数据平台开始“支撑 Agent”：DataWorks Data Agent 如何重构企业数据生产方式

这种变化不仅是交互方式不同。人可能一分钟操作一两次，Agent 却可能在短时间内连续发起大量调用，同时读取知识、查询元数据、生成代码和执行任务。平台如果仍以人的操作频率和路径为默认前提，就很难承载 Agent 的运行方式。因此，DataWorks Data Agent 被定位为平台原生智能体，而不是脱离数据底座的通用助手。它覆盖数据需求、开发、治理、运维、分析和消费等环节，执行链路由意图理解、方案规划、任务执行、安全校验、人工确认和任务完成构成。安全校验与人工确认直接嵌入链路，保证“智能不等于放任”。

DataWorks Data Agent 原生构建在 DataWorks 之上，能够继承平台已有的数据源、计算资源、元数据、血缘、模型、指标、代码和权限体系。底层数据湖仓覆盖 OpenLake（Lakehouse）与 Data Warehouse；计算资源包括 MaxCompute、Hologres、EMR Spark、EMR StarRocks、Flink、AI 搜索以及 PAI DLC。模型层可接入 Qwen、DeepSeek、NL2SQL 专家模型和私有化部署模型服务，并根据可用模型持续调整。

在智能体层：

• 数据开发 Agent 承担需求分析、NL2SQL、任务与工作流构建、代码 Review 和运行诊断；

• 数据治理 Agent 支持找表、元数据增强、AI 检查、数据质量规则生成、血缘分析和治理计划生成；

• 数据分析 Agent 提供快捷问数、归因分析、深度分析、行动建议和报告生成；

• 数据运维 Agent 负责异常诊断、资源管理、性能优化、知识问答和集群配置。

不同 Agent 可通过 ACP、A2A 等协议协作，企业还可以接入第三方 Skill、MCP、知识库、Rules 和语义模型，将平台之外的经验与工具纳入执行链路。

与只聚焦数据消费的问数工具相比，DataWorks Data Agent 强调对数据生产方式的重构：从集成、开发、治理、运维到分析形成端到端闭环；平台原生供给元数据、血缘、模型、指标和代码；数据不出域，权限与 GUI 保持一致，关键操作需要人工确认，全程可以审计。演讲给出的生产环境结果是，部分需求从按天或数小时计算压缩到分钟级。

交互方式也从 IDE 插件走向云端全托管。ChatUI 支持浏览器内的对话式开发，打开即可使用，并具备完整的 CLI 命令执行能力；IM Channel 可接入钉钉、飞书和企业微信，让告警在即时通信中直接进入诊断与修复；Remote Control 支持用户离开电脑后通过手机查看任务进展，并在必要时随时接管。一个 Agent 因而能够覆盖日常办公、差旅、临时离开和夜间运维等场景，保持 7×24 小时在线。

语义、安全与开放能力：从“能回答”到“可运营”

AI 会写 SQL，并不意味着能够给出符合企业口径的答案。用户提出“本季度东部区域营收环比”，其中的“营收”“东部区域”和“环比”都需要被映射到企业内部明确的指标、维度、字段和过滤条件。缺少语义资产时，即使 SQL 语法正确，也可能得到业务上错误的结果。

DataWorks 将语义资产划分为六层：

• L1字段层包含 Schema、释义与字段血缘；

• L2指标层包含口径、同义词、归属与版本；

• L3血缘层描述上下游链路和影响范围；

• L4质量层提供健康度、DQC 与可信度评分；

• L5反馈层沉淀使用反馈和采纳率；

• L6制度层承载法规、业务规则与敏感策略。

Agent 接到问题后，先识别指标与计算方式，调用指标层获得统一口径，再补充字段、模型和维度信息，并校验相关数据质量，最终在生成 SQL 时带上正确的数据表和过滤逻辑。语义层由此同时解决三个问题：统一口径以提高回答准确性，复用指标以降低重复成本，并通过反馈持续沉淀治理资产。企业已有的数仓规范、开发习惯、业务术语和文档都可以成为知识来源；能够被平台读取的数据可自动解析并增量更新，本地文档也可以同步接入。

平台同时保留开放扩展能力。企业可以把自身经验封装为 Skill 或 MCP 安装到 Data Agent，也可以通过开放接口将 Data Agent 能力接入企业已有的 Agent 门户。以Elasticsearch 实例诊断演示为例，实例故障诊断经验被封装为 Skill，完成实例创建、直连配置、故障注入和智能诊断，Agent 读取异常信息后定位原因，输出完整分析报告并给出处理方案。

安全是数字员工进入生产环境的第一准则。Data Agent 继承当前操作者在 DataWorks 中的角色、表权限和字段权限，Agent 能做的事情不会超过用户本人；删除代码、删除表、发布生产等关键操作必须人工二次确认；每次模型调用、代码生成、平台操作与任务执行都进入 Audit Trail，形成可追溯链路；数据不出域，并支持私有化、沙箱与脱敏。演讲以两个高危动作说明控制方式：当用户要求删除 dwd_order_fact 表时，系统识别 DROP 操作并发现会影响 12 张下游表，因此拒绝直接执行并返回影响面报告；当用户要求一键发布 47 个节点时，Agent 先拆解变更清单，再进入 GUI 人工审批，执行结果写回审计。

在数据开发场景中，传统流程往往把大量时间消耗在需求沟通、字段确认、数据探查、规范检查和跨平台流转上。数据开发 Agent 可以把业务诉求转换为结构化开发设计，根据自然语言生成建表 DDL、ETL 和 UDF，完成数据探查、运行调试、调度配置与发布，在不改变原有开发习惯的前提下，把需求到上线串成自动化流程。

在以下演示中，用户把需求文档和任务说明交给 Agent，要求其基于订单与商品 ODS 数据，在 OpenLake 湖仓架构下完成从明细层到应用层的全链路开发。

Agent 首先分析需求，查询企业知识库、源数据、元数据和血缘，形成任务计划；遇到不确定信息时主动向用户询问，而不是直接猜测。获得确认后，它读取计算引擎知识，探查源表字段枚举和值样例，按规范生成 DWD、DWS、ADS 各层的 DDL 与 ETL 代码，并调用 MaxCompute、Hologres 等资源完成开发。随后，Agent 检查是否存在同名工作流，创建工作流与内部节点并完成编排。用户检查结果后发起生产发布，系统在二次确认后才执行。整个过程继承当前用户权限，数据不出域，任务结束后还会汇总成果并给出下一步建议。

同套能力延伸到运维、治理和分析。运维 Agent 在告警发生后自动拉取日志、血缘与配置，输出结构化根因分析和修复方案；用户认可后可继续让 Agent 执行修复并复查结果。治理 Agent 可通过自然语言找数、自动配置质量规则并生成治理计划，例如梳理待下线表的全部下游任务和负责人，再通过 IM 推送协同。数据分析 Agent 则提供快捷问数与深度分析两种模式：前者面向明确查询，后者面向复杂问题，能够完成洞察、归因、行动建议和完整分析报告，并把分析结果转为后续任务。

DataWorks Data Agent 已在淘宝闪购和菜鸟的数据研发场景中进行规模化实践。淘宝闪购的核心痛点是需求上线慢，时间主要消耗在需求确认和数据探查；通过把命名、分层、质量规范和业务 Know-How 封装进 Skill，Agent 将需求分析、探查、评估、开发、测试和发布串成完整链路，整个链路从 12-23 小时缩短到 5-10 分钟。菜鸟则需要在 16 个以上的平台间完成一次数据需求，Agent 可以自动读取和调用这些平台，减少人工切换与流程等待。

两个实践的共同方法是：规范不再依赖成员记忆，而是内嵌到 Skill 自动执行；需求、探查、评估、开发、测试和发布由 Agent 端到端驱动；业务经验不是以“工具加 AI"的外挂方式存在，而是进入 Agent 的知识与执行过程；最佳实践最终沉淀为 Skill 和知识库，使新业务线能够直接复用。Data Agent 因而不只是提高一次任务的速度，更重要的是把专家经验变成可复制、可运营的组织能力。

下一阶段，DataWorks Data Agent 将从“智能协同”走向“自主执行”。它不再只等待人分配任务，而是主动巡检、发现问题、制定方案、完成处理并生成工作总结；更远一步，还可能由一个 Agent 组织多个专业 Agent，通过路由与协作完成复杂工作。围绕这一目标，未来将继续扩展更多 IM 频道、数据源、文档和技能入口，融合公共、行业与企业自身知识，并建设双向开放的 Agent 连接器：既接入第三方 MCP、Skill 和 Agent，也把 Data Agent 的能力输出到企业已有智能体系统中。

从“支撑人”到“支撑 Agent"，真正变化的不是界面上多了一个对话框，而是数据平台开始为数字员工提供语义、资源、权限、编排和审计。当 Agent 能够理解业务、调用平台、遵守规则并对交付结果负责，它才可能从辅助工具成长为企业数据生产链路中的数字同事。