ThinkingAI Logo
返回博客列表

数据质量Agent能做什么?与规则引擎有什么区别?

数据质量 Agent 是围绕数据质量目标工作的智能体,能读取元数据与规则、发现问题、定位原因并推进修复。本文解释它的定义边界、工作链路、适用场景与落地条件,帮助企业判断是否值得试点。

2026-11-1311分钟
数据质量Agent能做什么?与规则引擎有什么区别?

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

推荐文章

准备好构建你的 Agent 团队了吗

立即体验 Agentic Engine, 让 AI 成为真正的团队成员

ThinkingAI Big Logo
电话咨询