大语言模型和 Agent 的发展为商业智能和数据分析带来了深刻的技术和产品的变革。智能数据分析领域不仅仅有 Copilot 和 ChatBI，数据智能体正在洞察归因、数据解读、深度数据报告等决策分析场景下生根发芽。本次演讲我将主要分享阿里巴巴分析 Agent（ QuickBI 智能小Q）实践，包括分析任务拆解规划、知识和记忆体系、深度洞察归因、Agent 和模型能力迭代等关键技术和实现细节，以及当前数据分析 Agent 们的核心叙事与技术逻辑。

演讲提纲

1. BI + AI + DATA 领域的发展

• 数据分析不止 ChatBI
• 阿里巴巴分析 Agent 介绍

2. 洞察归因决策分析

• 端到端的归因计算链
• 数据解读与决策

3. 智能报告：数据分析的深度研究

• 整体架构及核心技术
• 高质量任务规划与执行
• 分析工具使用与环境交互
• 分析智能体的记忆和知识系统

4. 经验 tips 和业务价值

• 若干实践经验 tips 细节
• 业务价值及客户案例
• 未来展望

演讲亮点

• 数据分析结合 Agent 的技术思考实践：如深度洞察归因场景的计算链设计、高质量的自主规划分析任务的引擎、分析智能体的记忆系统构建等
• 经验和干货：工程处理经验的优化和实践 tips，确保全流程的精准控制和产出效果的稳定，及在核心业务场景推广方案

听众收益

• 数据分析智能领域的最新技术方案和不同业务落地案例
• 阿里巴巴分析 Agent 构建的实现细节和经验、企业在分析智能上的技术选型避坑指南

随着人工智能技术的不断发展，数据分析 Agent 在企业业务分析中的应用日益广泛。通过自动化的数据处理与智能分析，这些 Agent 能够高效地挖掘业务数据中的潜在价值，辅助企业进行决策优化。本次演讲我将结合美团在业务分析过程中的实际案例，分享数据分析 Agent 在业务分析场景中的落地实践经验，包括数据采集、清洗、建模、可视化等关键环节的智能化改进。其次，我还会分享 Agent 如何提升分析效率、降低人力成本，并实现业务洞察的自动化。同时，针对落地过程中遇到的挑战与解决方案进行深入交流，帮助企业更好地拥抱智能数据分析，推动业务创新与增长。

演讲提纲

1. 分析多智能体的架构演进

• 构建智能分析系统：从“查数”到“能讲清楚原因”的转变
• 沉淀自学习与知识：实现分析知识从人脑向Agent系统迁移
• 闭环优化与业务共建：智能分析从工具型系统转变为业务增长的核心驱动力

2. 美团 BA Agent 的架构设计

• 整体工具体系的建设
• 分析子能力的智能化重构
• 图式任务建模到执行调度、状态管理与流式交互的完整生命周期

3. 分析场景知识库管理和建设

• 来源：分析思路、指标逻辑树、分析方法、业务分析偏好、目标策略
• 知识库及图谱的标准化管理

4. Agent 和模型的数据飞轮

• 基于 Human-in-Loop 的交互方式：关键训练数据的反馈、收集、构建
• 模型优化效果及自动化评测机制
• 面向 AI 的数据治理和数仓架构升级

您认为，这样的技术在实践过程中有哪些痛点？

• 模型能力不足：如何解决长上下文中模型指令遵循能力不足的问题
• 分析洞察深度不足：分析结论缺少与内部策略动作以及外部环境的的关联，无法提供有深度的洞察
• 人工评测效率不足：如何通过大模型方式构建自动化评测机制

演讲亮点

• 在通用数据分析能力的基础上，如何通过知识注入方式达到业务垂类分析场景可用性要求，实现【视角全面性】、【下钻逻辑性】和【结论可靠性】
• 在兼容业务分析可用性要求的基础上，如何设计以模型为中心的多 Agent 架构演进路线，实现业务分析流程的线上化
• 在传统数据治理基础上，通过升级数仓架构、构建 AI 友好的元数据治理体系提升AI取数的准确性和泛化能力

听众收益

• 分析场景对于取数准确率和分析结论置信度要求均很高，如何构建高质量数据和知识清洗的方法论
• 如何将分析师过往积累的业务 Know-How 过程实现在线化，构建在线反馈增强的 Agent 系统
• 如何设计科学测评体系指导模型迭代工作

随着大模型能力的不断增强，基于大模型的智能分析 Agent 如雨后春笋般涌现。DeepInsight 自 2023 年初便开始在智能化领域不断探索。然而，目前智能分析 Agent 在特定领域仍面临诸多挑战，例如领域知识不足、模型幻觉以及 Reasoning 模型响应时间过长等问题，这些问题直接影响了用户体验和业务落地效果。

为应对这些挑战，我们探索出了一系列创新解决方案：通过构建基于指标中心的缓存机制，有效解决了领域知识不足的问题；同时，借助模型蒸馏和强化学习（RL）技术，显著优化了 Reasoning 模型的响应时间和幻觉问题。我们的核心命题聚焦于四个方面：1）提升智能分析 Agent 的正确率；2）降低模型幻觉；3）构建指标与知识中心；4）构建评测集。

本次演讲我将重点介绍 DeepInsight 在智能分析 Agent 领域的创新实践，解决领域知识不足、模型幻觉和响应时间长等关键问题，以提升智能分析 Agent 的性能和用户体验。

演讲提纲

1. 业务问题定义

2. 大模型层的优化

• 基于 MCP 架构的 Self-Refine
• 反问澄清的设计
• 模型响应时间优化

3. 知识构建

• 知识的存储优化
• 知识的推理优化

4. 分析领域评测集构建

• 测评数据生成介绍
• 测评方法论和实践

您认为，这样的技术在实践过程中有哪些痛点？

• 如何解决既要模型的泛化能力，又要模型不出现幻觉的问题
• 如何满足推理性能的情况下优化响应时间
• 如何围绕以大模型为新生产工具，设计一套新的机制高效运转

演讲亮点

• 我们从推理工程优化（指标中心、知识库）、对模型优化（SFT、RL）等手段提升在领域场景的正确率
• 目前智能分析 Agent 落地成本普遍偏高，我们实践了一套高效的调试平台，用户在过程中可以修改 Prompt、知识以及自主评测，实现智能分析 Agent 不断低成本往前迭代
• 通过 MCP/A2A 协议实现联合 DeepInsight 以及外部多个工具平台，实现智能分析 Agent “大脑发达，四肢发达”，能想即能干

听众收益

• 成本与落地难题的解决之道：蚂蚁集团如何有效降低智能分析 Agent 的成本并成功落地，为面临类似困境的企业提供可借鉴的经验
• Reasoning 模型效率提升：蚂蚁集团在缩短 Reasoning 模型思考时间、加快响应速度方面的具体探索和实践成果
• 模型结果验证方法：如何确保模型生成结果的正确性，蚂蚁集团在这一领域的验证方法和实践经验

随着大模型和 AI Agent 能力不断进化，以 AI 为底座构建下一代智能数据分析系统成为业界共识，喜马拉雅数据团队从 0 到 1 自主研发了更贴近自身业务的 ChatBI ，探索 AI 在实际服务业务的数据分析场景落地。然而在实践中也面临巨大挑战，例如内部数以万计表和数百万列自然语义难以精准召回、企业内部知识和口径理解对齐、大模型幻觉、数据安全、业务对实时反馈提升准确性的要求，用户冷启动难等，这些挑战如果不解决将直接影响业务对 自建 ChatBI 的使用信心导致无法落地。我将重点讨论如何在实践过程中解决以上问数常见的问题，帮助听众更全面地评估选型以建设更贴近业务的 ChatBI。

本次演讲聚焦如下几个方面来解决问题：

• 如何构建高质量数据集和知识处理来解决海量表字段识别和大模型幻觉问题
• 如何构建精细的多 Agent 协同系统 ，提升数据集召回、SQL 生成的准确率，解决复杂组织数据权限等问题
• 如何构建全面的数据评测和全链路反馈体系
• 构建用户理解和需求引擎，解决用户冷启动困难

演讲提纲

1. 背景和挑战

• 从业务侧、数据团队、技术发展趋势多角度描述为什么要研发 ChatBI、出发点
• 市面上已经有那么多的ChatBI 产品了？为什么选择自研，核心差异是什么
• 海量表无法精准召回、大模型幻觉高、准确性低、评测难等

2. ChatBI 产品与架构

• 产品和使用
• 整体架构、各模块协同及关键技术

3. 构建可持续进化 ChatBI

• 高质量数据集：拆解万表召回的核心解决，如何从企业实际业务触发，设计以业务域为中心的数据集
• 知识处理优化经验实践：降低模型幻觉的核心，知识处理优化，以及业务共建知识库和数据集而不是闭门造车
• 构建多 Agent 协同优化：多 Agent + 上下文工程 + Tool 工具，Agent 协同提升系统能力
  • 数据集路由 Agent：基于语义相似度+业务域自动选择数据集（解决海量表检索问题）
  • 多垂类改写 Agent：精细化动态解析用户真实需求（如“环比”自动适配T+1数据规则）
  • SQL 生成 Agent： SQL 方言语法适配、多表关联、SQL 生成、SQL Review、自动纠错、工具取数、权限控制
  • 评测 Agent：自动化评测驱动精准优化
  • 用户理解 & 需求识别反馈 Agent：深度解读用户 Query，持续构建高质量数据集、冷启动、提升用户粘性、提高数据持续探索
  • 工具调用：数据查询、数据安全处理、日志 Trace 等，能力复用，守住安全底线
• 构建评测体系：多维度准确性智能评测、人工标注、AI 标注
• 多智能体协同的 ChatBI 数据洞察、智能异动分析诊断
• 整体的落地情况如何？准确度、产运营使用覆盖度，以及 ChatBI 结合 MCP 和 Agent 平台构建 ChatBI 生态
• 构建可持续进化的 ChatBI ：高质量数据集、更智能的 Agent、用户交互反馈

4. 未来展望和规划

演讲亮点

• 从高质量数据治理和构建、企业知识处理和优化、多智能体 Agent 构建 、评测反馈多角度提高智能问数准确性，提升用户理解、提高数据集消费
• 拆解从 0 到 1 ChatBI 核心链路全流程，更贴近业务场景的真实案例和遇到的实际挑战和解决方案
• 从产品设计和研发、数据集构建和知识处理、运营等多角度阐述如何在企业中落地

听众收益

• 可复用的架构设计：如何从 0 到 1 构建一个完整的 ChatBI 系统，提供了一整套可以落地的核心架构和关键流程
• 避坑指南：如何避坑万表召回、企业知识治理、多智能体 Agent 协同、数据安全处理、构建客观真实评测体系注意事项
• 多智能体驱动的 ChatBI 如何持续迭代：高质量数据集、更智能 Agent、交互反馈自动进化系统等