AI Agent 让“人人可问数”成为现实，但数据安全、异构数据源碎片化、语义理解置信度三座大山随之而来。网易云音乐围绕 DAS 平台构建五层 AI Infra 架构，以安全纵深、数据虚拟化、语义知识库为核心支撑，探索从"数据驱动"到"Agent 驱动"的基建升级路径。

演讲提纲

1. 背景：Agent 改变数据消费范式

• 从“预制菜”到“现炒”——新消费模式带来的基建挑战
• DAS Agent Infra 五层架构概览与核心设计取向

2. 实践：数据安全——当所有人都能直接消费数仓

• Agent 场景下安全敞口为何被放大
• 我们的纵深防御思路：权限下沉、零信任桥接、审计闭环
• 安全与易用的平衡艺术

3. 实践：数据虚拟化——让 Agent 对底层引擎无感

• 异构数据源统一抽象的设计哲学
• 智能路由、性能兜底与资源隔离的工程实践

4. 实践：数据知识库——语义层决定 AI Infra 的“天花板”

• 为什么"知识库质量 > 召回算法"
• 业务域模式：从产品设计上解决召回难题
• 开发即建设：让语义资产自生长的闭环机制

5. 落地成效与产品矩阵

• Data / Dev / Ops 三大 Agent 产品的场景验证
• 兼容三方 Agent 的开放接入策略

6. 总结与展望

• 核心判断：AI Infra 的关键不是多接几个 Agent，而是建立一条可复利的闭环
• 知识飞轮与 Token Economy 的持续演进方向

实践痛点

• Agent 放大安全敞口后，权限体系如何从“表级”演进到“业务语义级”
• 百万级数据资产规模下，语义召回的准确性与可解释性如何兼得
• 异构引擎碎片化环境中，如何让上层 Agent 完全无感

前沿亮点

• 五层 AI Infra 系统性架构：行业内少有的从查询底座到 Agent 产品的完整闭环实践
• 零信任安全模型与数据虚拟化的工程平衡
• “语义层即知识库”——开发过程本身就是知识建设

听众收益

• 理解 Agent 时代数据基建面临的安全、性能、语义三大核心挑战
• 获得数据安全纵深防御、异构数据源统一接入、语义知识库建设的系统性思路
• 了解真实业务场景下五层架构的落地路径与效果验证

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

在一年多的开源 Data Engineering Agent 实践中，我们从第一天就引入 Semantic Layer，希望通过统一指标口径提高 Agent 的查询准确性。但随着任务从“查询一个指标”走向“解释业务变化”甚至指导业务决策，新的问题逐渐出现：指标查询与明细探索之间语义不连贯，多表关联可能造成重复计数，复杂归因的稳定性和效率，以及基于语义层的本体构建。

本次分享基于 Datus 与 Dosi 的工程实践，以“某项业务指标为什么下降”为贯穿案例，介绍从 MetricFlow 到 Apache Ossie 的技术选择，以及如何将语义模型编译为可执行 SQL、设计支持探索与纠错的 Agent 工具接口，并通过参数化指标、窗口语义和 Ontology 支持从指标到业务对象的连续分析。最后讨论如何验证查询正确性与分析过程，呈现 AI Native Semantic Layer 的实现方法、工程取舍与适用边界。

演讲提纲

1. 从“查出指标”到“解释变化”：传统 Semantic Layer 在 Agent 场景中的不足

• 一年 Data Engineering Agent 实践：为什么从 Day 1 就引入 Semantic Layer，以及它解决了哪些口径一致性问题
• 拆解一个分析任务：“收入为什么下降？”如何从指标查询，逐步进入维度拆解、订单明细与原因验证
• 实践中遇到的断点：指标与明细查询脱节、多表关联导致重复计数、衍生指标膨胀，以及失败后反复尝试 SQL
• 从 MetricFlow 到 Apache Ossie：区分现有实现的限制、语义表达的不足与开放标准的需求，说明调整指标定义规范选型的原因

2. 构建可执行的 Semantic Runtime：一个轻量 SQL 编译器的工程实现

• 从语义模型到 SQL：以一条查询为例，拆解模型解析、校验、中间表示、关联路径选择、聚合规划与多方言生成
• 如何避免“SQL 能执行，但结果不正确”：围绕粒度、关联基数与 fan-out，讨论预聚合、半连接等策略的选择及边界
• 如何精简指标体系：用参数化指标、派生表达式和窗口语义组合表达同环比构建一个可追溯的指标树而非几千个离散的指标和 RAG
• 面向 Agent 高频调用的工程取舍：模型复用、编译开销，以及语义层与数据库执行引擎的职责划分

3. 让语义层进入 Reasoning Loop：Semantic Tools 与 Ontology Tools 如何设计

• 工具如何支持完整分析过程：围绕“发现模型—查询指标—下钻明细—归因—验证”设计输入、输出与调用边界
• 为什么需要在 Metrics Query 与 Detail Select 之间切换：让 Agent 查询指标后，能够沿用业务定义与关联关系检查具体对象
• Ontology 如何参与查询执行：将 Objects、Properties、Relationships 映射到语义模型，使业务对象及关系能够被发现、查询和遍历
• 如何帮助 Agent 从失败中恢复：通过结构化错误、参数约束和可解释的执行结果，支持修正查询与验证假设

4. 端到端案例复盘：从业务问题到可验证的分析结果

• 构建案例所需的语义上下文：利用已有 Schema、SQL 和业务文档，明确模型、指标、对象关系，以及需要人工确认的业务口径
• 展示完整分析链路：从“收入下降”出发，完成趋势查询、维度拆解、明细检查和归因，呈现实际工具调用与生成的 SQL
• 对照不同实现路径：比较直接生成 SQL、仅使用指标查询接口和完整 Semantic Runtime 在同一任务中的表现，分析错误出现在哪里、如何被发现和修正
• 验证方法与实践边界：检查结果正确性、关联后的聚合一致性、工具调用次数和耗时，并讨论语义定义错误、数据质量与业务因果判断仍需如何处理

实践痛点

• 指标查对了，不代表分析链路可靠。 Agent 从聚合指标下钻到明细、跨表关联时，容易丢失原有口径或改变计算粒度，产生结果合理但实际错误的分析
• 业务语义分散，接入成本高。 Schema、历史 SQL、指标平台和业务文档各自承载部分定义，将它们转化为可执行、可维护的统一模型，需要解决冲突与人工确认问题
• 固定指标难以覆盖动态探索。 时间窗口、筛选条件与派生计算不断组合，容易造成指标数量膨胀，也增加 Agent 选择和理解指标的难度
• 工具能调用，但不容易纠错。 模糊的错误信息和缺少约束的接口，会让 Agent 反复尝试；如何同时支持探索、确定性执行与过程验证，是关键工程挑战

演讲亮点

• 用一条完整分析链路串联技术。 从业务问题出发，展示指标查询、明细探索与归因之间的真实断点，以及对应的实现方式。
• 深入轻量语义 SQL 编译器的内部。 从数据库 Planner 的视角讲解语义校验、关联与聚合规划、多方言生成，重点讨论查询正确性。
• 给出面向 Agent 的工具接口设计。 具体讨论 Metrics Query、Detail Select、Ontology 查询及结构化错误如何配合 Reasoning Loop。
• 通过对照与失败案例明确边界。 展示哪些问题可以由语义层保证，哪些仍需要数据治理、业务确认或 Agent 进一步验证。

听众收益

• 能够识别现有 Semantic Layer 在 Agent 分析任务中的具体缺口，判断何时复用、何时扩展
• 理解从开放语义模型到可执行 SQL 的实现路径，以及粒度、关联与聚合正确性的关键控制点
• 获得可参考的 Semantic Tools 与 Ontology Tools 设计方法，支持指标与明细之间的连续探索
• 掌握一套验证 Data Agent 语义分析链路的方法，从结果正确性、纠错能力和执行成本评估实际效果

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

美团数据平台每天处理海量数据。AIDE 让 Agent 从代码辅助进入生产链路，贯通需求理解、开发测试、审批上线，实现可执行、可验证、可追溯的任务交付。本次分享聚焦三类取舍：固定流程与自主规划、高风险操作的安全护栏、知识库覆盖与质量平衡，并介绍如何把人工纠错、测试失败和线上处置沉淀为领域知识，持续提升 Agent 在真实业务中的判断与交付能力。

演讲提纲

1. 背景：美团数据开发发展历程
   • 从平台化开发、SQL 智能辅助到 Agent 驱动的数据研发探索
   • 从开发到上线：上下文缺失、规范依赖人工与工具链割裂带来的挑战
   • AIDE 的建设思考：如何将数据平台积累的资产、规范和经验转化为交付能力
2. 技术路线选择：哪些步骤固定执行，哪些交给 Agent 判断？
   • 固定流程与自主规划：标准开发任务和探索型任务的执行策略
   • 自建执行引擎的取舍：工具语义、执行状态与上下文管理
   • 单 Agent 主控与按需专家委派：任务连续性、执行隔离与协作成本的平衡
3. 实践：数据研发交付，让 Agent 在生产约束下完成任务
   • 跨系统工具编排：打通从需求理解、开发测试到审批上线的交付链路
   • 规范前置、人机协同与风险控制的工程实践
   • 交付验证：工具执行、数据结果与流程完整性的联合校验
4. 知识沉淀，如何让开发经验成为可复用的领域判断
   • 开发即沉淀：从日常任务、人工纠错与专家判断中提炼知识
   • 分层与晋升：个人经验走向领域共识、平台规则的验证与审核机制
   • 知识飞轮：按域召回、执行反馈与知识更新淘汰的闭环设计
5. 效果与反思：如何从一次成功走向持续可靠？
   • 分层评测：从基础能力、真实业务场景到线上运行的质量验证
   • 落地效果：数据研发效率、用户使用情况与实际交付中的收益和局限
   • 实践取舍：工具可靠性、知识质量与持续维护成本的平衡

实践痛点

• 高风险操作的拦截设计：在生产场景中，安全护栏与自动化体验之间没有完美方案，核心是在哪些节点必须停、哪些可以放之间做工程取舍。
• 知识库的覆盖与质量取舍：做大覆盖长尾场景还是做准保证答案可靠，召回门控如何在两者之间找到平衡点。

前沿亮点

• 在生产场景中释放 Agent 效率：以自然语言驱动开发、测试与上线，同时将风险识别、关键节点确认和可追溯执行嵌入链路。
• 让 Agent 基于平台事实而非对话猜测工作：实时连接任务、表、血缘、权限和运行状态，在自主交付与生产可控之间取得平衡。
• 让每一次交付反哺下一次判断：将需求澄清、人工纠错、测试失败和线上处置沉淀为领域规则，持续提升 Agent 在真实业务中的判断能力。

听众收益

• 理解数据研发 Agent 从代码生成走向任务交付的关键难点，获得执行流程设计与人机分工的实践参考。
• 了解如何将开发会话、人工纠错和个人经验沉淀为领域知识，以及知识审核、复用与持续更新的方法。
• 了解 Agent 执行判断机制及生产化后的取舍反思