大数跨境

30分钟上岗:企业"招聘"Data Agent的新标准

30分钟上岗:企业"招聘"Data Agent的新标准 DataFunSummit
2026-11-10
9
导读:周卫林 | Aloudata 大应科技创始人 &CEO

导读一套数据分析软件可以完成部署,却未必能接手真实工作。企业招聘分析师时,会给他岗位资料、数据权限和任务,让他边熟悉业务边交付结果;引入Data Agent,是否也能采用这样的方式?

“30分钟上岗”讨论的正是这道门槛:不等数月数据治理全部完成,Agent能否先理解企业数据、主动确认口径、交付可核验的分析,并在工作中积累经验。

主要内容包括以下几个部分:

1. 模型和Harness逐渐拉齐,企业的差别留在Context

2. 产品已经上线,为什么不代表 Data Agent 能上岗?

3. 30分钟上岗:先接任务,再逐步摸清业务

4. 摸得清、问得准、干得对、学得会:四项上岗能力

5. Data Agent开始投简历,试用转正看真实任务

分享嘉宾|周卫林Aloudata 大应科技创始人 &CEO

内容校对|韩珊珊

出品社区|DataFun

01

模型和Harness逐渐拉齐,企业的差别留在Context

一个Agent的工作能力,通常可以从LLM、Harness和Context三个方面理解。模型能力持续进步,开源与闭源模型、不同成本模型之间的差距正在缩小;Harness也从ReAct、Tool Calling、Planning等技术范式,发展到LangChain、AutoGen和Claude Code等框架或应用,成熟组件越来越容易获得。模型与工程框架的门槛下降后,企业自己的Context反而成为更难复制的部分。

Context不是“会写SQL”“会做分析”这样的通用能力,而是完成某项工作时不可缺少的事实:业务定义、指标口径、历史经验、当前任务和数据环境。Agent需要从已有系统、知识库与历史记录里取得这些信息,才能组织分析。问题在于,好的决策需要足够准确的Context,但现实里的Context永远不完整,还会随着业务变化。

Context Engineering要先解决信息采集和编码,再解决工程实现。数据领域的指标、维度和计算逻辑,本来就是高密度的业务知识。语义平台把散落在SQL、报表和数据表里的定义组织为可引用的Context,才能让Agent准确复用。

02

产品已经上线,为什么不代表 Data Agent 能上岗?

“上个月销售为什么下降了?”对于传统BI,需求澄清、任务拆解、操作工具、核验解释主要靠人完成。换成Data Agent,业务人员交办任务并确认关键口径,Agent则需要自己探查问题、安排步骤、调用工具、核验后交付。两种方式的区别不在界面是否有对话框,而在工作由谁组织。产品上线考察功能可不可用;Agent上岗考察工作能不能交付。

麻烦在于,企业仍习惯按采购软件的方式引入Agent:先确定功能、做PoC、部署上线、试运行、验收。到了使用阶段,业务人员却会按照同事的标准评价它:接下多少任务,完成了多少,结果是否被采纳。软件采购看功能清单,招聘员工看岗位能力和试用表现。若按前一套流程交付、按后一套标准考核,预期自然会错位。

03

30分钟上岗:先接任务,再逐步摸清业务

“30分钟上岗”强调的是开始工作的速度,并不等于30分钟内完成全部数据治理。新来的分析师通常拿到岗位手册、历史报表、数据权限后,就可以一边熟悉环境、一边接手简单任务。传统数据分析产品要正式投入使用,IT却常常先整理数据、统一口径、补齐治理,单是准备工作就可能需要3至6个月。对业务部门而言,这样的前置成本难以接受。

另一重阻力是交付的不确定性。软件功能通常可以提前测试,分析任务却受隐含业务背景、指标定义影响。如果让IT在上线前覆盖所有场景,周期只会更长。Agent需要像新员工一样,先在明确任务下做事,遇到信息缺口再主动沟通。

能够开始工作,还要学会协作。人参加会议,天然了解目标和约束,Agent却可能只收到一句“帮我取个数”。它需要双向沟通补齐Context,也要在任务中积累经验。更关键的是信任:业务人员能否采用数据、发生偏差如何追查?上岗、协作、成长、信任,缺一不可。

04

摸得清、问得准、干得对、学得会:四项上岗能力

对应这四道难题,Data Agent需要具备“摸得清、问得准、干得对、学得会”四项能力。它们围绕同一个前提展开:企业Context不可能一次建设完毕,Agent必须能够在工作中发现已有知识、识别缺口,并把经过确认的经验继续留在系统里。

摸得清,指的是拿到报表、数据表、SQL和历史作业后,能够像数据分析师一样主动盘点资产,理解指标来自哪里、经过什么加工、采用什么业务口径。企业不必等所有语义定义提前整理完,Agent才有第一项任务可做;但它也不能仅凭表名和字段名推测业务含义。

支撑这项能力的是算子级血缘。表级血缘能追踪表之间的流转,列级血缘进一步定位字段,却未必足以解释一项指标经过了哪些过滤、关联、聚合和计算。算子级血缘能深入SQL等加工逻辑,沿着报表、ADS及上游数据加工链路逐层追溯,从代码里提取计算过程,再由模型帮助解释成业务口径。

实际加工链路常跨多个引擎和系统:逻辑分布在报表与数仓加工层,还经过同步任务、文件导入导出。要还原完整关系,必须统一不同引擎的算子解析,并处理行列裁剪、脏数据和异常情况。面对几千、几万张表,模型仅靠局部信息很难判断指标是否重复、定义是否冲突。需要先通过工程解析和算法盘出全域关系,再由模型解释语义。指标口径是否成立,必须能沿加工链路向上追溯。

例如,经营日报和财务日报里都叫“销售额”的指标,计算口径可能不同;两项名称不同的指标,也可能实际采用同一套定义。系统可以依据血缘和计算逻辑生成“同名不同义”“同义不同名”的候选清单,提示重复与冲突,但最终保留哪项定义、采用哪种口径,仍要由企业人员确认。业务规则的取舍不能交给Agent自行决定。

确认后的口径可以自动配置到语义平台。企业既可在上岗前集中盘点,也可在真实任务里发现歧义、补充定义,把数据使用与治理放在同一过程中。需要什么知识,先核实什么知识,不必等所有指标治理完成再开始分析。

语义建设由此不再只是一次性的前置项目。系统发现问题并提供证据,业务人员确认规则,Agent继续在工作中使用和维护这些知识。

问得准,是在信息不全时会反问,知道该问什么。比如“这个月企微流失了多少好友”,一位顾客月中删除好友、月底又重新添加,究竟算不算流失?按“期间发生过删除”计算,应当计入;按“期初是好友、期末不是”计算,则不计入。Agent如果掌握两种口径,就应提供有依据的选项,先请业务人员确认,而不是直接选择一个看起来最像答案的指标。

更困难的是识别自己的知识边界。口径明确且依据可用,可以直接执行;发现缺少关键信息,要把问题说清楚;企业明明有相关知识而Agent没有拿到,就需要继续发现、整理并纳入Context。最危险的情况是根本没有发现缺口,把自己的假设当作事实。只有先知道企业已经有哪些知识,Agent才可能知道还有什么需要反问。

干得对,必须面对数据分析的高要求:数字要用于经营决策,误差可能影响行动;用户却不一定交代清楚目标、口径与背景。承诺“100%准确”无法补足缺失信息。可信的交付,需要把关键核验和确认纳入过程。

为此,任务的工作规划、执行步骤和关键判断应当能复盘;指标口径、来源引用和数据血缘应当能追溯;工具调用、操作留痕及复核记录也应当可审计。出现问题时,才能沿着链路检查:是需求理解错了,指标匹配错了,还是加工逻辑本身存在问题。检查责任不必全部推回给业务人员,但必要的业务取舍也不能被系统悄悄替代。

这种透明需要双向进行。Agent说明依据和信息缺口,业务人员补充背景、确认口径,并决定是否采用结果。

学得会,靠的不是把每次对话都永久保存,而是让任务经验经过检验再被复用。这里有开发态、运行态两级评测:前者检验一次改进是否有效,后者在实际运行中持续观察。可用经验按个人、项目或部门、公司三个范围沉淀到Context中,谁能使用、何时生效、共享到哪里,都要有明确控制。

同一类问题再次出现时,Agent可以利用经过确认的业务规则和历史经验,减少重复反问;如果任务反馈说明先前判断不对,也能找到需要修正的环节。经验回流必须接上评测与确认,否则错误也会跟着被“记住”。

任务完成后,经确认的经验还需通过评测沉淀下来,成为下一次任务可用的Context。

四项能力环环相扣:没有数据知识,就难以问对问题;口径没确认,结果就可能偏离业务含义;缺乏评测,错误也会被记住。工作能交付、能核验、能改进,才谈得上上岗。

05

Data Agent开始投简历,试用转正看真实任务

如果把Data Agent当作数字员工,企业与厂商的合作方式也会改变。Aloudata为自己的 Data Agent准备了一份“简历”,说明它做过什么、能完成什么任务,向企业申请真实岗位的试岗机会。考核重点不只是产品功能演示,而是能否在企业自己的业务环境中完成分析,并通过试用检验结果。

更进一步的设想,是Agent未来主动寻找岗位、递交简历、接受考评,以数据分析师的身份提供服务。这还是一个面向未来的探索,不能等同于已经实现的自主就业。就现阶段而言,能否快速熟悉数据、主动确认模糊要求、提交有依据的结论,并在试用中越做越好,已经足以构成一套有别于传统软件验收的标准。

从“买工具”到“招员工”,变化的是企业评价AI的尺度。功能跑通只是上线;接到真实任务后,能理解业务、澄清分歧、交付可追溯的结果,才算开始上岗。30分钟只是起点,能否留在岗位上,取决于随后一次次交付、复核与修正。等企业愿意把下一件工作继续交给它,数字员工才有了真正的岗位。


分享嘉宾

INTRODUCTION


周卫林

Aloudata 大应科技创始人 &CEO

周卫林,Aloudata(大应科技)创始人 & CEO,20 余年大数据领域从业经验,是国内最早一批数据仓库先行者。曾任蚂蚁集团研究员(P10)、蚂蚁集团数据平台部总经理,蚂蚁集团数据技术主要奠基人,推动业务数据化、智能化体系建设和演进。现领导 Aloudata 以 NoETL 语义编织(Semantic Fabric)技术体系,构建 AI 可理解、可操作的数据底座。

往期推荐


阿里基于Harness+记忆+Skill的Agent搜索新范式!

阿里巴巴AI搜索新范式探索!

云栖实录|从代码上下文到千亿级文档:Qoder × 阿里云 Elasticsearch 落地生产级Agent向量检索

倒计时 2 天!MatrixNEXT Agent 大赛作品提交即将截止

本体驱动:企业级DataAgent 的效果优化之路

AI时代,知识与本体的演进与思考:从数据工程到知识工程

基于 Harness + 记忆 + Skill 的 AI 搜索应用探索

Harness Engineering 的语义底座:本体驱动的 Agent 可控执行

冲击30万奖金!Kimi、腾讯大咖坐镇,这场Agent大赛决赛千万别错过!

基于本体+知识+Harness+Data Agent的智能体完整落地链路!


点个在看你最好看

SPRING HAS ARRIVED

【声明】内容源于网络
0
0
DataFunSummit
DataFun社区旗下账号,专注于分享大数据、人工智能领域行业峰会信息和嘉宾演讲内容,定期提供资料合集下载。
内容 1481
粉丝 0
DataFunSummit 北京鸿润嘉诚企业管理咨询有限公司 DataFun社区旗下账号,专注于分享大数据、人工智能领域行业峰会信息和嘉宾演讲内容,定期提供资料合集下载。
总阅读71.2k
粉丝0
内容1.5k