随着 Claude Code、Codex、OpenClaw 等 Agent 兴起，数据工作的入口正从传统 BI 和数据平台转向 Agent。小红书从 2026 年 2 月开始建设 DataAgent DIBP，目前已覆盖 80% 以上员工群体，主动会话周活达到 8800+。

在实践中我们发现，DataAgent 的核心并不只是 Model、Tools 和 Harness，更关键的是能否构建面向数据领域的 Context Layer，让 Agent 真正理解企业的数据、指标与业务语义。

本次分享将介绍 DIBP 从单 Agent、Harness 到 Multi-Agent 的演进实践，重点拆解 Context Layer 的生产与消费，并进一步分享我们对 DataAgent 与通用 Agent 边界、Context 与 Harness 关系，以及从 DataAgent 走向 Agentic Data 的思考。

演讲提纲

1. 从 Data Platform 到 DataAgent：数据工作的入口正在改变

• BI、数据平台的传统工作模式与局限
• 从“人在平台里操作”到“人与 Agent 对话完成任务”
• Claude Code、Codex 等通用 Agent 对数据工作的影响
• 小红书为什么要建设 DIBP
• DIBP 的产品形态、核心场景与大规模落地情况

2. DataAgent 还是 Data Skill：专业 Agent 的边界在哪里？

• 通用 Agent + Data Skill / CLI / MCP 与独立 DataAgent 的两种路径
• DataAgent 在什么情况下具备独立存在的价值
• DIBP 的 Harness 如何解决数据领域的工具调用、任务编排与执行问题
• 从单 Agent 到 Multi-Agent：复杂数据任务为什么需要 Agent 协作
• 在实际建设过程中遇到的工程问题与架构取舍

3. Context Layer：DataAgent 真正的核心基础设施

• 为什么仅靠 Model + Tools 无法让 Agent 真正“懂数据”
• 数据、指标、业务语义、代码、血缘等 Context 如何统一表征
• Learned Representation：如何将企业数据知识转化为 Agent 可理解、可消费的 Context
• Context 的生产、治理、更新与消费机制
• 如何保证 Context 的准确性、一致性和时效性
• Context Layer 如何成为多个 Agent 共享的数据领域基础能力

4. 从 DataAgent 到 Agentic Data：数据平台如何重新定义

• DIBP 如何进入 Hi-work Multi-Agent 体系
• DataAgent 如何从独立的数据助手成为企业 Agent 体系中的专业能力
• 数据平台从“人使用的平台”向“Agent 可理解、可调用、可协作的数据基础设施”演进
• DataAgent、通用 Agent 与底层 Data Infrastructure 的关系
• 从 DIBP 实践出发，对 Agentic Data 未来形态的判断

实践痛点

• 单 Agent vs Multi-agent 架构， DataAgent 是否有独立存在的价值？ 数据平台到底是应该贡献一些 Skills+CLI 到通用 Agent 上，还是应该存在独立的 DataAgent ？
• 企业构建 DataAgent 的核心壁垒是什么？

前沿亮点

• DIBP 在小红书内部覆盖了 80% 以上的员工群体，在行业内，在 Data 领域属于大规模落地的 Agent，DIBP 的建设实践值得数据部门借鉴
• Context 决定了Agent 上限， Harness 在无限逼近这个上限

听众收益 

• 企业级大规模 DataAgent 落地实践和架构设计
• 行业最前瞻的架构思考和判断