课程 ID: 19345
描述:
话题概述:
随着企业数据平台逐步进入湖仓、多引擎、多数据源并存的阶段，数据开发和数据分析人员面临的主要挑战已经不只是如何写 SQL，而是如何快速找到可信数据、理解字段含义、确认指标口径、判断权限边界，并在复杂的数据系统中完成稳定、合规的数据访问。
大模型和 Agent 技术为数据开发提效带来了新的可能，但在企业真实环境中，DataAgent 不能只依赖模型能力。模型如果缺少准确的元数据、权限信息、血缘关系和业务语义，很容易出现找错表、理解错字段、生成错误 SQL、绕过权限边界等问题。
因此，企业需要构建一套面向数据开发场景的 AI 原生工具链，将大模型、Agent、统一元数据、数据目录、查询引擎、权限治理和指标语义层进行系统化集成。本议题将结合互联网、智能制造和金融客户中的实践经验，分享企业级 DataAgent 从概念验证到工程落地过程中遇到的关键问题和解决思路。
演讲题纲:
话题亮点：
项目的核心思路是将大模型的推理能力与企业已有的数据基础设施进行解耦集成，避免让大模型直接脱离上下文生成结果。
在整体架构上，DataAgent 负责理解用户意图、拆解任务和编排工具调用；统一元数据平台负责提供数据资产、schema、字段含义、权限边界、血缘关系和治理上下文；查询引擎负责实际的数据访问与计算执行；指标语义层负责承载核心业务口径。通过这种分层架构，Agent 可以在受约束的元数据和权限边界内完成数据发现、SQL 生成、查询执行、结果解释和异常反馈。
在工程实践中，重点解决了几个关键问题：第一，如何让 Agent 获取准确的数据上下文，降低模型幻觉；第二，如何通过统一元数据和权限体系控制数据访问边界；第三，如何通过 MCP、Tool Calling 等机制把数据目录、查询引擎和指标层接入 Agent 工作流；第四，如何适配企业内网、私有化模型和金融客户的合规要求；第五，如何在 SQL 生成、执行反馈和结果校验环节建立兜底机制。
项目过程中的核心经验是，企业级 DataAgent 的难点不在于单纯接入一个大模型，而在于如何把模型能力放入已有的数据治理、权限管理和工程运维体系中，使其成为可控、可信、可审计的数据开发工具链。