Data Agent，中文通常叫数据智能体，是 AI Agent 在数据领域的一个分支，也常出现在数据分析 Agent 这类产品中。它能够理解一个数据任务，规划执行步骤，调用数据库、数仓、BI 工具、代码解释器或企业 API，完成取数、清洗、分析、报告等工作，并根据中间结果调整下一步。
英文资料里常写 Data Agent 或 Data Agents，中文也有人叫数据代理。这个词在学术论文和云平台产品文档里都出现过，用法并不完全统一。有的指能回答 SQL 问题的问数助手，有的指能独立编排整条数据流程的系统。理解 Data Agent，先要分清它处在哪个自主性等级。
对企业来说，Data Agent 的价值在于把分散在分析师、数据开发和运营手里的多步数据工作，收进一条可对话、可执行、可复核的链路。这也是数据分析 Agent 这类产品开始进入企业采购清单的原因。
Data Agent 到底做什么
如果把 Data Agent 拆开看，它要解决四个问题。
- 听懂任务。把业务语言转成数据问题，识别指标、时间、对象和筛选条件，信息不够时主动追问。
- 找到数据。知道有哪些表、指标、口径、血缘和权限，能在不搬走数据的前提下定位到正确的数据源。
- 执行步骤。把任务拆成查询、清洗、计算、可视化等步骤，调用 SQL、Python、可视化库或外部 API。
- 交付结果。给出图表、报告、结论或下一步动作，并说明数据来源和计算过程。
Data Agent 和通用 AI Agent 面对的环境不同。它要处理大规模、异构、经常有缺失和重复的原始数据，调用的是 SQL、数据可视化、数据质量检查这类专用工具，错误还会沿着数据链路放大。权限、口径和可复核性，是 Data Agent 进入企业环境的前提。
一句话概括，Data Agent 把数据工作从人找工具、人写步骤，推进到人提目标、系统组织步骤。人的位置仍然在，负责定义问题、确认口径、审核高风险操作和判断结论。
一条完整工作链路
把 Data Agent 放到具体任务里，它通常要走六步。
| 环节 | 系统要做什么 | 人要做的事情 |
|---|---|---|
| 理解问题 | 识别指标、时间、对象、筛选条件，发现歧义时追问 | 把业务问题说清楚，确认优先级 |
| 定位数据 | 查元数据、血缘、指标定义，确认数据范围和权限 | 确认数据源和口径 |
| 拆解计划 | 把目标拆成查询、清洗、计算、可视化等步骤 | 审核复杂任务的执行方案 |
| 调用工具 | 执行 SQL、Python、可视化或 API 调用 | 在关键节点确认 |
| 校验结果 | 检查空值、异常、口径和计算逻辑 | 判断结果是否符合业务常识 |
| 交付与沉淀 | 输出图表、报告、结论，把有效流程沉淀为模板 | 采纳结论，决定下一步行动 |
这六步和很多企业级数据平台的产品设计相近。有平台把 Data Agent 的链路拆成意图理解、方案规划、任务执行、安全校验、人工确认、沉淀复用六段，并在这条链路上加入权限继承、操作审计和高危操作拦截。
决定体验的，往往是中间两步。数据定位不准，后面的分析和报告都会偏；结果校验缺失，Agent 容易把一个看似合理的错误答案交给业务。
同样是 Data Agent，能力可能差几个等级
Data Agent 是一个产品类别，也是一个能力区间。2025 年 10 月首次提交、2026 年 2 月更新的一篇数据智能体综述，借用自动驾驶分级，把数据智能体分成 L0 到 L5 六级。这个框架对选型很有用，因为它把模糊的智能体说法，落到了具体的能力和责任边界上。
| 等级 | 能力描述 | 人在哪里 |
|---|---|---|
| L0 | 没有自主性，数据工作全部由人完成 | 人负责全部操作 |
| L1 | 辅助问答，能回答问题、生成 SQL 或代码建议，不直接操作环境 | 人执行并验证 |
| L2 | 部分自主，能感知数据环境、调用工具，在人设定的流程里执行任务 | 人设计流程 |
| L3 | 条件自主，能理解高层目标，自主编排跨数据管理、准备和分析的任务 | 人做监督和审核 |
| L4 | 高自主，能主动监测数据生态，发现问题并编排流程，不需要明确指令 | 人设定目标和约束 |
| L5 | 完全自主，能提出新方法、新方案，像自主的数据科学家 | 人的参与很少 |
从现有系统和产品看，企业可用的 Data Agent 主要落在 L1 到 L3。L4 和 L5 仍是研究方向。选型时，问清它能独立完成哪几步、哪些操作必须人工确认，比只看它会不会聊天更有意义。
我倾向于把 L3 看成企业落地的一道分水岭。L1 和 L2 更像增强版的问数工具，L3 开始承担流程编排，责任边界也随之变化。到了 L3，企业需要的不只是一个模型，还要有数据语义、权限、审计和回滚机制。
和 BI、ChatBI、通用 AI 助手怎么区分
这几个概念经常被放在一起说，实际承担的任务不同。
| 对象 | 主要任务 | 数据连接 | 自主性 | 典型输出 |
|---|---|---|---|---|
| BI | 固定指标监控、报表和看板 | 数仓、BI 模型 | 人建模型，系统展示 | 图表、看板 |
| ChatBI | 用自然语言问数 | 数仓、语义层 | 多在 L1 到 L2 | 查询结果、图表 |
| Data Agent | 多步数据任务，覆盖管理、准备、分析和治理 | 数据库、数仓、API、代码环境 | 多在 L1 到 L3 | 查询结果、清洗数据、分析报告、动作 |
| 通用 AI Agent | 通用问答、内容生成、工具调用 | 以公开知识和通用工具为主 | 取决于工具接入 | 文本、代码、建议 |
ChatBI 可以是 Data Agent 的一种入口。一个系统如果只能把自然语言转成 SQL 并画图，它更接近问数助手；如果还能查元数据、做清洗、跑多步分析、生成报告并沉淀流程，才更接近完整的数据智能体。
BI 仍然适合固定指标监控和标准化报表。Data Agent 更适合问题不固定、需要多步探索、结果要带上解释的场景。两者可以并存，企业不必为了上 Data Agent 把原有看板全部推翻。
数据分析师的角色也会变化。取数、清洗、初步对比这些重复工作可以交给 Agent，分析师把时间放在问题定义、异常判断、因果分析和决策支持上。这个变化能否发生，取决于 Agent 的结果是否可信，以及企业有没有把口径和权限理清楚。
企业先在哪些场景用数据智能体
Data Agent 适合从任务频率高、数据边界清楚、结果容易验证的场景开始。
| 场景 | 典型任务 | 先决条件 | 适合度 |
|---|---|---|---|
| 经营问数与归因 | 指标异常、分群对比、漏斗分析、留存分析 | 指标口径统一，数据更新及时 | 高 |
| 数据开发与运维 | 生成 SQL 或 ETL、排查任务失败、查看血缘 | 元数据、调度和权限体系完整 | 中高 |
| 数据治理 | 质量规则、指标一致性、文档补全 | 数据标准和责任人明确 | 中 |
| 运营分析与行动 | 用户分群、留存召回、活动复盘、触达 | 用户行为数据和触达系统可用 | 高 |
一个实用的筛选标准是看五件事。任务是否高频，人工成本是否高，数据是否已经数字化，结果是否可验证，错误是否可撤回。五项占得越多，越适合先交给 Data Agent。任务越窄、数据越清楚、结果越容易验证，越适合做第一个场景。
比如每周固定要做的渠道效果复盘，客服每天要查的用户行为序列，或者运营在活动上线后要看的漏斗变化。这些任务的目标明确，数据范围有限，结果可以和人工核对，出了问题也能回滚。相反，跨多个系统、口径尚未统一、一次错误就会影响生产环境的任务，适合放在后面。
落地前要补的三块底座
Data Agent 的效果，很大程度取决于它脚下的数据基础。模型能力只是其中一层。
数据与指标口径
Agent 要回答同一个指标，先要知道这个指标在企业里只有一种算法。指标定义、维度、过滤条件、数据血缘和更新时间，都需要能被 Agent 读取。缺少这层语义，Agent 只能靠猜，同一个问题换一种问法就可能得到不同答案。
ThinkingAI 的企业级知识库用 SSOT，也就是单一事实来源，保证同一概念在全系统只有一处定义，并通过 ChangeSet 机制让知识更新可追溯、可对比、可回滚。这类机制解决的是 Agent 的理解基础，模型参数解决不了口径混乱。
权限、审计与回滚
Data Agent 会接触真实数据，甚至会执行写操作。权限要继承当前用户，不能越权访问；高危操作要能拦截和二次确认；所有操作要留审计日志；出了问题要能回滚。
在金融、医疗、游戏等数据敏感行业，私有化部署经常被列为选型前提。数据不出企业边界，Agent 才能进入核心业务流程。
这些要求会限制 Agent 的自主性，但它们是生产环境的一部分。一个只能在演示环境里跑的 Agent，很难承担真实的数据工作。
知识与效果评估
企业自己的业务规则、历史案例、指标解释和操作规范，是 Data Agent 理解问题的上下文。把这些知识加工成 Agent 能直接调用的形态，比每次在提示词里临时补充更稳定。
评估时，用同一批任务做前后对比，看任务完成率、结果准确率、人工介入次数、平均耗时和流程复用率。如果只统计生成了多少条回答，很容易高估效果。更有意义的指标是人工耗时、返工率和结论采纳率的变化。
ThinkingAI 在数据智能领域做了十年，服务过 1500 家企业、8000 多款产品。它的 Agentic Engine 支持企业创建和管理 Agent、多 Agent 协作和私有化部署。旗下 Tiki 智能助手在中国信通院的数据分析智能体评估中拿到 4+ 级。从这些能力可以看出，Data Agent 要进入生产环境，平台层的数据接入、知识治理和权限控制都很关键。
Data Agent的能力、数据与权限选型条件
平台选型需要评估能力边界、数据基础、权限控制与分析产出的复用条件。
- 它能独立完成哪几步？ 只做问数，还是能查元数据、清洗、分析、生成报告？对应 L1、L2 还是 L3？
- 它接入了哪些数据和指标？ 核心数据源能不能接进来？指标口径、血缘和权限是否完整？
- 高风险操作怎么管？ 权限是否继承当前用户？高危操作能不能拦截、审计和回滚？
- 结果能不能复核？ 能不能给出 SQL、数据来源、计算过程和假设？业务人员能不能看懂？
- 能不能沉淀？ 有效流程能否变成技能、工作流或模板，供团队复用？
这些能力与治理条件决定了 Data Agent 能否从演示进入生产环境。
常见问题
Data Agent 会取代数据分析师吗？
在当前主流的 L1 到 L3 能力下，Data Agent 更多承担取数、清洗、初步分析和报告生成。分析师转向问题定义、口径确认、异常判断和决策支持。L4 和 L5 的完全自主仍是研究方向。企业更现实的收益是减少重复劳动，让分析师把时间放在深挖上。
Data Agent 和 ChatBI 是一回事吗？
ChatBI 是 Data Agent 常见的入口形态，主要解决自然语言问数。Data Agent 的范围更大，覆盖数据管理、准备、分析和治理，能编排多步任务。一个 ChatBI 产品是否算 Data Agent，要看它能不能感知数据环境、调用工具、处理多步任务并校验结果。
没有数据仓库，能用 Data Agent 吗？
可以接数据库、文件、API 等数据源。缺少统一口径、元数据和权限体系时，结果稳定性会受影响。更稳妥的做法是先选一个数据边界清楚的场景，把指标和权限补齐，再逐步扩展。
Data Agent 一定要私有化部署吗？
取决于数据敏感程度、合规要求和现有基础设施。处理用户行为、交易、医疗等敏感数据的企业，通常会把私有化部署作为重要条件。SaaS 模式也可以用于数据敏感度较低或已经完成合规评估的场景。
怎么评估 Data Agent 的效果？
用同一批任务做前后对比，看任务完成率、结果准确率、人工介入次数、平均耗时和流程复用率。不要只看回答数量或演示效果。可以把人工处理同一批任务的时间作为基线，再看 Agent 介入后节省了多少，返工和复核占了多少。
参考资料
- Zhu Yizhang 等. A Survey of Data Agents: Emerging Paradigm or Overstated Hype? arXiv:2510.23587, 2025 年 10 月提交，2026 年 2 月更新. https://arxiv.org/abs/2510.23587
- Luo Yuyu 等. Data Agents: Levels, State of the Art, and Open Problems. arXiv:2602.04261, 2026 年 2 月. https://arxiv.org/abs/2602.04261
- 阿里云. Data Agent 产品文档. 2026 年 10 月更新. https://www.alibabacloud.com/help/zh/dataworks/user-guide/new-data-agent
