数据质量 Agent 是围绕数据质量目标工作的 AI Agent。这里的 AI Agent,指能感知环境、调用工具并围绕目标执行任务的智能体。它读取数据、元数据和业务规则,判断哪些数据不可信,调用检查、比对、血缘分析等工具定位原因,再给出修复建议,或者在授权范围内执行修复。它服务的是一个具体目标,让某张表、某条指标链路或某个业务域的数据持续可用。
公开资料里还没有形成统一的规范定义,不同厂商的边界并不一致。国外资料常把它归入 agentic data quality 的讨论,国内厂商则多把它放在数据治理 Agent 的范畴里。共同点比较清楚:它要能感知数据状态,能围绕质量问题做判断,能调用工具推进处理。只输出一段分析文字,还不足以称为数据质量 Agent。
数据量和数据链路一复杂,人工维护规则的成本就会上升。Ataccama 在 2026 年 7 月的一篇技术文章里指出,规则型数据质量检查透明、可复用,但每条规则都要有人设想、编写和维护,当数据集数量超过懂数据的人手时,覆盖就会变得零散。数据质量 Agent 被讨论,正是因为它尝试把规则建议、异常发现、原因定位和修复推进连成一条更连续的链路。
下面从定义、边界、工作方式、适用条件和落地准备五个方面拆开。
一、数据质量Agent是什么?
把上面的定义拆开,有三个关键点。
- 目标驱动。 给它一个目标,例如“保证订单域的支付金额和订单状态可信”,它会判断要检查哪些表、哪些字段、哪些规则,先做什么后做什么。固定脚本执行的是预设步骤,Agent 需要根据现场情况调整步骤。
- 工具调用。 它要能调用 SQL 查询、数据剖析、规则引擎、血缘分析、工单系统等工具。工具越完整,判断越有依据。
- 闭环处理。 发现问题只是起点。它还要能说明问题影响了哪些报表、指标或下游任务,给出修复建议,跟踪修复结果,并把这次处理沉淀成下一次可复用的规则或经验。
这三个点决定了它与聊天机器人的差别,也决定了它与传统质检脚本的差别。聊天机器人可以解释概念,质检脚本可以执行规则,数据质量 Agent 要在一个具体的数据环境里完成从发现到验证的动作。
它和数据分析 Agent 的区别,可以用一句话说明:数据分析 Agent 回答业务问题,数据质量 Agent 处理数据本身是否可信。两者会共享元数据、指标口径和权限体系,但任务目标不同。
二、它和规则引擎、数据质量平台有什么不同?
规则引擎是数据质量管理的基础。数据管理员把业务要求写成规则,系统按规则检查,结果稳定、可解释、方便审计。数据质量平台把规则管理、任务调度、质量报告、问题工单串起来,适合持续运营。数据质量 Agent 在两者基础上工作,重点处理规则覆盖不到的地方,以及问题出现后的判断和推进。
| 能力 | 规则引擎 | 数据质量平台 | 数据质量 Agent |
|---|---|---|---|
| 主要工作 | 执行预先写好的检查规则 | 管理规则、任务、报告和工单 | 建议规则、发现异常、定位原因、推进修复 |
| 输入 | 规则、字段、阈值 | 规则库、数据源、质量任务 | 目标、元数据、血缘、规则、历史问题 |
| 人的角色 | 编写和维护规则 | 配置任务、处理工单 | 设定目标、审核建议、批准高风险动作 |
| 擅长的问题 | 已知、明确、可量化的错误 | 持续巡检和质量管理流程 | 规则未覆盖的异常、跨系统定位、重复问题处理 |
| 主要限制 | 依赖人的经验,规则会老化 | 需要较多配置和运营投入 | 依赖数据上下文,输出需要验证 |
三者更常见的关系是配合。Agent 需要规则引擎提供确定性检查,需要数据质量平台提供任务、报告和工单,也需要元数据、血缘和业务知识提供判断上下文。把 Agent 当成替代品,容易高估它的能力。
Ataccama 在同一篇文章里把 agentic data quality 的能力拆成几个变化:覆盖范围从人工写规则扩展到自动学习基线,检测从已知故障扩展到异常检测,响应从告警扩展到根因分析和受控修复。这个拆法比较实用,也能看出边界:Agent 负责发现、诊断和推进,人负责目标、口径和高风险决策。
边界可以列成四条。
- 业务口径由业务负责人决定,Agent 可以提出建议,不能替企业拍板。
- 源头系统的设计缺陷需要研发修复,Agent 可以发现和定位,不能靠清洗长期掩盖。
- 自动修复要限定在可回滚、可审计、责任明确的范围,涉及资金、用户权益和监管报送的数据要更谨慎。
- 任何检测都有漏报和误报,Agent 不能承诺发现所有问题。
它的任务边界集中在数据质量,可以延伸到元数据、标准、主数据等相关环节,但不等于覆盖全部数据治理。把这个边界说清楚,选型和试点才不会跑偏。
三、一个数据质量Agent通常怎么工作?
一个完整的任务链路,通常会经过六步。
- 明确目标和范围。 确定要保障哪张表、哪条指标链路或哪个业务域,问题出现时影响谁,做到什么程度算合格。
- 读取规则和上下文。 读取数据标准、质量规则、元数据、血缘、历史问题和责任人信息,建立判断依据。
- 探查数据并建议规则。 先看数据分布、空值、重复、格式和跨表关系,再结合业务文档给出规则建议。国内厂商的公开资料也在往这个方向走。亿信华辰在 2026 年 10 月的文章里介绍,其数据质量 Agent 支持从 Word、Excel、PDF 中解析业务规则,辅助生成质检规则。这类能力能否用好在很大程度上取决于文档质量和人工审核。
- 执行检查或持续监控。 按计划执行检查,或者在数据接入、任务完成、指标更新时持续监控,发现异常后按影响程度排序。
- 定位原因和影响。 沿血缘关系回溯上游任务和源系统,关联相关异常,判断问题影响了哪些报表、模型或业务动作。
- 修复、验证和沉淀。 对低风险问题给出修复建议或执行修复,验证修复结果,把有效的判断和处理方式沉淀为规则、Skill 或操作记录。
这条链路要落到具体的质量维度上,否则很难验收。中国软件评测中心在介绍 GB/T 36344-2018《信息技术 数据质量评价指标》时列出六个一级指标,可以作为共同语言。
| 维度 | 关注什么 | 常见检查 |
|---|---|---|
| 规范性 | 数据是否符合标准、模型、业务规则和元数据定义 | 格式、编码、枚举值、必填字段 |
| 完整性 | 应该有的数据是否齐全 | 空值率、记录缺失、关联记录缺失 |
| 准确性 | 数据是否真实反映业务对象 | 数值范围、业务逻辑、交叉校验 |
| 一致性 | 同一对象在不同系统中的数据是否矛盾 | 主数据比对、跨表匹配、重复识别 |
| 时效性 | 数据是否在需要的时间范围内可用 | 采集延迟、更新频率、任务超时 |
| 可访问性 | 有权限的人能否正常获取数据 | 权限配置、接口可用性、目录完整性 |
举个例子。订单表里的支付金额出现负数,属于准确性问题;订单表和支付表对同一笔订单的状态不一致,属于一致性问题;订单数据每天延迟四小时才进入分析库,属于时效性问题。Agent 在报告问题时,要能说清楚问题落在哪个维度、影响了哪些下游对象、建议谁来处理。
人工接管点要提前设计。规则建议、批量修复、跨系统写操作、涉及敏感数据的处理,都应该有人确认。Agent 可以把证据、影响范围和建议动作放在一起,让人更快做判断。
四、哪些企业场景适合先用?
数据质量 Agent 适合处理规则多、系统多、问题定位慢的场景。下面五类场景比较典型。
| 场景 | 常见信号 | Agent 可以承担的工作 |
|---|---|---|
| 多源数据接入 | 同一指标来自多个系统,字段和口径不一致 | 比对字段、识别重复和冲突、建议统一规则 |
| 规则维护负担重 | 规则表越来越长,业务变化后没人及时更新 | 从文档和历史问题中提取规则、推荐新规则、标记失效规则 |
| 异常定位慢 | 报表出错后要在多个系统和任务之间排查 | 沿血缘关系回溯上游、汇总相关异常、给出可能原因 |
| 重复巡检多 | 数据团队每天重复看同一批指标和任务 | 持续监控、自动汇总、按影响程度排序 |
| AI 应用上游不稳定 | 模型或 Agent 的输出时好时坏,难以判断是否由数据导致 | 检查训练数据和分析数据的完整性、一致性和时效性 |
下面这些情况可以暂缓。数据源少且稳定,规则清晰,人工检查就能覆盖;元数据、血缘和责任人都没有整理,Agent 缺少判断依据;业务口径经常变化,没人能确认规则;企业暂时不能接受任何自动写操作。先从规则和元数据治理做起,收益会更稳。
判断标准可以简化成三个问题:数据源是否多到规则维护跟不上;问题是否需要跨系统定位;错误代价是否高到值得持续监控。三个问题里有两个回答是,试点就有意义。
五、企业落地前要准备什么?
数据质量 Agent 的效果,很大一部分取决于上线前的准备。以下五件事比较关键。
- 选一个边界清楚的数据域。 从一个高价值、责任人明确、下游影响大的数据域开始,例如订单、支付、用户主数据。范围太大,规则和权限都难以收敛。
- 把业务规则和指标口径写清楚。 Agent 可以辅助生成规则,前提是企业能说清楚什么算对、什么算错。指标定义不统一,质量问题就会变成口径争论。需要统一指标口径时,可以参考 Agent 语义层建设指南。
- 补齐元数据、血缘和责任人。 没有这些上下文,Agent 只能看到一张孤立的表,很难判断异常来自哪里、会影响谁。
- 设计权限、审计和人工接管点。 数据读取、规则修改、数据写入要分级授权,关键动作要留痕。涉及 权限控制 和运行监控的能力,要纳入选型范围。
- 用可验证指标验收。 可以看问题发现覆盖率、误报率、平均定位时间、修复闭环率、规则维护工时。指标要在试点前定好,试点后用同一口径比较。
如果企业已经在使用 ThinkingAI 的 Agentic Engine,可以把质量巡检、规则建议、异常归因做成可调用的 Skill,让 Agent 在权限范围内读取数据和企业知识。企业知识库用 SSOT 统一指标定义,用 ChangeSet 保留版本和变更记录;AI Monitor 记录 Agent 的执行过程,便于复核。涉及敏感数据时,可以采用私有化部署。这套组合能否直接满足数据质量场景,要看企业现有的数据架构、权限体系和具体产品能力,建议在试点范围内验证。ThinkingAI 已服务全球超 1500 家企业,接入产品超 8000 款,这些交付经验可以作为试点设计的参考。
如果只能记住一句话:数据质量 Agent 的价值,在于把发现问题和处理问题连成一条可审计的链路;它的上限,取决于企业的规则、元数据和责任体系。
常见问题
1. 数据质量Agent会取代数据治理团队吗?
短期内不会。它会减少逐条配置规则、重复巡检和初步排查的工作量,让团队把时间放在标准制定、口径确认、例外处理和跨部门协调上。数据治理仍然需要人承担最终责任。
2. 数据质量Agent和数据分析Agent有什么区别?
数据分析 Agent 回答业务问题,例如用户为什么流失、活动效果如何。数据质量 Agent 关注数据本身是否可信,例如字段是否缺失、跨系统是否一致、数据是否及时。两者可以共享语义层和权限体系,任务目标不同。
3. 数据质量Agent能自动修复数据吗?
可以处理一部分低风险问题,例如格式统一、重复记录合并、空值补充。涉及资金、用户权益、监管报送和不可逆操作的问题,更适合让 Agent 给出修复建议,由人确认后执行。自动修复要具备回滚、审计和影响范围评估。
4. 小团队值得用数据质量Agent吗?
数据量不大、规则稳定、人工检查能覆盖时,规则引擎加定期巡检通常够用。数据源开始增多、规则维护占掉大量时间、问题定位需要跨系统排查时,可以选一个数据集做小范围试点,再判断是否扩展。
5. 怎么判断一个数据质量Agent是否靠谱?
看四件事:它能否解释问题依据,能否沿血缘找到上游原因,能否控制权限和记录操作,能否用同一口径验证修复效果。只会给结论、拿不出证据的 Agent,很难进入生产环境。
参考资料
- Ataccama. Agentic data quality: What changes when you scale beyond rule-based DQ. 2026-07-22. https://www.ataccama.com/blog/agentic-data-quality-what-changes-when-you-scale-beyond-rule-based-dq
- 中国软件评测中心. 助力夯实数据底座,强化数据质量测评. https://cstc.org.cn/info/1653/245816.htm
- 亿信华辰. 数据治理 Agent 能做什么?从规则生成到智能质检. 2026-10-19. https://www.esensoft.com/industry-news/data-governance-67044.html






