AI 时代，通过结合 AI 技术重构大数据生产、分析等场景的工作模式，使得数据生产、分析更高效、更智能，实现从“数据驱动”到“智能驱动”的转变。为此快手进行了众多的数据智能化（AI for Data）的建设探索，构建了专注于数据领域&兼顾通用场景的企业级 Agent —— Data Agent，具备数据全链路智能化能力，包括找数取数、数据开发、归因报告、人群洞察、AB 分析、埋点分析等能力。建设过程中除面临 Mutil-Agent协同、上下文管理、执行可靠性等通用问题，还面料 知识规模大奇异多准确性难保障、数据安全要求高 等数据领域特色问题。

演讲提纲

1. 背景：快手大数据智能化发展历程

• 传统生产、分析工作模式痛点
• 快手大数据智能化发展历程、业界发展思路对比
• DataAgent 整体架构 和 面料的核心挑战

2. 实践：基于 Mutil-Agent + Skill 的整体框架

• 父子 Agent + Skill 模式，如何协调通用能力和领域能力，并保障执行可靠性
• 上下文管理能力，通过 Skill & Tool 的动态加载、智能上下文卸载 & 压缩、智能长短记忆等，让 Agent 越用越智能越用
• 空间 + 研发包能力，满足不同业务隔离场景

3. 实践：知识工程

• 高质量/高精度准入数据集：冷启动种子 + 精度标尺 + 自生长土壤
• LLM-wiki 新型知识库：知识不再是散落的文档，而是“人机共建、结构统一、可版本化、可被 LLM 直接消费”的 wiki 化知识资产
• 知识飞轮：提问 → 召回 → 反馈 → 归因 → 迭代建议 → 知识更新 → 回归验证，形成闭环，保证知识“保鲜 + 保活”

4. 实践：效果评测

• Trace & 评测平台建设实践
• 评测集构建 & 自动化评测实践

5. 实践：生产 & 分析场景落地应用

• 端到端数据生产应用案例和效果
• 智能化数据分析应用案例和效果

6. 总结与展望

• 知识飞轮，通过线上真实问题的智能化洞察、诊断，构建知识飞轮。驱动 DataAgent 越来越准确
• Harnrss 工程，从性能、成本等方面持续优化，驱动 DataAgent 越来越高效易用

实践痛点

• 面临真实业务场景，百万级的数据资产规模，如何实现进行知识增强、消歧、准确召回是影响准确性的核心原因
• 数据场景提问返回，如果通过知识飞轮进行真实问题的分析诊断，发现问题（知识、工具等）推进 Agent 效果的持续进化
• 数据场景，如何进行不同业务领域能力的协同和隔离，如何处置爆炸式的上下文等

前沿亮点

• 具有特色的 DataAgent 建设思路：父子 Agent 模式、知识飞轮等具有特色的技术实践
• 真实业务场景下实践案例分享：结合快手真实场景，分享 DataAgent 的演进过程与实践效果

听众收益

• 了解 Agent 技术在数据领域落地面临的核心挑战
• 掌握 DataAgent 在 Mutil-Agent 协同、上下文管理等通用问题。和知识工程、效果评测等领域特色问题的实践解决方案
• 了解端到端数据生产、智能化数据分析的真实应用案例和效果