在企业数据分析实践中，我们发现专业 BA 资源紧张、一次分析往往需要多轮人工拆解与验证，成为数据价值规模化释放的主要瓶颈。传统 ChatBI 更多停留在“取数问答”，难以支撑业务侧对成因解释、策略推演与持续分析的真实需求。美团数据平台 AI 应用团队基于实际分析场景，探索了一套 BA Agent 的落地方案：一方面，将业务常识、营销策略、分析套路等沉淀为结构化知识，并在 Agent 运行过程中进行组合与调用，使其能够按业务分析逻辑逐步拆解问题；另一方面，引入记忆机制，复用用户偏好与历史结论，降低重复分析成本，推动分析从一次性问答走向连续探索。

在工程实现上，我们结合图谱化 Schema Linking 优化 NL2SQL 的准确性，自研 Agent Infra 平台支撑多模块编排与能力演进，并构建以“机评为主”的自动化评测体系，覆盖准确性、可靠性等 85% 以上核心指标，用数据驱动 Agent 持续迭代。最终实现 BA Agent 从“能用”到“稳定好用”的快速演进。

本次演讲，我将分享 BA Agent 在真实业务场景中的落地路径与关键技术取舍，包括 Agent 全流程架构设计、业务知识沉淀与图谱构建方法、记忆机制与动态语义层实践，以及机评为主的评测体系如何支撑能力迭代，帮助大家理解如何让 Agent 在企业分析场景中真正“懂业务”。

演讲提纲

1. 分析的价值和挑战

• 业务分析的痛点
  • 专业 BA 人数有限，仅能覆盖管理层分析诉求
  • 从开始分析到产出报告，往往需要 1～2 周的时间
  • 每次分析 70% 时间花在确认口径和取数环节，而非真正分析
• ChatBI 的局限性
  • 只能回答"是什么"，无法回答"为什么"

2. BA Agent：从看见数据到洞察业务的跃迁

• 意图识别和澄清
• 取数
  • 不同取数方案能力边界、优劣势
  • 引入图谱做 NL2SQL Schema Linking
• 洞察
  • 洞察是在业务框架下持续探索的过程
• 可视化
• Agent Infra 平台技术实现
  • 全景图
  • 记忆模块（初始化意识 + 个性化记忆）
  • 数据基建升级（从静态宽表到动态语义层）

3. 让 Agent 真正"懂业务"

• 知识沉淀：业务常识、业务营销策略、业务 Goal、分析路径和偏好
• 业务知识图谱构建

4. 测评体系

• 测评标准（数据准确性、结论可靠性、视角全面性、分析深度和可视化）
• 构建业务评测集
• 机评为主，人工为辅

5. 效果展示与未来演进

• 分析人力释放、数据消费民主化
• 从"单点分析"到"策略推演"

您认为，这样的技术在实践过程中有哪些痛点？

• 业务逻辑的暗知识困境：那些存在于老分析师脑中但不在数据表、wiki 里的知识，Agent 很难准确掌握，导致“技术上通顺，业务上荒谬”
• 指标治理的历史债会被 Agent 进一步放大：BA 尚能依据经验“模糊对齐”有歧义的口径，Agent 上下文不够会将隐性治理问题直接转为显性的归因错误，甚至影响决策
• 分析结论没有唯一正解，人工测评成本极高：构建自动化测评机制，并持续打磨机评的准确率，逐步释放人力

演讲亮点

• 真实企业级应用验证，拒绝“玩具 Demo ”：基于美团数据平台服务数万业务的实战经验，深度解析。分享 BA Agent 在复杂业务场景下的真实演进过程
• 技术架构深度拆解：揭秘 Agent Infra 平台快速迭代背后的设计权衡，包括记忆模块"初始化意识+个性化记忆"的双层架构、NL2SQL与知识图谱的融合策略等
• 企业落地教训分享：从“ Data + AI ”转型实践中提炼关键教训，涵盖业务知识沉淀方法论、人机协作边界划分、动态语义层建设成本等真实踩坑经验

听众收益

• 技术架构启发：借鉴"意图识别-取数-洞察-可视化"的 Agent 全流程设计，以及记忆模块、动态语义层等关键组件的实战经验，优化现有 AI 分析系统的扩展性与业务适配性
• 知识工程方法：学习业务知识图谱构建方法论，掌握业务常识、分析路径、用户偏好等结构化沉淀策略，破解"Agent 不懂业务"的核心落地障碍
• 效能评估体系：参考机评为主的自动化测评标准与业务评测集建设经验，建立数据准确性、结论可靠性等维度的量化评估框架，驱动 Agent 能力持续迭代优化