《數勢科技&愛分析：2025智能分析Agent白皮書-智能分析Agent如何驅動企業科學決策（58頁）.pdf》由會員分享，可在線閱讀，更多相關《數勢科技&愛分析：2025智能分析Agent白皮書-智能分析Agent如何驅動企業科學決策（58頁）.pdf（58頁珍藏版）》請在三個皮匠報告上搜索。

1、智能分析 Agent 如何驅動企業科學決策在大模型開啟新一輪 AI 浪潮席卷全球之際，企業正面臨著前所未有的挑戰與機遇。據國際數據公司（IDC）預測，全球每年產生的數據量將從 2018 年的 33ZB 激增至 2025 年的 175ZB。在如此龐大的數據洪流中，傳統決策方式的效率低下、難以捕捉關鍵信息等問題愈發凸顯，成為企業前行的枷鎖。在數字化轉型進程中，企業始終面臨結構化數據分析深度不足、非結構化知識利用率低的核心痛點。近年來，大模型技術的突破性發展，特別是以 DeepSeek 為代表的低成本高性能智能體系的出現，為普惠化智能應用目標提供了技術實現路徑。這促使企業端聚焦兩大關鍵領域：結構化數

2、據的智能分析（Intelligent Analysis）與非結構化數據的知識問答（Knowledge QA）?！按竽Ｐ褪菓脠鼍暗南孪?，Agent 是應用場景的上限?！眴渭円蕾嚧竽Ｐ偷幕A能力難以構建場景化落地應用，其本質仍屬于感知層 AI（Perceptive AI）的范疇。而 Agentic AI 的突破性在于構建了感知-推理-規劃-執行-進化的完整閉環，Agentic AI 基本上意味著 AI 有了自己的“代理”，能自己干活了。它除了能感知周圍的環境，理解發生了什么。它還能推理，更厲害的是，它能琢磨怎么回答問題，怎么解決問題。它能規劃行動，并付諸實踐。它還能用各種工具。除了外部的工具，比

3、如上網，看視頻，查信息，它還能連接企業內部的工具?；趫绦蟹答?，它還能自主進化，越用越聰明?；诖?，數勢科技提出MAGIC框架，涵蓋AI Agent五大關鍵能力，具體如下：多模態環境感知感知（MMultimodal Environmental Perception）：通過語義理解、模式識別等技術解析內外部數據環境；動態復雜推理推理（A Adaptive Complex Reasoning）：基于目標導向的推理鏈（Chain-of-Thought）構建；面向目標的行動規劃規劃（G Goal-Oriented Planning）：支持多步驟任務分解與優先級決策樹生成；在本書的編寫過程中，我們得到了

4、眾多行業專家、學者和企業界人士的支持和貢獻。在此，我們對他們表示衷心的感謝。同時，我們也期待本白皮書能夠為讀者提供有價值的見解本白皮書旨在重點剖析 Agentic Analysis(智能分析 Agent)的概念、分類及其主要技術路線。我們將通過實際案例，展示智能分析 Agent 的實際應用價值，以及 DeepSeek 如何對智能分析 Agent 能力的全方位賦能。同時，我們發現，采用 Agentic AI 體系的企業在數據分析效率提升的同時，也會降低決策失誤率。這標志著企業智能化正從數據可視化向Agentic Analysis(智能分析 Agent)，將徹底改變企業的分析和決策模式，通過規劃和

5、工具的調用，極大地拓展數據分析的深度與廣度，助力企業以更精準、更高效的方式洞察市綜上所述，Agentic AI 的核心在于“連接”和“分發”，即它可以連接物理世界的真實指令和工具，并通過強大的規劃和推理能力，一步一步的去完成任務。因此不管是智能分析還是知識問答，都在向 Agentic analysis 和 Agentic RAG 演進。場動態和內部經營情況，開啟數字時代的企業經營決策新范式。決策自動化階段跨越，開創數字時代經營范式的新紀元。和啟發，共同推動智能分析 Agent 技術的發展和應用。Intelligent Tool Orchestration API ERP/CRMContinuo

6、us Learning&Iteration 1 AI AgentMAGIC第 1 章 全面認識智能分析 Agent本章將從智能分析 Agent 的概念、分類到其在 AI 領域的戰略地位，全方位勾勒出一幅清晰的智能分析 Agent 生態圖景。正文將詳細梳理 AI Agent 的多種類型，包括創意型Agent、員工型 Agent、代碼型 Agent、安全型 Agent、客戶型 Agent 以及智能分析 Agent，為讀者呈現一個層次分明、邏輯嚴謹的 Agent 生態全景。在此基礎上，本章將重點聚焦于智能分析 Agent 的定義與分類，深入探討其在數據清洗、數據語義構建、數據分析等關鍵環節的核心作用

7、，并通過全球智能分析 Agent 圖譜，揭示行業內的主要玩家及其產品形態，為讀者提供一份極具價值的行業指南。1.1 大模型與 AI Agent：決策智能的進化論AIAgent 的發展歷程是一部充滿傳奇色彩的科技進化史。圖 2 AI Agent 的發展歷程一、Agent 技術萌芽期（1950s-1990s）：規則驅動的初級形態1956 年達特茅斯會議確立人工智能研究方向后，早期 Agent 概念以符號主義為核心展開探索。1966 年斯坦福研究院 Shakey 機器人通過規則庫實現路徑規劃，成為首個可自主行動的物理 Agent；1970 年代 MYCIN 醫療診斷系統則展示了基于知識庫的決策能力。

8、此階段 Agent 受限于預設規則與封閉環境，尚未具備動態學習能力，如 1997 年 IBM 深藍計算機雖能通過窮舉 2 億棋局/秒的算力擊敗人類棋手，但仍屬于規則驅動的專用型智能體。二、Agent 實用化演進（1990s-2010s）：算法突破與場景落地隨著強化學習(1990s Q-learning)與多 Agent 系統(MAS)理論成熟，Agent 開始突破單一任務限制。二十一世紀初，互聯網爬蟲與推薦系統成為首批大規模應用的“弱智能Agent”，2016 年 AlphaGo2 通過深度學習與自我博弈實現策略優化，標志著 Agent 從規則執行向數據驅動的跨越。同期波士頓動力機器人完成感知

9、-決策-執行閉環，為具身智能奠定基礎。三、大模型驅動期（2020s-2023）：認知能力躍升2022 年 ChatGPT 的發布推動 Agent 進入思維鏈推理時代。大語言模型賦予 Agent語義理解、邏輯生成等核心能力，使傳統RPA工具升級為可調用API的智能體（如AutoGPT）。2023 年 OpenAI 明確提出“以 Agent 作為大模型落地形態”，其定義的智能體具備自主規劃、工具調用與動態反思能力，例如 GPT-4 驅動的 Copilot 可完成代碼生成、數據分析等復雜任務。四、Agentic AI 爆發期（2024-2025）：通用化與產業化2024 年 Sora 多模態模型推動

10、 Agent 突破文本交互局限，而 2025 年 DeepSeek-R1通過開源實現低成本高性能推理，使企業級 Agent 快速滲透至 50%央企系統。典型案例如阿里國際站 Accio 搜索引擎接入大模型后，30 秒生成商業計劃書；微軟 Dynamics 365 集成 Agent 實現供應鏈自主優化。此時 Agent 已形成“感知-推理-執行”完整架構，并向具身智能（如 Meta Habitat 平臺）與社會性協作（多 Agent 博弈）方向延伸。1.2 AI Agent 家族矩陣在當今數字化商業時代，企業正積極探索 AI Agent 的應用，以提升效率、降低成本并創新業務模式。不同類型的 A

11、I Agent 在各領域發揮獨特作用，形成了一個豐富多樣的 AIAgent 生態系統。根據功能，AI Agent 可分為多種類型，涵蓋創意、員工、代碼、安全、平臺、客戶服務及智能分析等領域。創意型 Agent：虛實融合的創作革圖 3 AI Agent 家族矩陣命創意型 Agent 為創意產業帶來了全新的創作方式和靈感源泉。例如，基于多模態生成框架（如 DALLE 的 CLIP-VQGAN 架構），通過擴散模型實現文本-圖像跨模態對齊，支持風格遷移與語義控制。AIVA 采用音樂語法解析樹算法，實現 MIDI 序列的強化學習生成。創意型 Agent 單次創作耗時從人工數周縮短至分鐘級，并突破傳統創

12、意邊界。然而生成作品的著作權界定存在法律真空，美學價值趨同化導致創意同質。員工型 Agent：組織效能的數字躍遷員工型 Agent 在企業日常運營中扮演重要角色，能夠模擬員工行為并執行各種任務。例如，采用記憶-規劃-工具調用三環架構，集成企業知識圖譜（如泛微 Xiaoe.AI 的 HR模塊支持 200+人事流程自動化）。員工型 Agent 不僅優化了運營成本（央企部署案例 2025年 2 月統計數據顯示人力成本降低 43%），并重構了工作流程（微盟數字員工實現營銷活動策劃-執行-監測全鏈路自動化）。然而，在落地過程中，它也面臨著組織慣性阻力，例如傳統崗位轉型的陣痛期，而且由于大模型的“黑盒現象

13、”，導致決策透明度缺失，例如黑箱式操作影響審計追蹤等。代碼型 Agent：軟件工程的范式重構代碼型 Agent 是程序員的得力助手，能夠自動化完成編程任務?；谡Z法樹解析的自我修復機制（GitHub Copilot X 采用 AST 動態糾錯），結合 RAG 技術實現代碼知識增強，據 GitHub 社區開發者調研，使用 GitHub Copilot 后，編程效率平均提升了 55%。此外，可以構建企業級代碼資產庫）。然而，自動生成代碼的 SQL 注入風險提升 22 倍（OWASP2025 年度報告），以及會導致技術債務累積（Gartner 預測 2026 年技術債修復支出將達370 億美元）。安

14、全型 Agent：攻防博弈的智能升級安全型 Agent 是企業網絡安全的守護者，實時監控企業網絡的安全狀況。構建預測-防御-溯源三位一體架構，集成圖神經網絡異常檢測（如 DeepSeek-R1 的 0day 攻擊識別準確率達 99.3%）。安全型 Agent 會突破傳統的響應時效，例如，IBM 安全實驗室測試顯示，APT 攻擊發現時間從 78 天縮短至 9 分鐘（IBM 安全實驗室測試數據）；還能拓展防御維度，實現物理-網絡-數據三域聯防（微軟 Operator 支持 2000+API 端點實時監控）。然而，在對抗樣本攻擊上，黑盒模型逃逸成功率高達 31%（MITRE ATT&CK 最新評估）

15、，同時也會面臨著隱私保護與威脅監控的平衡難題（GDPR 框架下數據采集合規率僅 68%）客戶服務 Agent：體驗經濟的智能觸點客戶服務 Agent 在電商和移動應用領域得到廣泛應用，為用戶提供便捷、高效的服務體驗。例如智譜 AutoGLM 采用情感計算引擎，將情緒識別準確率提升至 92%，同時結合意圖澄清機制降低誤判率?？蛻舴?Agent 可以提升服務覆蓋率，達到 724 小時響應，還能通過繪畫引導訂單轉化，閉環商業價值，例如亞馬遜 Lex 智能客服 A/B 測試結果顯示其會話轉化率提升 23%；然而，Agent 的本質還是人機交互，會缺失與人之間的共情能力，緊急客訴場景的處置失誤率仍達

16、18%；此外，話術失控也會引發輿論危機，例如，某電商平臺因 Agent 不當回復導致股價下跌 5.2%。智能分析 Agent：決策科學的認知革命智能分析 Agent 專注于數據處理和分析，是企業從海量數據中挖掘價值的關鍵工具。構建動態 OLAP 引擎，集成因果推理模型，突破相關性局限。Tableau Pulse、Power BICopilot、SwiftAgent 等國內外知名的數據分析平臺，提供了豐富的數據可視化和高階洞察功能。企業可通過這些平臺快速導入和整合各類數據，運用分析模型和算法進行深入分析，將復雜數據轉化為直觀易懂的圖表和報告，為決策提供有力支持。智能分析 Agent，可以借助推理

17、能力的增強和工具的擴展，突破洞察深度，同時也標志著企業決策范式的轉型從數據可視化邁向行動建議。然而，在實際落地中，會面臨著兩大挑戰：首先是模型先驗知識與業務實際的沖突率較高，需要通過 RAG 接入業務實際的知識做后驗的矯正，其次是對企業的數據質量依賴程度比較高，絕大部分的分析誤差源于臟數據輸入。關鍵洞察：洞悉 AI Agent 家族矩陣，精準布局，企業方能在數字化浪潮中持續汲取市場競爭力。1.3 智能分析 Agent：從工具到生態的范式躍遷在近十年的中國企業數字化轉型進程中，BI（商業智能）系統通過數據可視化、多源數據整合及標準化報表生成，為企業提供了基礎決策支持。然而，隨著數據規模與業務復雜

18、度的指數級增長，傳統 BI 系統的局限性逐漸顯現：首先是價值挖掘淺層化，多數 BI 系統停留于“數據看板”功能，成為應對上級視察或外部考察的“面子工程”，未能深度融入業務決策閉環；其次是用戶體驗復雜化，為適配多角色、多場景需求，系統交互設計高度復雜，導致用戶學習成本陡增，難以實現數據價值的“最后一公里”觸達；最后是分析模式被動化：用戶需依賴預設模型進行拖拉拽配置，缺乏主動觸發深度洞察的能力，分析效率與靈活性受限。這一現狀折射出企業核心痛點：如何在保障數據準確性的同時，實現從“被動響應”到“主動洞察”的躍遷？隨著大語言模型（LLM）的崛起，為智能分析注入了新動能。然而在早期實踐中，部分企業將 L

19、LM 定位為“自然語言交互層”，通過對話式查詢簡化用戶操作，例如生成 SQL語句或可視化圖表等。這一階段仍然存在顯著局限：例如功能表層化，LLM 僅作為交互界面優化工具，未深入重構分析邏輯，用戶仍需手動觸發分析路徑，未能突破“被動式操作”范式；數據價值的釋放也有限，模型潛力受限于任務顆粒度，缺乏對業務語義的深度理解，難以實現跨場景的智能推理與預測性洞察?，F在，這一情況或將迎刃而解，LLM Agent 架構的成熟，標志著企業智能分析邁入新階段。其核心在于構建具備自主感知、決策與執行能力的智能體（Agent），可以在企業數據分析場景實現三大突破：一是主動式洞察觸發，通過動態目標分解與任務規劃，智能

20、體可自主識別業務異常、預測趨勢，并主動推送洞察建議。例如，在供應鏈場景中，Agent 可實時監測庫存波動，自動觸發根因分析并生成優化方案。二是深度語義理解與推理，結合領域知識庫與多模態數據，智能體實現業務上下文精準解析。以零售行業為例，Agent 可基于銷售數據、輿情信息與天氣變量，構建動態定價模型，超越傳統 BI 的靜態規則限制；三是自動化決策閉環：從“分析-洞察-行動”全鏈路自動化，智能體可直接調用 API 執行操作（如調整營銷策略、優化排產計劃），形成決策閉環。圖 4 智能分析 Agent 與傳統 BI/ChatBI 的核心差異智能分析 Agent 主要體現在集成化能力上，具體表現為：1

21、.多模塊協作，通過意圖識別、任務規劃、代碼生成（如 SQL/Python），語義建模等ChatBI 主要依賴自然語言處理（NLP）和 NL2SQL 技術，通過大模型將用戶語言直接轉換為 SQL 查詢，其局限在于：準確率低，跨表查詢或復雜關聯查詢時，準確率可能低于60%；語義理解單一，難以處理口語化指令和業務領域知識缺失的問題，易出現“幻覺”錯誤，例如表和表之間的數據模型和一個企業的業務特性相關，單純靠大模型難以生成；功能邊界窄，僅聚焦數據查詢和可視化，缺乏深度分析能力。原子工具層完成企業復雜分析任務；2.結合行業認知庫（如零售客群分層模型）與用戶個性化記憶（如 CEO 偏好指標），實現越用越精

22、準的飛輪效應；3.自動化閉環：支持從數據查詢到洞察生成、策略建議的端到端流程；此外，ChatBI 的輕量化交互適用于基礎數據查詢和快速報表生成，例如：老板查看“2023 年產品銷售額”，或幫助業務人員生成柱狀圖展示區域銷售分布。但需依賴人工后續分析，難以直接驅動業務決策，智能分析 Agent 不僅能深度賦能業務洞察，替代傳統數據工程師驅動的 BI 流程，實現“算法驅動”的自動化分析。目標驅動交互：智能分析 Agent 的顯著優勢之一是目標驅動任務的執行，它打破了傳統數據分析工具復雜的操作門檻，使企業決策者能夠以最簡單的方式與數據進行交互。某零售企業的 CEO 在外出差期間，通過語音指令向智能分

23、析 Agent 詢問當前各門店的銷售情況、庫存水平以及熱門商品的銷售趨勢。智能分析 Agent 迅速響應，在短短幾秒鐘內就生成了一份詳細的實時經營儀表盤，以直觀的圖表和簡潔的文字呈現了關鍵數據。CEO 無需打開電腦，通過手機就能隨時隨地獲取這些重要信息，為其及時做出決策提供了有力支持。主動洞察能力：主動洞察能力是智能分析 Agent 的另一核心優勢。以某連鎖企業為例，該公司利用智能分析 Agent 建立了一套門店經營健康度診斷模型，智能分析 Agent 會定期基于門店經營的關鍵指標（例如訂單量、客單價、客流、新老客占比等）動態診斷各個門店的經營健康度，并對比起同類店/標桿店的數據情況。一旦出現

24、經營數據的異常抖動，智能分析 Agent 能夠即時進行多指標、多維度的下鉆歸因，幾分鐘內找到異常抖動的“元兇”。這樣的主動洞察能力，在以往的 BI 產品形態中，往往需要數據分析師花半天的時間去手動條分縷析，效率很低。決策閉環構建：決策閉環構建是智能分析 Agent 推動企業決策變革的重要體現。某智能制造企業在生產過程中，利用智能分析 Agent 實現了從數據采集到工藝優化的快速迭代。智能分析 Agent 實時采集生產線上的各種數據，包括設備運行狀態、產品質量數據等，并通過深度學習算法進行分析，挖掘其中潛在的問題和優化空間。一旦發現問題，智能分析Agent 能夠迅速生成優化建議，并將這些建議反饋

25、到生產工藝中，實現對生產過程的實時調整和優化。整個過程僅需 48 小時，大大提高了生產效率和產品質量，使其在激烈的市場競爭中保持領先地位。LLM Agent 架構重新定義了企業智能分析的邊界。在這一范式下，數據不再是被展示的對象，而是自主流動的“生產要素”；系統不再是操作復雜的工具，而是具備認知能力的“決策伙伴”。面對這場變革，企業需以戰略視野擁抱技術重構，方能在這場智能升級中占據先機。關鍵洞察：智能分析 Agent 通過自然語言交互、主動洞察能力和決策閉環構建，突破傳統 BI 局限，為企業提供精準、實時、可解釋的決策支持，顯著提升決策效率與質量。1.4 智能分析 Agent 行業格局在智能分

26、析 Agent 這個新興領域，以中美科技企業為代表，形成了群雄逐鹿的初步格局。北美大廠派系憑借深厚的數據技術積累和強大的創新能力，美國科技大廠 Salesforce 和微軟，在其BI 軟件產品的基礎上，迅速推出了以 Tableau Next 和 PowerBI Copilot 為代表的新一代AI 數據分析產品，在 AI 驅動的分析和可視化、自然語言查詢等方面表現卓越。Tableau Next 通過將大語言模型與數據可視化技術深度融合，實現了用戶與數據的自然語言交互，極大地降低了數據分析門檻，使非技術人員也能輕松探索數據并生成可視化報表。在最新發布的 Tableau Next 產品中，還引入了數

27、據語義層 Tableau Semantics 的能力，以增強大模型對于企業私域語義的理解，提升數據查詢和分析的準確性。PowerBI Copilot 則依托微軟強大的技術生態和廣泛的用戶基礎，在 AI 數據準備、自然語言查詢和機器學習整合方面表現出色。它能夠從多種數據源中高效提取數據，并通過自然語言查詢功能，讓用戶以對話方式獲取所需數據洞察。同時，PowerBI Copilot 還集成了豐富的機器學習算法，可實現智能預測和分析。中國大廠派系中國科技企業阿里巴巴、字節跳動等于 2024 年紛紛推出了其 BI+AI 的產品。當然，從技術路線上來說，目前主要還停留在為傳統 BI 軟件增加自然語言交互

28、 Chat 能力的階段，離真正意義上的智能分析 Agent 形態還有一定差距。阿里云旗下的 QuickBI 產品，近期推出了 ChatBI 功能模塊?；诎⒗锿x千問的大模型底座和阿里云的大數據技術，它支持多數據源接入，能夠快速處理海量數據，并通過基于報表級別的智能化的數據分析和解讀功能，為企業提供主動式的決策支持。字節跳動旗下的火山引擎基于其 DataWind BI 產品，官宣了 ChatBI 功能模塊。做法與阿里類似，算是原來 BI 能力的 AI 升級。中國新銳力量在智能分析 Agent 領域，以數勢科技為代表的新范式正在異軍突起，展現出強大的創新活力和發展潛力。數勢科技于2023年發布的

29、SwiftAgent是行業內最早基于Agent架構的智能分析產品。該產品適配包括 DeepSeek 在內的多種大模型底座，支持多種數據庫和數據源的一站式集成。區別于可視化 BI 產品的 ChatBI 路線，數勢科技基于其自研多年的指標平臺建設了 DataSemantic Layer，真正做到了指標級別的智能分析能力，避免了大模型直接生成 SQL 取數的錯誤幾率和數據分析的幻覺問題，也解決了跨數據集復雜查詢的性能問題，在眾多金融和零售企業率先實現了企業級商用化落地。其他傳統 BI 廠商大模型的到來，給傳統 BI 廠商帶來革命性的危機。當大模型能夠輕松對數據進行各種各樣的可視化分析，傳統 BI 的

30、核心能力正在被削弱。于是以帆軟為代表的中國傳統 BI 廠商也快速擁抱大模型，紛紛推出 ChatBI 產品。開源陣營開源陣營在智能分析 Agent 領域也發揮著重要作用。以 Supersonic 和 DBGPT 為代表的開源項目吸引了全球眾多開發者的參與和貢獻。Supersonic 是一個基于 AI 的開源數據分析平臺，提供豐富的數據分析工具和算法，支持多數據源接入和實時數據分析。開發者可根據自身需求進行定制化開發，滿足不同場景下的數據分析需求。DBGPT 則是基于大語言模型的開源數據庫智能交互工具，能夠實現自然語言與數據庫的交互，幫助用戶更便捷地查詢和管理數據庫。其開源特性促進了全球數據庫技術

31、愛好者之間的交流與合作，推動了數據庫智能交互技術的發展。第 2 章 企業智能分析 Agent 技術解讀2.1 企業智能分析 Agent 的突破性能力智能分析 Agent 的突破性價值體現在其對企業運營效率和決策質量的顯著提升。智能分析 Agent 憑借先進的自然語言處理技術，實現了自然流暢的交互體驗。業務人員只需用日常交流的語言輸入需求，無論是文字還是語音，Agent 都能瞬間理解意圖，自動關聯多數據源，抽取數據、構建模型、可視化呈現一氣呵成，全程無需復雜代碼或專業術語。同時，它具備強大的多任務處理能力，能夠應對復雜的數據分析任務。當接到諸如“分析本季度各產品線在不同區域的銷售利潤，對比去年同

32、期，找出利潤下滑產品線的主要成本因素”這類復雜指令時，它迅速啟動智能拆解流程，精準識別任務關鍵要素，多線程并行處理，從多個數據源調取數據，運用內置分析模型進行精準核算、同期對比，最后深入挖掘成本細節，定位利潤下滑癥結，如原材料成本上升、運輸費用增加等。這一過程一氣呵成，相較于傳統人工分析，耗時大大降低。此外，它還擁有持續優化的學習機制，能依據用戶每一次交互反饋不斷進化。當業務人員提問后，用戶可對結果進行顯示反饋或隱式反饋，若結果不準確，用戶補充關鍵信息，Agent 立即捕捉并調整分析策略。在后臺，它借助強化學習算法，將新反饋融入知識體系，沉淀經驗，優化后續同類問題解答策略。同時，定期掃描企業全

33、域數據，自動發現新數據關系、趨勢，更新知識圖譜，讓分析與時俱進。2.2 智能分析 Agent 的主要技術模塊一個完整的智能分析 Agent 以用戶發起請求為起點，通過任務編排器（TaskOrchestrator）進行需求解析與任務拆解，隨后進入智能化工具選擇（Tool Selection）階段，根據需求自動匹配相應的工具：數據查詢（Data inquiry)，高級分析（AdvancedAnalysis），數據報告生成（Data Report）或可視化引擎（Chart Visualization）轉化為圖表等。然后系統會進行多維度的任務執行結果評估（Task Evaluation），將輸出結果進

34、行總結后和用戶提出的請求目標（Goal）進行比對校準。在整個 Agent 運行過程中，系統會包含多層反思機制（Reflection），例如在任務編排階段，工具選擇極端進行反思優化，確保任務的和目標的一致性和可執行性。這種反思機制使系統具備持續迭代能力，形成執行-評估-優化的強化學習閉環。圖 5 Agent 運行過程具體來說，智能分析 Agent 的技術架構一般包含以下幾個分層和核心組件：1.感知與交互層負責多模態數據采集與環境交互，包含三大核心組件：（1）自然語言處理模塊：解析用戶輸入的文本/語音指令，通過意圖識別（NLU）和實體提取技術轉化為結構化查詢（如 SQL 或 API 調用指令）。例

35、如用戶提問最近三個月的銷售趨勢，模塊會提取時間范圍、分析維度等關鍵要素。（2）多模態感知引擎：集成圖像識別、語音轉寫、IoT 傳感器數據解析等能力，支持表格、日志、音視頻等非結構化數據處理。例如自動提取監控視頻中的異常行為特征。（3）上下文感知引擎：維護對話歷史、用戶畫像及業務場景上下文，通過記憶網絡實現長短期記憶融合，避免重復詢問（如記住用戶偏好分析維度）。2.認知與決策層基于大模型構建智能中樞，負責和業務場景和邏輯進行對齊，將大模型的能力下沉到具體的業務層，包含四個關鍵環節：（1）業務語義引擎：采用 RAG（檢索增強生成）技術，將用戶需求與企業知識庫（指標定義、業務規則）對齊。例如將GMV

36、自動關聯到具體計算公式，將“業績”對齊到企業的核心 OKR 指標上。統一業務術語與技術字段的映射關系，實現語義級權限管控，確保不同角色訪問合規。（2）任務規劃器：通過思維鏈（Chain-of-Thought）將復雜問題拆解為可執行步驟序列。例如將預測下季度營收分解為數據清洗、特征選擇、模型訓練等子任務。（3）推理決策模塊：集成規則引擎（處理確定性邏輯）和強化學習模型（處理不確定性決策），支持多目標優化。例如在資源有限時優先執行高 ROI 分析任務。（4）異常檢測機制：通過對抗性驗證、置信度評估等技術識別數據異?；蜻壿嬅?，觸發人工復核流程。3.任務執行層實現分析任務的自動化閉環，包含三類核心能

37、力：（1）工具引擎：查詢生成器：將自然語言轉化為優化查詢語句，支持跨庫關聯和性能自動加速（例如 OLAP 計算加速引擎，通過預聚合提高即時查詢效率）。代碼解釋器：通過 Function Calling 生成 Python 腳本，執行復雜計算（如時間序列預測）API 調度中心：統一管理工具、機器學習平臺等第三方服務接口。（2）數據分析引擎：內置 OLAP 多維計算、統計檢驗、歸因分析等算法庫，支持AutoML 自動選擇最佳分析模型（如根據數據特征選擇隨機森林或 Prophet 模型。（3）可視化生成器：基于數據特征自動匹配圖表類型（時序數據折線圖，分布數據直方圖），支持動態交互控件（如下鉆分析、

38、對比維度切換）。4.反饋與進化層（1）效果評估系統：通過 A/B 測試量化分析建議的采納率、準確率等核心指標。（2）增量學習框架：根據用戶反饋調整后端知識庫，基于 prompt engineering的方式調整生成效果，定期用新數據微調底層大模型智能分析 Agent 能夠自主地同時處理不同企業的數據分析和洞察任務，具備規劃和重新規劃的能力。從架構來看，智能分析 Agent 的核心競爭力主要體現在以下三個部分：智能體編排引擎（AgentOrchestrator）、語義對齊層（Semantics alignment）以及工具資源池（Tool Resource）。智能體編排引擎是智能分析 Agent

39、 的核心競爭力之一。當前，盡管通用 Agent 框架已有多家開源，如 AWS Multi-Agent Orchestrator、微軟 MAgentic-One 等，但真正面向智能分析場景的專用 Orchestrator 仍屬于各廠商的核心技術壁壘。其重要性體現在三大技術維度：第一，協作式任務規劃。單個 Agent 能力有限，一群 Agent 協作則能完成更復雜任務。通過層次化任務分解機制，將復雜分析任務（如行業報告生成）拆解為數據采集、清洗、建模等子任務模塊，實現多智能體的協同作業。該引擎如同數字化項目經理，動態構建任務拓撲圖，確保各智能體在時空維度上高效配合。第二，重新規劃與糾正。計劃不一定

40、完美，但及時糾正能將偏離計劃拉回正軌。Agent orchestrator 是靈活指揮官，能制定計劃，也能監測任務進度，發現問題時及時調整策略。最后，并行處理的 Agent，即 Parallel Agent orchestrator。它是實現并行 Agent 的前提。以行業分析報告為例，面對十份報告，目前 Agent 會線性逐篇查看。語義對齊層（Semantics alignment）構建了結構化數據與認知語義之間的映射橋梁。數據的語義相當于給企業結構化的數值性數據“打標簽”，擴充數據的語義表達，建立大模型和數據資產之間的“橋梁”。語義主要包含兩層：首先是數據對象語義，即為企業數據資產建立 D

41、SL（領域特定語言）描述體系；其次是邏輯對象語義，將 SQL查詢等操作轉化為可組合的語義單元。一個優秀的語義層的建設，能夠將對齊的復雜度從大模型側釋放出來，降低大模型解析的壓力，極大地提升數據查詢（Data Inquiry）的準確性和時效性。目前雖然有不同的技術路線去實現企業級數據查詢這一能力，但是有無語義層的準確性差異較大。此外，語義層不僅包含了數據語義上的對齊，也包含了邏輯語義上的加速。數據分析是一個低延遲的場景，這就要求執行邏輯可以快速從數據庫中獲取數據，降低用戶的等待焦慮感。工具資源池（Tool Resource）的豐富度決定了智能分析能力的上限。Tool 層是Agent 與物理世界、

42、數字系統交互的唯一通道。大模型本身僅具備文本生成和推理能力，相當于 Agent 的大腦，而 Tool 通過集成 API、數據庫、傳感器等接口，使 Agent 能執行現實操作。通過工具調用，智能分析 Agent 的能力可突破大模型本身的數學和代碼能力限制。例如，大模型在復雜數學計算上存在一定的不穩定性，但調用計算工具后即可精準解決復雜問題。此外，企業級的智能分析和業務場景與業務特性和企業的歷史沉淀密切相關，大模型無法基于其通用的能力穿透到業務層的操作，因此通過 Tool 工具層，可以支持垂直領域專業化（如經營分析、財務分析 API）。Tool 層的工具庫規模與質量直接影響 Agent 能處理的任

43、務類型。若工具僅支持簡單 API 調用，Agent 只能完成基礎任務（如數據查詢）；若集成機器學習模型（如銷量預測、因果推斷模型），Agent可處理更多復雜分析場景。Tool 層是 Agent 從“理論智能”走向“實踐智能”的關鍵，其架構設計直接決定了 Agent 能否突破模型原生能力、適應真實世界需求，并影響系統的可靠性、效率與擴展性。2.3 Data Inquiry(數據查詢）的不同技術路線智能分析領域的發展推動了多種技術路線的演進，尤其是在企業數據獲取和查詢領域，其中 NL2SQL、NL2Semantics 和 NL2Code 是三個關鍵方向。每種技術都有其獨特的優勢和面臨的挑戰，適用于

44、不同的業務場景和需求。企業應根據自身的業務需求、技術能力和數據特點，選擇合適的技術路線，或結合多種技術路線，構建智能化的分析系統，以提升數據分析的效率、準確性和業務價值。2.3.1 NL2SQL技術路線NL2SQL 是一種將自然語言轉換為結構化查詢語言（SQL）的技術。其核心在于理解自然語言中的語義信息，并將其映射到相應的數據庫查詢操作。早期的 NL2SQL 方法主要依賴于語義解析框架，通過定義一系列的語法規則和語義模式來實現自然語言到SQL 的轉換。隨著深度學習技術的發展，基于 Seq2Seq 的架構逐漸成為主流，它能夠自動學習自然語言與 SQL 之間的映射關系，從而實現更靈活、更準確的轉換

45、。在大語言模型時代，結合提示工程的零樣本 SQL 生成技術進一步提升了 NL2SQL 的能力，使得模型能夠在沒有大量標注數據的情況下，僅通過提示和已有的語言知識生成 SQL語句。如下圖，NL2SQL 的方案大致劃分為以下幾個模塊：圖 6 NL2SQL 方案模塊(1)預處理階段：此階段包含 Schema 關聯與數據庫內容兩個核心模塊。Schema關聯負責將自然語言查詢與數據庫架構元素（如表和列）關聯，增強系統跨領域通用性和復雜查詢生成能力。數據庫內容模塊通過字符串匹配，用于將查詢條件與數據庫內容匹配，以豐富列的細節信息。(2)提示策略：提示策略分為零樣本和少樣本兩種。零樣本策略的輸入不包含任何自

46、然語言到 SQL 的示例，而少樣本策略則包含一定數量的示例。例如，C3SQL 采用零樣本策略，DAILSQL 和 DINSQL 則采用少樣本策略。其中，DINSQL 的少樣本示例是人工設計且固定的，而 DAILSQL 的示例是基于目標問題與訓練集示例間的相似度動態選擇的。(3)SQL 構建策略：語言智能體在生成 SQL 時采用多種策略，這些策略可歸納為三個核心要素：分步構建、解碼技巧和中間表達形式。(a)分步構建：類似于思維鏈的邏輯，通過分階段構造 SQL 查詢，尤其適合處理復雜查詢。兩種分步策略分別是“SQL 框架-SQL”，源自基于 PLM 的 RESDSQL；“子查詢-SQL”，則來自

47、DINSQL。(b)解碼技巧：關注 LLM 在解碼過程中如何確保輸出結果的有效性。例如，基于PLM 的 PICARD 確保輸出嚴格遵守 SQL 語法規則，而基于 LLM 的方法通過 OpenAI的 API 操作，不受此類解碼限制。(c)中間表達形式策略：探討是否采用某種中介查詢格式來彌合自然語言與 SQL之間的差異，因為 SQL 面向關系數據庫的設計與自然語言的語義并不總是一致的。市場上已有 NatSQL 等多樣化的解決方案，基于 LLM 的 DINSQL 和若干基于 PLM 的方法都采用了 NatSQL。(4)后處理，包含以下幾類策略：(a)自我糾錯：由 DINSQL 提出，允許智能體對生成

48、的 SQL 進行自我審查，修正潛在錯誤。(b)自我一致性檢查：對單一自然語言查詢執行多種有效 SQL 查詢，通過比對結果一致性，采用投票機制選出最合適的 SQL 作為最終結果。這一策略在 C3SQL 和 DAILSQL中得到應用。(c)執行引導的 SQL 篩選器：作為模塊，依次執行智能體生成的 SQL 查詢，將首次無誤的執行結果作為有效 SQL。(d)重排序：通過為多個候選 SQL 查詢打分，挑選出可能性最高的查詢作為最終查詢示例：輸入：統計過去三個月銷售額最高的五個產品代碼：1SELECT product_name,SUM(sales)AS total_sales2FROM sales_da

49、ta3WHERE date=2024-01-014GROUP BY product_name5ORDER BY total_sales DESC6LIMIT 5;應用案例在數據查詢自動化場景中，NL2SQL 技術被廣泛應用于智能數據分析平臺，使用戶能夠通過自然語言快速獲取數據洞察。例如，某金融企業部署了基于 NL2SQL 的智能數據分析工具，業務分析師可以通過自然語言提問，如“查詢上季度各地區的銷售額和同比增長率”，系統自動將其轉換為相應的 SQL 查詢，從數據倉庫中獲取結果并生成可視化報表。這大大提高了數據分析的效率，減少了人工編寫 SQL 的時間和錯誤率，使分析師能夠更專注于數據解讀和業務

50、決策。同時，該技術也降低了數據查詢的門檻，使非技術背景的業務人員能夠自主進行數據查詢和分析，促進了數據驅動文化的普及。2.3.2 NL2Semantics技術路線企業數據 Semantic 主要包含幾個部分，分別是 DSL(Data Semantic Language)數據語義，數據查詢加速和數據語義權限管理。DSL 是基于行業標準構建結構化語義模型，通過業務元數據體系實現：標準化業務語義，即定義指標的業務屬性（業務場景、目標、口徑、計算邏輯），建立明細層與聚合層的雙向映射關系，沉淀垂直領域業務規則與計算范式。通過預定義數據語義對象，將業務語義固化于數據加工層，有效規避大模型推理中的語義漂移與

51、邏輯幻覺。數據 查詢加速可以采用混合優化策略提升查詢性能，提高用戶看數的效率體驗，基于語義關聯度動態構建多維索引，根據業務周期特征預生成高頻查詢視圖，通過語義解析實現查詢計劃的智能路由。此外，由于企業級用數涉及到不同部門，不同角色和不同人員，因此數據權限管控是一件必不可少的事情，語義層需要構建動態安全防護體系來實現靈活可靠的管控機制，例如設計 RBAC2.0 權限模型，支持基于組織架構的動態角色繼承，建立細粒度訪問控制，實現字段級+行級雙重權限校驗；完善審計追蹤機制，記錄數據訪問的全生命周期軌跡等。從語義識別實現流程上來講，NL2Semantics 是一種通過構建企業級語義中間層，將自然語言交

52、互直接對接標準化業務語義的技術。其核心在于將業務指標、數據權限、計算邏輯等核心要素抽象為可復用的語義單元，并建立這些語義單元之間的關聯關系。通過語義解析和映射，系統能夠理解自然語言中的業務意圖，并將其轉化為對語義中間層的操作，從而實現從自然語言到業務洞察的跨越。如下圖，NLP2Semantic 的方案大致分為幾個模塊圖 7 NL2Semantics 技術路線（1）數據要素生成階段：提前將數據語義對象拆解為原子語義單元（如銷售額=SUM(訂單金額)*區域權重）并建立單元間的拓撲關系，用戶提問時，可根據用戶輸入描述，根據命名，口徑，應用場景等語義擴充的信息召回相關的數據語義對象，保證于一層面的理解

53、一致性（2）邏輯語義生成：用戶輸入表達中除了提到具體的數據對象，還會提及到數據對象展示和呈現的邏輯表達話術，例如：”幫我查詢一下過去三天的銷售額，并按照不同區域呈現，并給出單日銷售額最高的區域“，在該用戶提問中，”按照區域呈現“，”單日最高“都是邏輯語義算子，需要根據給出的數據對象和邏輯算子進行合理的編排后，才能得到用戶想要的結果。（3）查詢語言生成：根據召回和生成的數據對象語義和邏輯語義算子，通過大模型進行合理的編排生成，生成后的 DSL(Data semantic language)，會生成相應 OLAP引擎的查詢語言，并通過查詢加速引擎進行優化，提高數據獲取效率.應用案例在企業級數據分析

54、平臺中，NL2Semantics 技術被廣泛應用，實現自然語言查詢到業務洞察的高效轉化。例如，某大型零售企業采用了基于 NL2Semantics 的數據分析工具，通過構建企業級語義中間層，將銷售數據、庫存數據、客戶數據等核心業務指標進行抽象和規范化。業務人員可以通過自然語言提問，如“查詢上個月各地區暢銷產品的銷售額和利潤”，系統自動解析該問題并映射到語義中間層，生成相應的查詢結果，并以直觀的可視化報表形式呈現。這不僅提高了數據查詢的準確性和效率，還保障了數據的安全性和合規性，不同權限的用戶只能查看其權限范圍內的數據。同時，系統的高性能和穩定性滿足了企業級應用的需求，為企業的決策提供了有力支持。

55、2.3.3 NL2Code技術路線NL2Code(這里特指 python code)一種將自然語言描述轉換為可執行代碼的技術。其核心在于理解自然語言中的業務邏輯和算法要求，并將其轉化為相應的編程代碼。這通常涉及到自然語言處理、代碼生成模型和特定領域的代碼模板與規則。通過結合大語言模型的代碼生成能力和特定領域的知識，NL2Code 技術能夠生成符合要求的代碼片段，實現特定的數據分析或業務功能。NL2Code 整體流程較為簡單，和 NL2SQL 類似，只不過生成的執行語言不一樣，面對的數據對象不一樣。具體來說，NL2Code 將表格的結構信息（如表頭、數據樣例等）輸入 Prompt，根據任務需求指

56、導 LLM 編寫一定的代碼（這里特指 Python Code)，并調用對應的工具執行代碼，得到想要的結果。如果涉及到從數據庫中取數，需要專門編寫相應的取數工具進行調用，如果是針對表格性數據，可以直接進行表格讀取，并作分析計算。示例：輸入：統計過去三個月銷售額最高的五個產品代碼：1df=pd.read_csv(sales_data.csv)2df=dfdfdate=2024-01-013result=df.groupby(product_name)sales.sum().nlargest(5)應用案例在電商用戶行為分析中，NL2Code 技術被用于快速實現數據分析和推薦算法的開發。例如，某電商平

57、臺需要開發一個用戶畫像和商品推薦系統，通過 NL2Code 技術，數據科學家可以用自然語言描述用戶畫像的構建邏輯和推薦算法的實現步驟，系統自動生成相應的 Python 腳本。生成的代碼不僅包含了數據處理、特征提取、模型訓練等步驟，還能夠自動補充關鍵的校驗邏輯和異常處理機制，確保代碼的健壯性和可維護性。這大大加快了項目的開發進度，使平臺能夠更快地推出個性化推薦功能，提升用戶體驗和銷售轉化率。同時，開發人員可以將更多的時間和精力投入到算法優化和業務創新上，提高企業的核心競爭力。2.4 DeepSeek 對智能分析 Agent 能力的強化復雜任務處理：從混沌到有序在企業級應用中，任務往往錯綜復雜，涉

58、及多步驟、多維度數據交互。DeepSeek的數學能力為智能分析 Agent 提供了強大的邏輯引擎，使其能夠精準拆解復雜任務，如將金融風險評估這一宏大任務細化為數據收集、模型構建、結果整合等子任務。同時，其代碼能力讓 Agent 能夠快速生成與調用適配各子任務的工具代碼，實現任務流程的自動化與高效執行，將原本混亂的任務處理流程梳理得井井有條。動態環境適應：實時感知與敏捷響應現實世界的數據與信息如潮水般實時變化，智能分析系統必須具備敏銳的動態感知與快速適應能力。DeepSeek 憑借卓越的代碼生成能力，能夠實時對接各類數據源與更新的業務規則，快速調整分析策略與決策模型。例如，在智能交通系統中，面對

59、實時交通流量數據的波動，DeepSeek 賦能的智能分析 Agent 可以迅速生成優化后的信號燈控制策略代碼，動態調控交通流量，確保交通系統的高效運轉，避免傳統系統因人工干預滯后導致的交通擁堵。自主決策與執行：從分析到行動的一體化智能分析的終極目標是實現從數據洞察到實際行動的無縫銜接。DeepSeek 的COT 技術賦予智能分析 Agent 強大的推理與決策能力，使其能夠在企業分析等關鍵領域，基于數倉和存量文檔，自主生成經營分析和解決方案。同時，其代碼能力保障了Agent 能夠與業務決策系統深度集成，自動生成行動方案，將分析結果直接轉化為切實可行的操作指令，減少人為干預帶來的延誤與誤差，提升決

60、策效率與質量。第 3 章 代表性智能分析 Agent 產品及場景剖析”近期望京區域加盟商老板給我發微信，說門店整體經營收不足去年同期的 7 成，認為招商時承諾的回本周期很難達成，需要公司高度重視并加以改善”，James 在經營分析會上無奈的說到，“過去 2、3 年在跟該加盟商的聯合經營下，我們在望京區域一直處于競爭領先且獲得了高收益，因此我和團隊非常重視這個信號，銷售負責人正在分析區域銷售策略、競爭對手，還是客戶定位或者商圈選擇出現了問題，但如大家所知，業務和管理團隊想要獲得精準的一手數據仍需要比較多的時間，請大家再耐心等待下最終的分析報告?！边@類場景在茶飲連鎖的經營分析會上十分常見，自從24

61、年公司完成了規?；瘮U張以后，各類經營問題暴露得愈發明顯，但業務團隊且遲遲定位不到問題癥結。該茶飲連鎖 COO 在一次會議上，了解到數勢科技有一款叫做 SwiftAgent 智能分析助手的產品，可以提升企業決策效率和質量。3.1 SwiftAgent 智能分析助手核心能力SwiftAgent 是結合自然語言交互的新一代智能數據分析助手，旨在幫助企業內有數據需求的非技術人員通過簡單問答快速獲取數據和洞見，并提供專業的數據解讀數據和生成深度的洞察報告，從而讓決策效率和質量得到提升。SwiftAgent 智能分析助手產品有 5 大核心能力，來實現提升企業決策效率和質量的目標。核心能力一：基于 Deep

62、Seek 大模型構建的低門檻取數應用SwiftAgent 通過自然語言交互技術，結合大模型和指標語義層，使業務人員無需掌握復雜的技術工具，即可通過對話式查詢獲取數據指標和可視化結果。這一能力大幅降低了數據獲取門檻，顯著提升了業務人員的工作效率。核心能力二：提供智能歸因模型讓數據分析實現質的躍遷SwiftAgent 不僅支持高效的數據提取，還能通過深度分析技術，自動識別數據波動的關鍵因素，提供從“是什么”到“為什么”的深度見解。這一功能幫助用戶快速定位問題根源，加速決策過程。核心能力三：AI 報告生成能力打造高效精準數據分析體驗SwiftAgent 具備 AI 報告生成能力，借助 DeepSee

63、k 模型強大的推理與歸納能力，采用對話式交互方式，簡單高效地將數據中的關鍵洞見和結論以清晰易懂的報告方式呈現。如金融領域可以快速輸出包含資產配置優化建議、市場趨勢預測的結構化報告，助力金融機構精準研判市場動態，提升投資決策與風險管控的專業效能。核心能力四：多端適配讓經營決策更敏捷、更高效SwiftAgent 支持多平臺無縫連接，無論在 PC 端還是移動端，用戶都能實時獲取數據和分析結果，確保決策的敏捷性和高效性。核心能力五：構建指標語義層來保障數據準確性和安全性當用戶進行自然語言請求的時候，大模型會結合企業級指標語義層（Enterprise DataSemantic Layer）將每一段用戶的

64、輸入轉化為指標、維度、維度值、時間等核心語義要素，并高效地進行底層數據查詢與聚合，并結合指標行列權限校驗機制，確保數據查詢的準確性與安全性。3.2 SwiftAgent 智能分析助手的應用場景SwiftAgent 智能分析助手已在多個行業和場景中展現出顯著價值。以下是從大量項目實踐中提煉出的典型應用場景，涵蓋企業決策、經營管理與業務運營三大領域。企業決策場景1.經營分析圖 8 SwiftAgent 智能分析助手應用場景示例會在零售企業的月度經營分析會中，SwiftAgent 整合歷史銷售數據、售貨成本(COGS)數據、端到端供應鏈成本數據、攤銷的人力成本及其它成本數據，從而快速的從商品、門店、

65、渠道、品類及用戶等各個維度獲取數據明細及診斷報告。這些數據會幫助管理層快速分析，哪些商品組合能夠產生最大的投資收益，哪些渠道需要投入更多的營銷資源并打造專屬的差異化商品及更敏捷的供應策略。例如，沃爾瑪的 AI Agent 提供單品損益分析數據，幫助公司優化品類結構，調整渠道策略，經過不斷優化，在中國市場已實現線上收入占比超 50%且持續保持了高增長。2.管理決策輔助一些銀行企業則采用智能分析助手，讓行內領導可以通過自然語言形式快速獲取每日所需經營數據，發現數據異動并分析原因，智能生成清晰易懂的報告。例如：某城商行將駕駛艙里偏固化的數據報表，升級為對話式智能分析助手提供的指標問數和報告解決，讓行

66、領導分析需求滿足度和支持分析的效率得到了 50 倍的提升。經營管理場景1.回本周期分析某食品連鎖企業使用智能分析助手將銷售、收入和績效快速開放給 3000+加盟商、超過 2 萬家門店進行數據查看和分析，讓加盟商老板對生意的投資收益、回本周期一目了然，真正做到心中有數。通過智能分析助手，該企業的運營管理成本縮減了 2/3，加盟商的滿意度反而得到了提升，品牌招商能力也得到了增強。2.金融風險評估在金融領域，海量的客戶數據蘊含著巨大的價值與風險信號。金融企業借助智能分析助手，突破傳統信用評分因素的局限，深入挖掘客戶消費模式、社交媒體行為等多維度信息，通過構建復雜的神經網絡模型，實現對客戶信用風險的精

67、準預測。例如：某金融科技公司運用 AI Agent 構建信用風險評估系統，通過分析客戶的信用卡交易記錄、消費習慣、信用歷史等多維度數據，對客戶的信用狀況進行實時評估和預測。在實際應用中，該系統使貸款違約率降低了 30%，有效保障了金融機構的資產安全。業務運營場景1.智能督導茶飲連鎖企業可以使用智能分析助手為督導制定巡店計劃，生成巡店目標和任務，提供門店的經營狀態、商圈競爭分析、機會點分析和改善建議，讓一些資歷和年限較淺的督導獲得了能力上的快速提升，同時督導巡店的覆蓋面提升了兩倍，門店潛力和門店汰換都得到了提升。例如：成都本地發展起來的一家頭部茶飲連鎖品牌，通過智能督導讓 5%的門店業績得到了提

68、升，同時虛假門店和亟需整改的門店都得到了更好地支持。2.智能審計金融行業采用智能分析助手可以實現風險評估與預警，合規性審查等大量場景。例如：實時收集和分析金融市場數據、客戶交易數據、信用數據等，運用機器學習算法構建風險評估模型，對市場風險、信用風險、操作風險等進行精準評估和預警；以及自動解讀和遵循相關法規、政策和內部規定，對業務流程、合同文本、交易記錄等進行合規性檢查，確保金融機構的運營符合法律和監管標準。關鍵洞察：在中國市場，企業應結合自身規模與業務需求，選擇合適的智能分析 Agent產品，以推動數字化轉型與業務創新。第 4 章 智能分析 Agent 的應用案例4.1 智能分析 Agent

69、助力茶飲連鎖門店運營背景及目標近年來中式茶飲連鎖行業迎來的爆發期，多個品牌實現了全國數千家店的規?；B鎖，甚至拓展到海外市場。隨著門店數量迅猛擴張和日趨激烈的同行競爭，某頭部連鎖茶飲企業將精細化門店運營作為 2024 年的關鍵戰略。該頭部連鎖茶飲行業門店規模已突破了 5000 家，在輕資產運營的商業模式下，8 成左右的門店來自品牌的加盟商，而門店運營要解決的關鍵問題就是如何讓加盟商門店跟自營門店一樣，做到標準化管理和運營。同時，加盟直營化的強管理模式，讓茶飲連鎖企業積累了大量客觀的業務數據、管理數據，引入智能分析 Agent，可以數十倍提升標準化管理和運營的效率。該企業門店運營業務有兩個關鍵場

70、景，月度經營分析會及督導巡店。這 2 個場景對數據和分析的要求也很高，參與其中的管理及業務人員也很多，最適合作為智能分析 Agent提效的應用場景。月度經營分析會場景首先落地的場景是月度經營分析會，該企業每月都會從各區域到分公司到總部，逐級提交經營分析報告，作為管理團隊每月研討及決策的關鍵輸入。過去每個業務部門和分子公司都依靠自己的分析師，通過向數據部門提需取數或手工處理數據的方式，編寫月度經營分析會的數據報告，就天然的出現手工數據處理效率低，數據整合困難，分析維度有限，而且各部門的指標口徑以及站在部門視角輸出的結論都參差不齊，導致決策不夠精準。所以，客戶也希望用一個智能系統來統一處理數據，自

71、動生成分析，并提供決策建議。能力建設方面首先要整合企業數據、搭建集團統一的指標體系。然后，利用智能分析模塊要覆蓋目標達成、銷售、產品、競品等多個維度，配合預警機制，使整個經營分析會從數據到問題發現再到可決策的執行動作形成閉環。以下是企業使用數勢科技SwiftAgent 為該企業生成的經營分析會內容框架：1.核心指標追蹤GMV 與出貨目標：同比/環比達成率、區域差異化表現（進度落后的市場預警）、時間進度對齊。門店效率：日店均 GMV、營業天數、時段熱力圖（下午/晚上高峰）。渠道對比：到店與到家業務單產、總量、到手率趨勢。2.產品維度新品表現：月度上新產品的杯量占比、區域差異（頭部/尾部排名的區域

72、子公司）。價格帶與杯型：消費結構變化（如低價帶占比上升）、季節性趨勢預測。3.用戶體驗外賣評價：NPS、點踩率、差評歸因（如口味問題、SOP 操作）。大眾點評數據：星級、差評率、新增評價數（戰區/城市對比）。4.新店與區域拓展新店爆發力：試營業門店業績、城市層級分布（識別出市場潛力）。戰區管理：核心城市的單產表現與優化方向。通過 SwiftAgent 在月度經營分析會上的應用實踐，該龍頭連鎖茶飲企業的經營分析決策效果和效率上有了顯著的提升：效率提升：報告生成時間從 3 天縮短至 1 小時，釋放人力投入策略制定。決策精準：通過數據歸因減少主觀猜測（如“江蘇業績差”“員工能力不足”，因競品集中開店

73、）。成本優化：預警系統提前識別風險市場（如浙江杯量占比后三），避免資源浪費。越用越聰明的決策能力：AI 模型持續學習該企業的業務變化和數據分析的業務邏輯（如新品上市效果追蹤），SwiftAgent 上線半年后其分析能力和結論深度越來越貼合該企業的經營邏輯和分析范式。督導巡店場景運營督導體系的成功和效率是決定茶飲行業加盟模式成敗的“隱形戰場”。在當下的環境中，1 名督導通常覆蓋 20-30 家店，在日常工作中往往還面臨著“對上”和“對下”的雙重負擔，既要向區域經理定期發送總結數據匯報的日報，從 BI 看板、三方外賣平臺以及各種門店管理工具中手工提取數據，加工，整理總結成報告。又要向管轄的每個加盟

74、商提供品牌賦能和情緒價值，回答加盟商的各種問題，例如“門店如何提升業績”，“如何優化門店管理的 SOP”。對于督導而言，他需要面對非常多而繁雜的數據收集和處理，并基于他的經驗來做一些指標和知識的復盤，既要向上要匯報，向下他還要做數據賦能。在這樣的高負荷低人效的工作場景下，極易出現管理漏洞。因此讓數據賦能督導，讓數據簡單可用，在最重要的戰場上讓數據發揮價值。數勢科技為企業的每個督導配備了一個移動端+PC 端結合的 SwiftAgent 助手，在目標設定、巡店計劃、門店稽核和效果驗收四個督導工作的關鍵環節，為其提供隨身助理般的幫助。目標設定，在巡店前明確巡店的主要目的，通過 SwiftAgent

75、以數據的方式快速找到管轄門店的主要經營和運營指標，并通過智能的對比分析清晰的定位出門店的異常，從而確定本次巡檢的目標是提升服務質量，還是門店 SOP 優化，或者是門店環境整改，形成數據抓手。巡店計劃，當督導做完目標的數據分析之后，接下來就是線下的實際巡檢，首先要做的就是門店的信息檢索，通過 Agent 知識問答的能力，將本次需要重點巡店的信息進行收集，并詳細的對比這些門店的重要 KPI 指標，通過 SwiftAgent 的問數和歸因能力，將待巡檢門店的信息和遇到的問題一一羅列出來，形成巡店清單。門店稽核，針對目標門店一旦發現了一些問題指標，SwiftAgent 可以自動輸出一份數據報告，告知加

76、盟商是哪些產品合格率出現了問題？還是清潔衛生未達標，或者是外賣評分在降低影響了整體業績，并根據這些已識別的問題和企業的知識庫做了聯動，快速檢索到具體的整改方案或者是培訓物料，提供給加盟商和門店，進行具體整改動作。效果驗收，過了一個月之后，當門店完成了整改方案，督導可以再次通過 SwiftAgent生成數據效果的驗收，對比巡檢前后各項指標的變化情況。通過數據分析評估門店在服務、產品、運營等方面的提升效果?？偨Y經驗，為下一次巡檢和持續改進提供參考。SwiftAgent 通過標準化、數據化、人性化數據洞察和分析服務扮演了巡店督導的智能助手的角色，幫助連鎖企業在規模擴張中實現品牌價值、加盟商收益與消費

77、者體驗的三方平衡。以“技術提效+機制創新”雙輪驅動，將督導團隊從“監管者”轉變為“合伙人，實現多方共贏。4.2 智能分析 Agent 助力銀行快速決策在數字化轉型的推動下，銀行業正面臨日益激烈的市場競爭和快速變化的客戶需求。在這一背景下，基于指標的分析已成為提升銀行競爭力、優化決策過程和改進業務流程的關鍵工具。然而，當前該城商行在指標管理和開發方面存在一些不足。首先，指標管理功能有待完善。指標通常分散在各種報表中，這些報表由不同部門根據各自需求加工制作而成，導致指標在命名、口徑等方面缺乏統一管理，造成不同部門對同一指標有著不同的理解。其次，指標開發效率有待提高?，F有依賴人工開發寬表數據集來加工

78、指標的方式，指標的新增或修改都需要針對寬表數據集進行復雜的 SQL 處理，導致需求響應緩慢。最后，智能化分析能力欠缺。不具備問答式、智能化的指標數據分析能力，當指標出現異常時，由于缺乏預警歸因功能，難以快速定位問題根因，并進行及時分析處理。為應對這些挑戰，該城商行與數勢科技攜手合作，計劃構建一個集管理、研發與應用于一體的指標平臺，同時上線基于大模型的智能指標分析能力。（核心能力如下圖所示）指標和標簽語義層確保數據查詢準確性通過構建企業的標準化語義層，預設數據指標和標簽的定義與管理，避免業務理解不一致，讓大模型更準確地理解用戶需求，從而輸出更精準的結果。例如，許多企業在嘗試通過大模型與企業內部數

79、據進行對話時，常常遇到由于大模型對業務理解不準確而導致的結果偏差問題。而數勢科技通過構建標準化語義層，為數據指標和標簽設定了明確的定義和管理規則，使得大模型能夠準確理解業務需求，從而提供更準確的分析結果。項目實施之前，業務部門經常對數據分析結果提出質疑，認為數據不準確或不符合業務實際情況。但自從構建了指標和標簽語義層后，這種情況大大減少了，因為大家對數據的理解更加一致，大模型輸出的結果也更加精準。圖 9 大模型結合指標與標簽語義層提升數據分析準確性Agent 架構確保系統高效回復復雜問題SwiftAgent 采用 Agent 架構，具備任務拆解和工具調用能力，能夠自動解決復雜問題，無需過多人力

80、介入。例如，在處理復雜的數據分析任務時，SwiftAgent 能夠將任務分解為多個子任務，并自動調用相應的工具和算法進行處理。這種自動化的處理方式不僅提高了數據分析的效率，還減少了人為錯誤的發生。某次業務部門需要對一個大型項目進行風險評估，涉及到大量的數據和復雜的分析。以前，他們需要花費幾天的時間來完成這項工作，但現在通過 SwiftAgent 的 Agent 架構，只需要幾分鐘就能夠得到準確的分析結果，大大提高了工作效率。圖 10 Agent 架構確保 SwiftAgent 回復業務人員復雜問題反問機制支持行內業務人員模糊提問增加反問模塊，讓大模型更好地理解用戶需求，一步一步把需求“精細化”

81、，提升正確結果概率，生成更可用的結果。例如，當用戶提出一個模糊的問題時，SwiftAgent 會通過反問的方式，引導用戶進一步明確需求。這種互動式的溝通方式能夠提高大模型對用戶需求的理解程度，從而提供更符合用戶期望的結果。比如，有領導提問：“幫我看下最近的業務情況?！盨wiftAgent 會反問：“您是想了解哪個業務條線的情況？是信用卡、小微、財富管理還是其他業務條線的指標呢？”通過這樣的反問，能夠更準確地把握用戶的需求，提供更有針對性的結果。自研指標數據加速引擎提升百億級場景數據查詢效率數勢科技通過自研指標加速引擎（Hyper Metric Engine），可將結果生成用時大幅度降低，提升用

82、戶交互體驗。在當今快節奏的工作環境中，用戶對數據分析結果的時效性要求越來越高。數勢科技自研的指標加速引擎能夠快速處理大量數據，并在短時間內生成準確的分析結果，滿足了用戶對數據分析效率的需求。以前，員工在查詢數據時，往往需要等待很長時間，這讓他們感到非常焦慮?，F在，有了加速引擎，他們可以在瞬間得到結果，大大提高了工作效率，也提升了他們的工作滿意度。圖 11 底層的 HME 提升金融機構百億級數據的查詢性能指標全流程閉環管理 推動頭部城商行數字化轉型戰略深入實施全流程指標閉環管理搭建統一指標管理平臺，基于數勢科技指標平臺的架構和功能，實現指標從定義、加工、應用到評估的全流程功能建設。確保指標定義的

83、統一性和標準化，參照指標平臺對指標的標準化定義和管理方式，對指標進行拆解和配置，保證指標的口徑統一、名稱唯一。促進不同系統或應用之間指標口徑的一致性，通過指標 API 服務，實現指標元信息和數據的對外應用，確保公司各個數據應用的指標口徑一致。低代碼指標開發提效利用指標平臺提供的直觀圖形化界面和簡便拖拽式組件，簡化指標定義流程，用戶可以通過定義指標的基礎信息、業務信息、技術信息和管理信息完成指標創建。結合自動化數據處理技術，減少對復雜 SQL 代碼的依賴，用戶只需選擇相應的函數或篩選條件，即可快速、便捷地開發出想要的指標。提升指標開發效率，通過規范的元素定義指標和標準化的數據引入及處理，確保指標

84、開發的高效性和準確性。智能化指標靈活分析融合大模型能力，支持用戶以自然語言形式與平臺交互，實現問答式的指標分析，快速獲取所需指標數據。根據數據結果自動繪制圖表，如折線圖、柱狀圖和散點圖等，以直觀展示數據分析結果。解讀數據分析結果生成報告，幫助用戶快速理解數據含義，為決策提供有力支持。對異常指標進行多維度歸因分析，通過智能維度歸因和因子歸因，定位影響指標波動的關鍵因素，為解決問題提供依據。該銀行內部人員對該項目給予了高度評價，某業務負責人表示：“這個項目真的給我們帶來了很大的便利，以前我們需要花費大量時間收集和整理數據，現在通過 SwiftAgent，我們可以快速獲取準確的分析結果，為我們的決策

85、提供了有力支持。4.3 分貝通 CBI：智能分析 Agent 在差旅管理中的降本增效實踐隨著企業差旅管理復雜度提升，傳統人工審核與靜態數據分析模式已難以滿足實時成本管控需求。分貝通作為國內領先的一體化企業差旅管理平臺，通過與數勢科技合作引入智能分析 Agent（CBI 模塊），旨在解決以下痛點：數據孤島問題：差旅、費控、支付等環節數據分散，難以全局分析；響應延遲：人工分析效率低，無法快速響應動態成本波動；決策門檻高：非技術人員依賴 IT 部門提取數據，阻礙數據驅動決策。解決方案：CBI 智能分析 Agent 的核心能力分貝通CBI基于數勢科技的SwiftAgent技術，深度融合自然語言交互與智

86、能歸因分析，構建了覆蓋數據獲取、分析、決策的全鏈路能力：自然語言交互（LUI），用戶可通過自然語言（如“近一年機票支出 Top 5 的部門及歸因”）直接查詢數據，系統自動解析語義并生成語義層調用 Pipeline，實時返回可視化圖表與洞察報告。智能歸因與策略生成（NL2Semantic），系統自動識別異常數據（如某月差旅成本激增20%），通過多維度歸因分析（如臨時差旅占比、航線價格波動）定位問題根源，并生成優化建議（如調整差旅審批規則）。全流程閉環優化，從數據查詢到策略執行，CBI 通過反饋機制持續優化模型，例如根據用戶采納建議的效果動態調整歸因權重。典型分析場景和價值應用場景 1：機票成本動

87、態管控問題：某客戶發現機票支出連續 3 個月超預算，但無法快速定位原因。CBI 應用：高管輸入“近半年各部門機票支出對比及異常原因”，系統自動生成報告，顯示銷售部臨時差旅占比達 65%，且集中于高價航班。結果：企業調整差旅政策，要求提前 3 天預訂機票，次月成本下降 12%。場景 2：差旅合規性審計問題：財務部門需耗時兩周人工核對超規報銷單據。CBI 應用：通過自然語言查詢“本月超規差旅訂單 TOP10 及原因”，系統實時識別違規行為（如超標酒店預訂），并自動推送預警至責任人。結果：審計周期從 14 天縮短至 2 小時，合規率提升 30%。圖 12 產品應用示例在數勢科技與分貝通合作的該應用上

88、線后，為分貝通平臺上的企業客戶帶來了十分顯著的價值：降低使用門檻：NL2Semantic 技術讓業務人員無需 SQL 技能即可自主分析數據，企業數據利用率提升 40%；數據民主化：通過自然語言交互與自動化洞察，CBI 推動財務、管理層等多角色參與決策，形成“人人用數”文化；規?；瘮U展：分貝通平臺已服務數千家企業，CBI 模塊日均處理查詢量超 10 萬次，響應速度均低于 1 秒。結語：智能分析 Agent 驅動的數據普惠、科學決策新趨勢從前信息化時代到智能化時代，數據的發展沿著兩個維度貫穿始終：從神殿圣火到人間煙火的數據平權之路“普”，與從記錄者到決策者的價值進化之路“惠”。企業經營決策的范式也在持續演進：從集權中心式決策體系過渡到民主分散式決策。尤其是在VUKA 的經營環境下市場瞬息萬變，基于數據的科學決策能力已經成為企業致勝新時代的關鍵。隨著技術的持續進步，數據不再是被企業束之高閣的知識寶庫，而是如水之就下般四處蔓延至且各個角落，中心化的數據孤島散作各行各業的數據源泉。隨著數據網絡編織得逐漸完善，數據也完成了自身角色由量到質的轉變，從最早的記錄發生了什么，到洞悉事物背后的原因，再到為業務決策和行動提供指引，階段式遞進，數據要素逐漸成為企業的能源和血液。智能分析 Agent，正在企業界卷起一股數據普惠、科學決策的新趨勢。