(cè)的問(wèn)題。正如前面提到的，Agent 有著主動(dòng)性、個(gè)性化等特征，而傳統(tǒng) BI 模式中，數(shù)據(jù)的使用是被動(dòng)的。業(yè)務(wù)人員需要先提出具體的問(wèn)題或需求，分析師才會(huì)從數(shù)據(jù)沼澤中挖掘數(shù)據(jù)來(lái)滿(mǎn)足這些需求。但這意味著分析師和業(yè)務(wù)人員都必須非常清晰地知道他們要什么，才能推動(dòng)整個(gè)過(guò)程。

在 Data Agent 模式下，我們通過(guò)后臺(tái) 7×24 小時(shí)持續(xù)運(yùn)行，配置各種分析范式和模板，然后由系統(tǒng)根據(jù)業(yè)務(wù)角色的差異主動(dòng)推送分析報(bào)告和預(yù)警。它不斷掃描數(shù)據(jù)、提煉洞察，并以適當(dāng)形式交付給業(yè)務(wù)人員。相當(dāng)于增加了一種數(shù)據(jù)消費(fèi)的場(chǎng)景，讓原來(lái)被忽略的數(shù)據(jù)能被挑出來(lái)、活過(guò)來(lái)，背后的業(yè)務(wù)問(wèn)題和邏輯被闡釋出來(lái)。

這樣原本被忽略的“沉睡數(shù)據(jù)”就被激活了。

我還想強(qiáng)調(diào)一個(gè)未來(lái)趨勢(shì)：企業(yè)員工會(huì)成為“超級(jí)個(gè)體”，擁有多個(gè) AI 工具的支持。比如除了數(shù)據(jù) Agent，還有寫(xiě) PPT 的 Agent、作圖的 Agent 等。我們認(rèn)為，一旦每個(gè)人都有一個(gè)數(shù)據(jù)秘書(shū)，數(shù)據(jù)消費(fèi)將被普惠化。

過(guò)去的數(shù)據(jù)沉睡，不是因?yàn)闆](méi)有人需要，而是因?yàn)樾枨蟊患泄苤圃诜治鰩熀?BI 報(bào)表的通道里。而現(xiàn)在通道打開(kāi)后，海量業(yè)務(wù)人員的需求可以直接觸達(dá)數(shù)據(jù)，通過(guò) Agent 進(jìn)行消費(fèi)。這是一種更加普惠、靈活、廣泛的數(shù)據(jù)使用方式。

量子位：那么，數(shù)據(jù)庫(kù)這邊在這方面有哪些實(shí)踐或支持方式？

飛輪科技肖康：這個(gè)點(diǎn)上，數(shù)據(jù)庫(kù)可能本身做的并不多，更多是作為支撐平臺(tái)。但我也談一下我的看法。

過(guò)去通過(guò)傳統(tǒng) BI 或表格的方式來(lái)獲取數(shù)據(jù)，很多業(yè)務(wù)需求其實(shí)是被壓抑的，本質(zhì)上是由效率決定的。比如一個(gè)業(yè)務(wù)人員可能都不知道數(shù)據(jù)庫(kù)里有什么數(shù)據(jù)，只有數(shù)據(jù)工程師或分析師知道。而分析師的時(shí)間和精力有限，所以業(yè)務(wù)人員不會(huì)頻繁提問(wèn)。

如果能配備一個(gè) Data Agent，業(yè)務(wù)人員就可以隨時(shí)提出需求，讓 Agent 去自動(dòng)探索數(shù)據(jù)庫(kù)中可用的數(shù)據(jù)，再結(jié)合大模型和企業(yè)內(nèi)部知識(shí)，完成任務(wù)。更重要的是，它還能展示分析過(guò)程，讓你理解這個(gè)答案是如何得出的，便于驗(yàn)證邏輯。這種多輪迭代機(jī)制極大提升了效率。

本質(zhì)上，這種變革提升了人與數(shù)據(jù)系統(tǒng)的交互頻率與效率。以往中間有分析師“把關(guān)”，現(xiàn)在則是直接與系統(tǒng)對(duì)話(huà)。這也對(duì)數(shù)據(jù)庫(kù)提出了新的挑戰(zhàn)，比如系統(tǒng)需要支持更高的查詢(xún)頻率和更大的查詢(xún)量。以前只有“表哥表姐”使用，現(xiàn)在是全公司的人都在用。而這些查詢(xún)往往還集中在高峰期，比如上班時(shí)間。

所以數(shù)據(jù)庫(kù)需要具備彈性伸縮的能力，峰值時(shí)能擴(kuò)展更多計(jì)算資源，低谷時(shí)則能節(jié)省資源，避免企業(yè)為不必要的峰值付費(fèi)。像我們 SelectDB 就在云端提供彈性服務(wù)，以支持 AI 應(yīng)用的高并發(fā)需求。

量子位：在業(yè)務(wù)場(chǎng)景中，有哪些場(chǎng)景最能體現(xiàn)數(shù)據(jù) Agent 的價(jià)值？這些場(chǎng)景有沒(méi)有一些共通的特征？

數(shù)勢(shì)科技譚李：隨著我們服務(wù)的客戶(hù)越來(lái)越多，接觸到的業(yè)務(wù)場(chǎng)景也不斷豐富，我們發(fā)現(xiàn)其實(shí)360行中，大家在原有數(shù)據(jù)消費(fèi)范式中都有很多痛點(diǎn)和問(wèn)題。可應(yīng)用的場(chǎng)景很多，但它們背后都具備一個(gè)共同的關(guān)鍵特征——靈活、及時(shí)的決策。

大型企業(yè)早已有各種指標(biāo)和 BI 報(bào)表來(lái)支撐日常分析，這部分的能力基本成熟了，區(qū)別只是分析師能力的強(qiáng)弱。但使用 Data Agent 帶來(lái)的最大不同，在于它不是依賴(lài)固定、靜態(tài)的報(bào)表，而是在動(dòng)態(tài)業(yè)務(wù)場(chǎng)景中提供實(shí)時(shí)支持決策的能力。

比如今天你需要做一個(gè)業(yè)務(wù)決策，不想拍腦袋、不靠直覺(jué)，而是希望有數(shù)據(jù)支持。這個(gè)時(shí)候，如果能通過(guò)自然語(yǔ)言即時(shí)向系統(tǒng)提問(wèn)并獲得答案，那這個(gè)場(chǎng)景就極具價(jià)值。

我舉一個(gè)身邊的例子。比如在零售行業(yè)，有一個(gè)典型角色叫“督導(dǎo)”，特別是大型加盟連鎖企業(yè)中。督導(dǎo)每天要巡店，拜訪(fǎng)多家直營(yíng)或加盟門(mén)店，一人通常負(fù)責(zé)幾十家。對(duì)任何人來(lái)說(shuō)，記住這么多門(mén)店的信息幾乎不可能。而且督導(dǎo)雖然執(zhí)行力強(qiáng)，但并不一定擅長(zhǎng)文字處理或數(shù)據(jù)分析。

他們經(jīng)常面對(duì)的場(chǎng)景是：今天要拜訪(fǎng)五家門(mén)店，卻常常在前往門(mén)店的路上才有時(shí)間臨時(shí)了解店鋪的經(jīng)營(yíng)情況，比如上個(gè)月的業(yè)績(jī)、SOP 是否預(yù)警、上次提出了哪些改進(jìn)建議、這次要重點(diǎn)檢查哪些方面。兩個(gè)門(mén)店之間的通勤時(shí)間可能也就半小時(shí)，這種臨時(shí)了解非常困難。

所以，我們?yōu)槊總€(gè)督導(dǎo)配備了 Data Agent。督導(dǎo)可以對(duì)即將拜訪(fǎng)的門(mén)店隨時(shí)提問(wèn)，如“這家店上月銷(xiāo)售是否異常”“員工離職率有沒(méi)有異常”等，Agent 會(huì)即時(shí)反饋，不再需要前一天做資料準(zhǔn)備或打印報(bào)表。

這個(gè)云端小助手也叫“百事通”，讓督導(dǎo)從走馬觀(guān)花式巡店，變成真正數(shù)據(jù)驅(qū)動(dòng)、精益化的單店運(yùn)營(yíng)模式。對(duì)他們來(lái)說(shuō)，這是極大的效率提升，也是讓精益化單店運(yùn)營(yíng)真正落地的一個(gè)關(guān)鍵杠桿。我認(rèn)為這是一個(gè)非常具有代表性的“靈活、及時(shí)決策”的典型場(chǎng)景。

量子位：數(shù)據(jù)在什么樣的場(chǎng)景中特別能夠體現(xiàn)其價(jià)值？這些場(chǎng)景是否也有共通特征？

飛輪科技肖康：從我們與客戶(hù)的實(shí)際交流來(lái)看，數(shù)據(jù)在“垂直類(lèi)場(chǎng)景”中更容易展現(xiàn)價(jià)值，尤其是企業(yè)對(duì)自己的業(yè)務(wù)理解非常深，能夠用 AI 來(lái)重構(gòu)現(xiàn)有業(yè)務(wù)流程的公司。

比如有些企業(yè)專(zhuān)注于營(yíng)銷(xiāo)、反欺詐、或客服領(lǐng)域。他們本身就有成熟的業(yè)務(wù)模型，再通過(guò) AI + Agent 的方式進(jìn)行重構(gòu)，能看到非常明顯的提升。相比之下，那些嘗試做通用型 Agent 的探索往往效果就不如預(yù)期。

而且在做垂直領(lǐng)域的應(yīng)用時(shí)，還可以用傳統(tǒng)的高人力成本的方法來(lái)對(duì)比驗(yàn)證，評(píng)估 AI 方法是否有效。

所以我們看到，最有效的應(yīng)用往往是那些在本領(lǐng)域已有深厚經(jīng)驗(yàn)的公司，再用 AI 工具強(qiáng)化業(yè)務(wù)，并且能被清晰評(píng)估的場(chǎng)景。這類(lèi)垂類(lèi) Agent 的推廣和落地更有效，也更容易驗(yàn)證成效。

在私域數(shù)據(jù)加持下，員工正被AI Agent增強(qiáng)

量子位：企業(yè)如何判斷一個(gè)Agent的數(shù)據(jù)決策是“合理的”或“成功的”？有沒(méi)有明確的評(píng)估標(biāo)準(zhǔn)？

數(shù)勢(shì)科技譚李：我們一直強(qiáng)調(diào)數(shù)據(jù)是用來(lái)支撐決策的。其實(shí)可以將決策場(chǎng)景分為兩類(lèi)：一類(lèi)是封閉場(chǎng)景，決策規(guī)則非常清晰。比如積分規(guī)則：刷滿(mǎn)五筆，第五筆給予雙倍積分。這種場(chǎng)景的規(guī)則明確，Data Agent 可以很好地支持決策，這種規(guī)則導(dǎo)向型的場(chǎng)景，衡量標(biāo)準(zhǔn)也很清晰。

另一類(lèi)是“開(kāi)放場(chǎng)景”，決策涉及的因素非常多，特別是偏宏觀(guān)的業(yè)務(wù)決策，需要考慮的內(nèi)外部要素也更多。此時(shí)，我們的理念是，Agent 不是替你做決策，而是提供決策支持和輔助。我們努力將更多的數(shù)據(jù)呈現(xiàn)出來(lái)，幫助業(yè)務(wù)人員在更充足的信息背景下做出更科學(xué)的決策。

在很多企業(yè)里，業(yè)務(wù)決策常常因?yàn)閿?shù)據(jù)沒(méi)有那么多，或者有時(shí)效性，容易變成拍腦袋的決策或慣性決策，或者比如讓經(jīng)驗(yàn)最豐富的人決定。但我們認(rèn)為，好的數(shù)據(jù)支撐能顯著提升決策的質(zhì)量。

在封閉場(chǎng)景下，Data Agent 已能很好地支持基于規(guī)則的自動(dòng)決策，甚至貫穿到執(zhí)行層。而在開(kāi)放場(chǎng)景中，產(chǎn)品的核心邏輯就是“懂業(yè)務(wù)”。Data Agent 會(huì)從業(yè)務(wù)語(yǔ)境出發(fā)，結(jié)合內(nèi)部數(shù)據(jù)與接入的外部權(quán)威數(shù)據(jù)，比如打通 Web 搜索，形成一個(gè)結(jié)構(gòu)化的分析報(bào)告。就像一個(gè)稱(chēng)職的秘書(shū)，搜集齊所有資料，最終由業(yè)務(wù)決策者來(lái)做決定。

量子位：那作為數(shù)據(jù)庫(kù)，有沒(méi)有辦法判斷 Agent 是否充分利用了數(shù)據(jù)？比如判斷數(shù)據(jù)是否缺失、錯(cuò)誤、沖突，或者評(píng)估數(shù)據(jù)的可靠性？

飛輪科技肖康：數(shù)據(jù)庫(kù)作為底層支撐系統(tǒng)，本身不理解語(yǔ)義，職責(zé)主要是高效地組織和查詢(xún)數(shù)據(jù)。比如數(shù)據(jù)庫(kù)作為中央存儲(chǔ)，整合了 SQL 網(wǎng)關(guān)、ES 數(shù)據(jù)等多個(gè)來(lái)源，有時(shí)還包括文檔數(shù)據(jù)。

數(shù)據(jù)庫(kù)可以輔助評(píng)估哪些數(shù)據(jù)被頻繁訪(fǎng)問(wèn)，哪些使用較少，初步反映數(shù)據(jù)的使用價(jià)值。但判斷數(shù)據(jù)是否被“充分使用”以及使用是否“合理”，更多還要靠上層來(lái)評(píng)估。

數(shù)據(jù)庫(kù)層面也可以提供技術(shù)支持，比如通過(guò)慢查詢(xún)?nèi)罩九袛嗍欠袢狈λ饕⑹欠袷褂昧说托Р樵?xún)方式等。我們也在探索如何用更智能的方式幫助用戶(hù)更高效地使用數(shù)據(jù)庫(kù)。

量子位：在決策中往往涉及敏感或關(guān)鍵數(shù)據(jù)，有什么方法可以在保證數(shù)據(jù)調(diào)用靈活的同時(shí)保障數(shù)據(jù)安全？

飛輪科技肖康：這就需要做好細(xì)致的數(shù)據(jù)權(quán)限控制。常見(jiàn)的做法是基于角色（RBAC）進(jìn)行權(quán)限設(shè)定，比如 CEO、一線(xiàn)員工、部門(mén)負(fù)責(zé)人擁有不同訪(fǎng)問(wèn)權(quán)限。我們可以控制用戶(hù)能訪(fǎng)問(wèn)哪些表、哪些字段，甚至可以精確到表格的某一行或某個(gè)單元格。

在像 SelectDB 和 Doris 這樣的系統(tǒng)中，這些都可以通過(guò)細(xì)粒度的權(quán)限控制表達(dá)出來(lái)。尤其在 AI 和 Agent 時(shí)代，這種安全控制非常關(guān)鍵。以往數(shù)據(jù)由少數(shù)人集中審批，甚至需要郵件申請(qǐng)來(lái)獲得數(shù)據(jù)權(quán)限。現(xiàn)在用戶(hù)可能只需跟 AI 聊天就能獲取數(shù)據(jù)。如果權(quán)限控制不到位，很容易造成數(shù)據(jù)泄露風(fēng)險(xiǎn)。

我們認(rèn)為對(duì)安全能力的要求，越控制到底層會(huì)越好。

量子位：數(shù)據(jù) Agent 是否能在某些環(huán)節(jié)完全替代人？

數(shù)勢(shì)科技譚李：目前談“完全替代人”還為時(shí)過(guò)早。關(guān)于大模型和 Agent 是否會(huì)替代人，其實(shí)我們更傾向于認(rèn)為它是在“增強(qiáng)人”。確實(shí)，Data Agent 會(huì)替代一部分重復(fù)性強(qiáng)、基于規(guī)則的任務(wù)，但會(huì)增強(qiáng)另一部分人的能力。越早擁抱 Data Agent 的人，就越可能成為“被增強(qiáng)的人”。

在封閉場(chǎng)景中，很多基于清晰規(guī)則的日常決策，完全可以由 Data Agent 自動(dòng)化完成。這其實(shí)不等于“替代人”，而是把重復(fù)、低價(jià)值的工作交給 Agent，人可以去做更重要的事。所以這涉及兩個(gè)層面：一是哪些決策可以由 Agent 自動(dòng)化執(zhí)行；二是 Data Agent 的引入會(huì)替代哪些人，又增強(qiáng)哪些人。

量子位：這會(huì)對(duì)未來(lái)企業(yè)組織結(jié)構(gòu)會(huì)帶來(lái)怎樣的影響？

數(shù)勢(shì)科技譚李：最近我們也在思考這個(gè)問(wèn)題。比如現(xiàn)在硅谷流行“超級(jí)個(gè)體”或“一人公司”的概念，本質(zhì)是各種 AI 工具擴(kuò)展了個(gè)體的能力。

過(guò)去可能需要團(tuán)隊(duì)完成的數(shù)據(jù)分析、報(bào)告生成、設(shè)計(jì)任務(wù)，現(xiàn)在一個(gè)人就能搞定。比如用 Coding Agent 搭建網(wǎng)站、用 Data Agent 管賬戶(hù)、出報(bào)表，甚至用 Design Agent 做視覺(jué)設(shè)計(jì)。

這確實(shí)催生了“超級(jí)個(gè)體”，讓他們可以身兼多職。但這并不意味著數(shù)據(jù)分析師或設(shè)計(jì)師這些角色會(huì)消失。在大組織里，他們?nèi)匀恍枰Ｖ皇墙巧l(fā)生了變化。比如原來(lái)是“表哥表姐”的人，現(xiàn)在成了“電子牛馬飼養(yǎng)員”——一個(gè)高級(jí)分析師，管理成百上千個(gè) Agent，為各個(gè)業(yè)務(wù)線(xiàn)服務(wù)。

這時(shí)候?qū)δ闾岢龅囊缶透吡恕Ｄ阈枰龅氖蔷S護(hù)企業(yè)的數(shù)據(jù)質(zhì)量和數(shù)據(jù)語(yǔ)義，要聯(lián)合財(cái)務(wù)、銷(xiāo)售、商品等部門(mén)共創(chuàng)分析范式，并沉淀為 Agent 模板。

這些全新的任務(wù)在傳統(tǒng)范式下并不存在。所以并不是工作減少了，而是出現(xiàn)了新工作。只要你愿意擁抱大模型和 Agent，就能成為這種新范式下的核心角色，創(chuàng)造更大價(jià)值。這是我對(duì)未來(lái)的一個(gè)暢想。

量子位：隨著模型和數(shù)據(jù)技術(shù)的提升，數(shù)據(jù)和 AI 的關(guān)系也在變化。未來(lái)企業(yè)的智能化發(fā)展會(huì)更依賴(lài)更強(qiáng)的模型，還是更好的數(shù)據(jù)？

數(shù)勢(shì)科技譚李：我覺(jué)得這其實(shí)是一體兩面的——既要更好的數(shù)據(jù)，也要更強(qiáng)的模型。我們目前在做企業(yè)級(jí)Data Agent時(shí)，是暫不涉及基礎(chǔ)模型的研發(fā)的。我們更關(guān)注的是如何把更強(qiáng)的基礎(chǔ)模型與企業(yè)的私域數(shù)據(jù)結(jié)合起來(lái)，打造更聰明、更能干的 Data Agent 或企業(yè)級(jí)智能體。

我們可以看到，現(xiàn)在底座模型在不斷迭代，更多企業(yè)級(jí)應(yīng)用在誕生，企業(yè)也越來(lái)越重視私域數(shù)據(jù)的積累與治理。這樣幾件事的疊加作用下，飛輪正在轉(zhuǎn)動(dòng)起來(lái)。未來(lái)我們將看到越來(lái)越多真正落地、有實(shí)際價(jià)值的 Data Agent 或更多應(yīng)用在企業(yè)場(chǎng)景中發(fā)揮作用。

飛輪科技肖康：我認(rèn)為，模型要發(fā)展，首先必須有更好的數(shù)據(jù)。數(shù)據(jù)是模型的基礎(chǔ)。大模型的顯著提升，從 GPT-3 開(kāi)始就是一個(gè)很好的例子。GPT-1 和 GPT-2 出現(xiàn)時(shí)并沒(méi)有引起太多關(guān)注，因?yàn)樗鼈冇?xùn)練所用的數(shù)據(jù)量和質(zhì)量還不夠，而到了 GPT-3，訓(xùn)練數(shù)據(jù)的數(shù)量級(jí)提升了好幾個(gè)層次，才帶來(lái)了質(zhì)變。

這是第一個(gè)階段，訓(xùn)練階段，大量高質(zhì)量數(shù)據(jù)決定了模型的能力。第二階段是落地應(yīng)用階段，也就是譚總提到的，大部分企業(yè)并不會(huì)再去自己訓(xùn)練模型，而是基于已有的大模型進(jìn)行應(yīng)用。無(wú)論是開(kāi)源模型的私有部署，還是調(diào)用已有模型的服務(wù)接口，關(guān)鍵在于如何將企業(yè)自己的數(shù)據(jù)與模型結(jié)合。

完成了第一階段的大模型就像是剛畢業(yè)的大學(xué)生，擁有通用能力，但對(duì)企業(yè)的業(yè)務(wù)流程、數(shù)據(jù)結(jié)構(gòu)一無(wú)所知，需要一定時(shí)間去適應(yīng)、學(xué)習(xí)。這時(shí)候企業(yè)的私域數(shù)據(jù)非常關(guān)鍵。我們通常分為兩類(lèi)數(shù)據(jù)：一類(lèi)是文本知識(shí)庫(kù)，來(lái)源于企業(yè)內(nèi)部的文檔、資料，用來(lái)做知識(shí)問(wèn)答；另一類(lèi)是結(jié)構(gòu)化數(shù)據(jù)，也就是數(shù)據(jù)庫(kù)或數(shù)倉(cāng)中的業(yè)務(wù)數(shù)據(jù)。

所以，我認(rèn)為訓(xùn)練階段需要大量的高質(zhì)量數(shù)據(jù)，企業(yè)落地應(yīng)用階段，也需要把企業(yè)私域數(shù)據(jù)的優(yōu)勢(shì)發(fā)揮出來(lái)。企業(yè)只有用好自己積累的數(shù)據(jù)，才能真正讓 AI 發(fā)揮作用，否則無(wú)論模型多強(qiáng)，部署也只是形式，和開(kāi)源模型沒(méi)本質(zhì)區(qū)別。

量子位：最后兩位嘉賓還有什么想要補(bǔ)充分享的？

數(shù)勢(shì)科技譚李：無(wú)論是我們今天聊的 Data + AI，還是其他 AI 應(yīng)用場(chǎng)景的落地，現(xiàn)在都在如火如荼地推進(jìn)中。作為從業(yè)者，每天都很興奮。

第一點(diǎn)，我想強(qiáng)調(diào)心態(tài)：我們應(yīng)該積極擁抱 AI。正如我們之前所說(shuō)，AI agent 會(huì)替代一部分人，也會(huì)增強(qiáng)一部分人。我們應(yīng)該努力成為被增強(qiáng)的那部分。

第二點(diǎn)，對(duì)企業(yè)來(lái)說(shuō)，最關(guān)鍵的事情是兩件：一是把企業(yè)內(nèi)部的私域數(shù)據(jù)、語(yǔ)義系統(tǒng)真正治理好，才能驅(qū)動(dòng) AI 飛輪轉(zhuǎn)起來(lái)；二是與業(yè)務(wù)結(jié)合，深入挖掘適合落地的 use case，讓技術(shù)與業(yè)務(wù)價(jià)值真正融合。

飛輪科技肖康：我覺(jué)得譚總說(shuō)得很好。我想強(qiáng)調(diào)一點(diǎn)：AI 落地的過(guò)程，一定是一個(gè)不斷探索、不斷試錯(cuò)的過(guò)程。雖然現(xiàn)在大家都很興奮，認(rèn)為這是 AI 的新時(shí)代，但真正落地還需要大量實(shí)踐，去找到突破點(diǎn)。

在這個(gè)過(guò)程中，我認(rèn)為業(yè)務(wù)和平臺(tái)的聯(lián)合共建非常重要。業(yè)務(wù)方了解業(yè)務(wù)流程和價(jià)值，平臺(tái)方提供底層技術(shù)支持，包括數(shù)據(jù)庫(kù)、AI Agent 能力等。只有雙方不斷交流互動(dòng)，平臺(tái)才能更精準(zhǔn)地滿(mǎn)足業(yè)務(wù)需求，技術(shù)能力也才能不斷增強(qiáng)。

因此也歡迎大家多與像數(shù)勢(shì)、SelectDB 這樣的數(shù)據(jù)平臺(tái)、數(shù)據(jù)庫(kù)公司多交流合作，一起把 AI 探索落地，在企業(yè)中真正用起來(lái)！