专题演讲嘉宾：王璟尧

数据智能体从"能对话"到"能信赖"，瓶颈从模型推理能力已逐渐转到数据的可理解性和系统的可控性上。当分析场景从单一数仓的 ChatBI 扩展到多源异构数据的混合查询——Agent 面临的不再只是 NL2SQL 的准确性问题，而是"在大量的表、文件、内部知识中找到正确的那部分、用正确的口径、给出数据权限范围内可验证的答案"。

本次分享将基于 QuickBI AI Pro 的落地实践，围绕三个核心问题展开：第一，如何用 BI 语义层消除数据歧义，让 Agent 在海量异构资产中精准路由；第二，如何设计数据分析的 Harness 架构，让 Agent 在分析等行为上可编排、可溯源，并内嵌权限；第三，端到端评测闭环如何覆盖从意图理解到业务可解释性的全链路，驱动 Agent 持续进化而非漂移。

演讲提纲

1. 数据智能体落地的真实困境

• 几个典型失败模式
• 待解决的关键问题

2. 数据基础设施：语义层和数据质量

• 为什么自动化元数据检索不够
• 面向 BI 的语义设计和分层架构
• 指标、血缘和溯源
• 多源异构及非结构化数据的分析
• 数据治理：数据如何被 Agent 理解的更好

3. Quick BI 的数据智能体设计

• 数据分析 Harness 架构
• 多步推理编排和上下文窗口管理
• 数据权限与安全
• 知识与记忆
• 多源异构数据的融合分析

4. 端到端评测：数据智能体的进化引擎

• 数据分析评测为什么难
• 四层评测维度设计
• 评测体系和纠错飞轮

5. 用户实践和展望

• 用户实践案例
• 能力边界和未来发展展望

演讲痛点

• Demo 惊艳，生产翻车。在演示时数准确率 90%，一上生产就掉到 50% 以下。同一个"销售额"，销售部门和财务部门问出两个不同的数，业务方追问"到底哪个对"，答不上来。POC 拿到预算，规模化后被投诉——这是绝大多数 Data Agent 项目正经历的窘境
• Agent "越用越飘"。上周还答对的问题，这周突然错了。是模型漂了还是 Schema 变了？或是知识库里写脏了？没有评测体系时，团队只能靠"用户投诉→人工救火"来发现问题，永远在追着 bug 跑
• 结构化数据都还没搞定，非结构化数据又压过来。业务开始要求 Agent 分析 PDF 合同、销售录音、客户评论、Excel、CRM 数据。多源异构不是简单叠加，是把每类失败模式都放大一个数量级
• 从" Agent 说了什么"到"业务敢用"，中间隔着一道天堑。老板问"这个数怎么来的"，Agent 答不出，业务方问"我能信这个结论吗"也给不出置信度。数据权限在 Agent 环节形同虚设——不该看的数据混进了推理链

听众收益

• 基于 BI 的语义层的构建、数据治理的落地顺序
• 数据智能体的 Harness 架构设计要点和工程落地
• 多源异构数据在推理分析中协同的编排模式
• DataAgent 评测体系、构建方法及纠错飞轮
• 一份真实的踩坑清单、边界、案例启发和实践经验