专场出品人：张蕤
快手 数据平台产品技术中心负责人
快手数据平台产品技术中心负责人，用于十余年大数据平台与产品技术建设经验。长期从事大数据生产、分析、治理和资产服务平台建设，当前重点推动快手 Data Agent 的产品建设与规模化应用。
DataAgent与决策支持
本专场聚焦数据驱动的 Agent 如何从洞察走向决策，探讨企业如何把分散的数据能力组织成能够理解问题、规划分析、调用工具并输出决策建议的 Data Agent。覆盖从数据接入、语义理解、分析推理到决策输出的端到端架构，以及知识、工具与业务流程的协同方式。
在关键技术层面，将关注 GraphRAG、混合检索与重排序等 RAG 进阶实践，流式数据处理、时序预测与异常检测等实时分析能力，以及文本、表格、图表和视频等多模态数据的统一理解。结合自动化报告、推荐与执行闭环，分享 Data Agent 在数据分析、商业智能、风险预警和多源数据融合等场景中的应用，进一步讨论结果可信、可解释与可控，以及如何让分析真正进入业务决策链路。
文小东
分析Agent从Demo到生产：Data Agent规模化落地的架构挑战与工程实践
京东零售 Agent应用架构师
通信工程本科，十年数据系统与服务端研发经验。长期深耕OLAP、实时数仓与BI数据建模，构建了从数据接入、语义建模、指标治理到可视化分析的全链路数据体系。现作为Data Agent架构师，聚焦自然语言取数、分析Agent与分析工作台（类Hex），致力于推动LLM与数据语义层、指标中台、查询引擎及权限体系的深度融合。核心攻克意图理解、工具调用、任务规划、查询准确性与性能稳定性等工程难题，探索Agentic Analytics的落地范式，让自然语言成为数据消费的新入口，推动BI从被动可视化向自主式数据智能演进。此次参加智能体应用与架构工程大会，期待与同行共探数据智能体的架构演进与工程化未来。
议题背景：
Data Agent的Demo很容易跑通，但从Demo到生产，横亘着语义准确性、执行可靠性、权限安全、分析深度和规模化运营等工程挑战。很多项目“能演示、难上线，能单点、难推广”，核心原因是只关注模型能力，忽视了语义层、编排层、治理层和可观测体系。本次分享结合十年数据系统、OLAP、BI数据建模与Data Agent架构经验，围绕自然语言取数、分析Agent和分析工作台，拆解从原型到规模化生产的架构演进路径，重点讨论Workflow与Agentic融合、多Agent协作、语义层与指标中台协同、可靠性工程、分析深度增强、可观测性与数据飞轮，并分享真实落地中的架构决策、典型踩坑与度量体系。
内容大纲：
1. Data Agent的“死亡谷”与生产化挑战
Data Agent的Demo很容易跑通，但从Demo到生产，横亘着语义准确性、执行可靠性、权限安全、分析深度和规模化运营等工程挑战。很多项目“能演示、难上线，能单点、难推广”，核心原因是只关注模型能力，忽视了语义层、编排层、治理层和可观测体系。本次分享结合十年数据系统、OLAP、BI数据建模与Data Agent架构经验，围绕自然语言取数、分析Agent和分析工作台，拆解从原型到规模化生产的架构演进路径，重点讨论Workflow与Agentic融合、多Agent协作、语义层与指标中台协同、可靠性工程、分析深度增强、可观测性与数据飞轮，并分享真实落地中的架构决策、典型踩坑与度量体系。
内容大纲：
1. Data Agent的“死亡谷”与生产化挑战
1.1 Demo到生产的断层
1.1.1 Demo关注“能否回答”，生产关注“能否稳定、准确、安全、可运营地回答”
1.1.2 典型失败模式：语义歧义、口径漂移、权限越界、性能不可控、用户不信任
1.1.2 典型失败模式：语义歧义、口径漂移、权限越界、性能不可控、用户不信任
1.2 生产环境五重要求
1.2.1 准确、可靠、安全、可解释、可运营
1.2.2 不同阶段的架构选择：原型期、试点期、推广期、规模化期
1.2.1 准确、可靠、安全、可解释、可运营
1.2.2 不同阶段的架构选择：原型期、试点期、推广期、规模化期
2. 生产级Data Agent总体架构
2.1 分层架构与Workflow+Agentic融合
2.1.1 交互层、Agent编排层、语义与指标层、查询执行层、治理与可观测层
2.1.2 确定性流程保障底线，Agent推理应对复杂性与长尾场景
2.1.2 确定性流程保障底线，Agent推理应对复杂性与长尾场景
2.2 多Agent协作与语义层协同
2.2.1 Supervisor + 专业子Agent：取数、分析、可视化、报告、校验
2.2.2 语义中间表示：将自然语言意图与物理SQL解耦
2.2.3 指标中台作为Agent的确定性工具，保障口径统一与权限继承
2.2.2 语义中间表示：将自然语言意图与物理SQL解耦
2.2.3 指标中台作为Agent的确定性工具，保障口径统一与权限继承
3. 可靠性工程与安全权限
3.1 查询准确性与执行可靠性
3.1.1 语义层约束 + 多层校验 + NL2DSL/NL2SQL混合生成
3.1.2 超时、重试、熔断、降级、断点恢复与幂等性设计
3.1.2 超时、重试、熔断、降级、断点恢复与幂等性设计
3.2 安全权限与人在回路
3.2.1 行级、列级、指标级权限控制与数据脱敏审计
3.2.2 澄清提问、执行确认、结果复核，构建可干预的信任路径
3.2.2 澄清提问、执行确认、结果复核，构建可干预的信任路径
4. 分析深度增强与工作台实践
4.1 从单轮取数到多步分析
4.1.1 意图拆解、任务规划、工具调用、中间结果复用
4.1.2 根因定位、趋势预测、What-if测算、报告生成
4.1.2 根因定位、趋势预测、What-if测算、报告生成
4.2 分析工作台与知识注入
4.2.1 专业分析师的探索式分析：问答、图表、SQL、笔记联动
4.2.2 业务语义、领域规则、历史优秀Case与场景化Prompt/Skill
4.2.2 业务语义、领域规则、历史优秀Case与场景化Prompt/Skill
5. 可观测性、评测与运营体系
5.1 可观测性与质量度量
5.1.1 全链路追踪：意图、规划、工具调用、SQL、结果
5.1.2 取数准确率、任务完成率、用户采纳率、分析深度指标
5.1.2 取数准确率、任务完成率、用户采纳率、分析深度指标
5.2 评测驱动迭代与数据飞轮
5.2.1 离线评测集 + 线上Case回流 + Agent-as-a-Judge
5.2.2 评测、修复、上线、再评测的闭环，从“能用”到“爱用”
5.2.2 评测、修复、上线、再评测的闭环，从“能用”到“爱用”
6. 规模化落地实践与未来展望
6.1 规模化推广与常见踩坑
6.1.1 试点选择：高频、高价值、口径清晰
6.1.2 常见坑：语义歧义、口径漂移、性能瓶颈、权限失控、用户不信任
6.1.2 常见坑：语义歧义、口径漂移、性能瓶颈、权限失控、用户不信任
6.2 未来：主动式数据智能体与Agent Mesh
6.2.1 从“人问Agent”到“Agent找人”
6.2.2 语义层、指标中台、权限体系作为Agent底座，多Agent协同与标准化协议
6.2.2 语义层、指标中台、权限体系作为Agent底座，多Agent协同与标准化协议
听众收益：
1. 理解Data Agent从Demo到生产的关键断层、架构挑战与系统化解决框架。
2. 掌握语义层驱动、Workflow与Agentic融合、多Agent协作、可靠性工程等生产级架构方法。
3. 获取自然语言取数、分析Agent、分析工作台场景下的落地经验与典型踩坑。
4. 了解可观测性、质量度量、评测闭环与数据飞轮的建设路径，获得可复用的架构决策与ROI评估思路。
于秋
快手 Data Agent 规模化应用：从取数工具到决策伙伴的工程实践
快手 数据平台 分析平台研发负责人
快手 数据平台部 · 分析平台研发中心
负责快手 Data Agent 分析方向的产品与技术建设，覆盖自然语言取数、智能分析诊断、实验分析等核心场景，参与从百人试点走向 覆盖万人的规模化应用。
目前聚焦大数据分析平台与智能数据产品建设，重点探索如何将数据、知识与专家经验转化为可信、可复用的智能分析能力，推动数据能力从专业工具走向组织生产力。
负责快手 Data Agent 分析方向的产品与技术建设，覆盖自然语言取数、智能分析诊断、实验分析等核心场景，参与从百人试点走向 覆盖万人的规模化应用。
目前聚焦大数据分析平台与智能数据产品建设，重点探索如何将数据、知识与专家经验转化为可信、可复用的智能分析能力，推动数据能力从专业工具走向组织生产力。
议题背景：
当业务人员问出“为什么昨天核心指标下降”时，一个 Data Agent 可能很快查出指标下降了 8%，却未必能进一步回答：
●使用的指标口径是否正确？
●变化由流量、供给还是转化导致？
●不同原因之间如何排序和验证？
●接下来应该采取什么行动？
这正是 Data Agent 从“能取数”走向“能分析、可信赖、可决策”的核心挑战。
随着通用 Agent 架构逐渐成熟，Data Agent 规模化应用的瓶颈从模型能力转移到数据领域更深层的工程问题：质量可信度、知识确定性与经验复用度。
本次分享将结合快手 Data Agent 从百人试点走向 万人规模的实践，围绕上述三个问题展开：
1.如何让 Data Agent 答对复杂的数据问题？
2.如何让一次正确沉淀为持续正确？
3.如何把单点能力复制为组织级生产力？
当业务人员问出“为什么昨天核心指标下降”时，一个 Data Agent 可能很快查出指标下降了 8%，却未必能进一步回答：
●使用的指标口径是否正确？
●变化由流量、供给还是转化导致？
●不同原因之间如何排序和验证？
●接下来应该采取什么行动？
这正是 Data Agent 从“能取数”走向“能分析、可信赖、可决策”的核心挑战。
随着通用 Agent 架构逐渐成熟，Data Agent 规模化应用的瓶颈从模型能力转移到数据领域更深层的工程问题：质量可信度、知识确定性与经验复用度。
本次分享将结合快手 Data Agent 从百人试点走向 万人规模的实践，围绕上述三个问题展开：
1.如何让 Data Agent 答对复杂的数据问题？
2.如何让一次正确沉淀为持续正确？
3.如何把单点能力复制为组织级生产力？
内容大纲：
1. Data Agent 整体架构与规模化挑战
1.1 整体架构全景
介绍 Data Agent 分层架构以及各层之间的协作关系。
1.2 应用演进路径
从取数工具，到洞察助手、诊断专家，再到决策伙伴，展示每个阶段的能力表现、应用示例
1.3 规模化的本质挑战
随着上述应用深度不断提升，核心瓶颈逐步迁移到：知识确定性、质量可信度、经验复用度
介绍 Data Agent 分层架构以及各层之间的协作关系。
1.2 应用演进路径
从取数工具，到洞察助手、诊断专家，再到决策伙伴，展示每个阶段的能力表现、应用示例
1.3 规模化的本质挑战
随着上述应用深度不断提升，核心瓶颈逐步迁移到：知识确定性、质量可信度、经验复用度
2. 从一句话到一个答案：深度分析的链路工程
2.1 意图理解与歧义对抗
如何结合用户语境、数据资产和业务知识进行歧义识别与澄清，减少“答非所问”的情况。
2.2 查询生成与路径选择
重点讨论多种查询能力如何协同，而不是依赖单一技术路线解决所有问题。
2.3 深度分析的任务工程
从单次查询走向多步骤分析任务，如何形成端到端闭环交付结果。
2.4 精度度量与质量评估
重点讨论如何让评测体系真正反映用户体验，而不只是评价单个答案
如何结合用户语境、数据资产和业务知识进行歧义识别与澄清，减少“答非所问”的情况。
2.2 查询生成与路径选择
重点讨论多种查询能力如何协同，而不是依赖单一技术路线解决所有问题。
2.3 深度分析的任务工程
从单次查询走向多步骤分析任务，如何形成端到端闭环交付结果。
2.4 精度度量与质量评估
重点讨论如何让评测体系真正反映用户体验，而不只是评价单个答案
3. 从一次正确到越用越准：知识资产的进化工程
3.1 知识的生产与组织
介绍同一知识对象在不同层次中的表达方式，知识自动构建与持续更新的实践。
3.2 知识的服务方式
介绍搜多种方式相结合的知识消费方式：
3.3 持续进化
介绍由记忆、质量洞察、持续观测等组成的自进化体系，从而使得系统从“一次正确”逐步走向“越用越准”。
介绍同一知识对象在不同层次中的表达方式，知识自动构建与持续更新的实践。
3.2 知识的服务方式
介绍搜多种方式相结合的知识消费方式：
3.3 持续进化
介绍由记忆、质量洞察、持续观测等组成的自进化体系，从而使得系统从“一次正确”逐步走向“越用越准”。
4. 从个人经验到组织能力：组织生态的共享工程
4.1 知识的组织化
介绍多领域 Agent 协作机制，保证多 Agent 如何合理分工、共享上下文并保持一致的用户体验。
4.2 经验的资产化
介绍分层的 Skill 体系与共享机制，以及平台通用能力和业务专家经验如何组合。
4.3 能力的共享化
介绍个人能力、团队空间与组织公共资产之间的流动机制
4.4 数据角色的演进
探讨 Agent 能力逐步成熟后，数据从业者的角色变化
介绍多领域 Agent 协作机制，保证多 Agent 如何合理分工、共享上下文并保持一致的用户体验。
4.2 经验的资产化
介绍分层的 Skill 体系与共享机制，以及平台通用能力和业务专家经验如何组合。
4.3 能力的共享化
介绍个人能力、团队空间与组织公共资产之间的流动机制
4.4 数据角色的演进
探讨 Agent 能力逐步成熟后，数据从业者的角色变化
5. 未来：深入业务，走向决策性数据分析
面对核心业务指标发生变化，Data Agent 如何能做到给出关键建议，而不单单是分析过去。
听众收益：
1.了解 Data Agent 从取数工具到决策伙伴的演进路径，以及规模化应用面临的核心挑战。
2.掌握深度分析链路的关键技术，包括意图理解、查询路径选择、任务规划与质量评估。
3.获得知识资产建设与持续进化的方法，包括知识分层、知识服务和质量闭环。
4.了解多 Agent 协作、Skill 资产化和组织共享的实践路径。
5.建立对决策性数据分析的具体认识，理解 Data Agent 如何从回答问题进一步走向辅助决策
1.了解 Data Agent 从取数工具到决策伙伴的演进路径，以及规模化应用面临的核心挑战。
2.掌握深度分析链路的关键技术，包括意图理解、查询路径选择、任务规划与质量评估。
3.获得知识资产建设与持续进化的方法，包括知识分层、知识服务和质量闭环。
4.了解多 Agent 协作、Skill 资产化和组织共享的实践路径。
5.建立对决策性数据分析的具体认识，理解 Data Agent 如何从回答问题进一步走向辅助决策
谢苑珍
让数据 Agent 真正支撑决策：
腾讯生产级全链路数据 Agent 的架构与落地实践
腾讯 PCG大数据平台部 高级应用研究员
本硕毕业于中山大学，发表期刊会议（ACL, ICDM, KBS, WSDM, CIKM等）论文 11 篇。近年来专注于大模型在数据分析领域的前沿探索与落地，主导domery agent系统从0-1的落地，对 LLM Agent领域有深入研究。
议题背景：
数据 Agent 落地常卡在口径不懂、SQL 易错、上下文爆炸、链路断点。本演讲基于腾讯两年生产实践，分享从 Workflow 到 Agentic 的演进，及覆盖“业务目标→设计采集→语义治理→分析解释→洞察反馈”的全链路架构：数据语义层、分层委托、上下文工程、记忆与自进化、MCP/Skill 生态，并以评测驱动开发度量效果。让 Agent 从“会取数”走向“可信的决策支持”，分析任务从数天缩至分钟级，提速10倍+。
内容大纲：
1. 破局之道：从"问数"到"决策支持"的断点与思路
内容大纲：
1. 破局之道：从"问数"到"决策支持"的断点与思路
1.1 行业现状：多数 Data Agent 只覆盖"分析解释"一环，上游采集、口径、验证仍靠人工，上下文在环节交接处断裂
1.2 范式跃迁：ChatBI → Data Agent → 数字员工，能力形态与链路覆盖双维升级
1.3 落地挑战："八面围城"——知识碎片化、工作流桎梏、上下文困境、记忆缺失、单模型局限、工具调用不可靠、流程难复用、经验不沉淀
1.4 全景蓝图：好 Agent = 好模型 × 好架构 × 好知识，八层架构与五段链路的对应关系
1.2 范式跃迁：ChatBI → Data Agent → 数字员工，能力形态与链路覆盖双维升级
1.3 落地挑战："八面围城"——知识碎片化、工作流桎梏、上下文困境、记忆缺失、单模型局限、工具调用不可靠、流程难复用、经验不沉淀
1.4 全景蓝图：好 Agent = 好模型 × 好架构 × 好知识，八层架构与五段链路的对应关系
2. 匠心独运：生产级全链路数据 Agent 核心架构
2.1 数据语义层：三层语义来源（上游埋点天然口径 / 对话智能优化 / 规则库与分析模板），以 OKF 文件形态让人与 Agent 同源可读
2.2 Agent 架构：快慢双引擎（Dialog + Planning），Mentor / Operator / Tool Agent 分层委托
2.3 上下文工程：从 Prompt Engineering 到 Context Engineering，四级压缩与层次披露，"可重新获取才可清除"的压缩红线
2.4 记忆系统：工作 / 短期 / 会话 / 持久四级记忆，让 Agent 跨会话"接着上次说"
2.5 LLM 调度与工具生态：三档模型组合与高可用降级；MCP 即插即用，Skill 沉淀分析方法论，工具调用容错
2.6 自进化层：用 Agent 复盘 Agent，让知识越用越准；三道安全闸门防止自动生成内容污染线上
2.2 Agent 架构：快慢双引擎（Dialog + Planning），Mentor / Operator / Tool Agent 分层委托
2.3 上下文工程：从 Prompt Engineering 到 Context Engineering，四级压缩与层次披露，"可重新获取才可清除"的压缩红线
2.4 记忆系统：工作 / 短期 / 会话 / 持久四级记忆，让 Agent 跨会话"接着上次说"
2.5 LLM 调度与工具生态：三档模型组合与高可用降级；MCP 即插即用，Skill 沉淀分析方法论，工具调用容错
2.6 自进化层：用 Agent 复盘 Agent，让知识越用越准；三道安全闸门防止自动生成内容污染线上
3. 知行合一：决策可信的前提——评估与质量保障
3.1 像考核新人一样考核数字员工：端到端任务完成率、交付质量、人工干预率三维指标
3.2 六步自动化评测流水线：黄金用例自动回归 + 人工抽检补 Edge Case，评测作为发布门禁
3.3 评测驱动开发（EDD）：归因四分法（模型 / 知识 / 工具 / 提示词），让每次优化都打在点上
3.2 六步自动化评测流水线：黄金用例自动回归 + 人工抽检补 Edge Case，评测作为发布门禁
3.3 评测驱动开发（EDD）：归因四分法（模型 / 知识 / 工具 / 提示词），让每次优化都打在点上
4. 大显身手：从埋点到周报自动跑的端到端实战
4.1 上游篇：AI 埋点设计与"一次对话完成采集接入"，让业务语义从源头入库
4.2 下游篇：智能问数、深度分析（多步规划与 PlanRefine 原地纠偏）、对话内可视化看板、周报汇总
4.3 运营篇：例行化定时任务；AI 画图、Skill、自定义 MCP 扩展长尾需求
4.4 人机协作边界：绿区全自动 / 黄区人工确认 / 红区人工主导，配合权限沙盒与审批节点
4.5 成效与踩坑：多业务线规模化落地数据；"压缩后分析结论失忆"的复盘与修复
4.2 下游篇：智能问数、深度分析（多步规划与 PlanRefine 原地纠偏）、对话内可视化看板、周报汇总
4.3 运营篇：例行化定时任务；AI 画图、Skill、自定义 MCP 扩展长尾需求
4.4 人机协作边界：绿区全自动 / 黄区人工确认 / 红区人工主导，配合权限沙盒与审批节点
4.5 成效与踩坑：多业务线规模化落地数据；"压缩后分析结论失忆"的复盘与修复
5. 行稳致远：总结与展望
5.1 四条可迁移的认知：乘数效应、工程重心转向上下文工程、全链路才有可信上下文、EDD 是质量保障的唯一可靠路径
5.2 Q&A
5.2 Q&A
听众受益：
1. 架构参考：获得一套经过腾讯内部规模化验证的数据 Agent 全链路架构（语义层、上下文、记忆、调度、工具、自进化），可对照自查企业自身 Data Agent 的短板
2. 决策可信：理解如何让 Agent 的结论"可信、可追溯、可复用"，而不只是"能出图、能写 SQL"
3. 工程方法：掌握上下文工程的落地方法，包括四级压缩、层次披露与压缩红线，有效应对长会话遗忘与 Token 成本问题
4. 质量保障：学会用评测驱动开发（EDD）度量 Agent 效果，建立"黄金用例 + 归因四分法"的持续优化闭环
5. 避坑经验：了解两年落地中"八面围城"的真实踩坑与修复路径，少走弯路
1. 架构参考：获得一套经过腾讯内部规模化验证的数据 Agent 全链路架构（语义层、上下文、记忆、调度、工具、自进化），可对照自查企业自身 Data Agent 的短板
2. 决策可信：理解如何让 Agent 的结论"可信、可追溯、可复用"，而不只是"能出图、能写 SQL"
3. 工程方法：掌握上下文工程的落地方法，包括四级压缩、层次披露与压缩红线，有效应对长会话遗忘与 Token 成本问题
4. 质量保障：学会用评测驱动开发（EDD）度量 Agent 效果，建立"黄金用例 + 归因四分法"的持续优化闭环
5. 避坑经验：了解两年落地中"八面围城"的真实踩坑与修复路径，少走弯路
Agentic AICon 组委会是由业界多位资深技术专家发起，负责组织技术指导委员会，并和委员会的专家一起挖掘全球软件工程领域的创新技术，同时依托智盟创课国内领先的人才能力提升服务供应商，组织专业的会务服务团队，全面推进会议的顺利落地，保证参会者体验。
服务总线：400-183-9980
商务合作：151-2264-3988 木子
票务联系：185-1306-7287 静秋老师
E-mail：speaker@qecon.com.cn
关注SECon公众号
添加SECon小助手，获取
会议最新资讯
