概述

在构建并部署DAHAE（一个基于 Slack 的 NL2SQL AI 代理）和DABI（一个生成式 BI 工具），整个过程中，我脑海中一直萦绕着一个问题：

“在数据团队所做的所有工作中，采用人工智能代理会在哪些方面产生最大的影响？”

这不仅仅是“我们应该引入哪种工具”的问题，而是重新审视数据团队在组织中扮演的角色及其贡献，并探索人工智能能在多大程度上扩展这一角色。

在这篇文章中，我将分享数据团队可以采用智能体人工智能的12个领域，这些内容是我过去几周一直在思考的。对于每个领域，我首先明确目标——为什么要在这里引入人工智能？ ——然后提出具体的想法以及它们所需的构建模块（技能、智能体、多级控制点、资源）。

为什么我们现在需要这张地图

采用智能体人工智能不仅仅是“使用 ChatGPT 或 Claude”。它

需要将团队积累的领域知识和惯例编码成技能和智能体，并将它们转化为整个团队的共享资产。

这一点对数据团队尤其重要，原因有以下几点：

人工智能代理打破了这种循环。当判断力被编码成技能，并且代理能够自主调用这些技能时，团队的专业知识不再仅仅存在于个体之中，而是开始在系统中积累。

完整地图概览

该地图分为四个轴：

让我逐一介绍一下各个区域。

1. EL（提取和加载）

🎯 目标：安全、可靠且低成本地摄取源数据

数据摄取面临三大核心风险：个人身份信息泄露、源模式变更导致的管道中断，以及每次添加新源时都需要重复的工程工作。人工智能代理可以在所有这三个环节进行干预。

2. T（变换）

🎯 目标：构建人人都能信赖、质量始终如一、速度更快的数据模型

数据团队在数据转换环节花费的时间最多，同时也积累了最多的隐性约定。诸如“此列采用蛇形命名法”、“事实表遵循此结构”、“增量更新使用合并策略”之类的决策分散在团队成员的脑海中。将这些约定编码为技能，可以确保每个 PR 的一致性。

3. DOM（事件集合）

很少有哪个领域像事件采集这样涉及多个职能部门，而且难以保证准确性。项目经理在 Figma 中绘制屏幕截图，开发人员对数据层进行数据注入，数据团队则验证事件是否被正确捕获。要让这三者保持同步，会耗费大量时间。人工智能代理可以弥合各个步骤之间的差距。

4. DQ系统

🎯 目标：在用户发现数据质量问题之前，将其及其根本原因暴露出来。

大多数团队都已设置异常警报。但这些警报通常止步于“KPI 下降 3 个标准差”。之后，需要有人介入并花费数小时来找出原因。智能代理不应止步于检测异常，而应追溯到根本原因。

5. 产品目录

数据目录最大的问题在于其编写成本过高，导致目录永远无法及时更新。结果，没有人信任这些目录，也没有人使用它。代理打破了这种恶性循环。如果能够根据血缘关系和 SQL 自动生成描述，目录就会自然而然地自动填充。

6. BI

🎯 目标：将仪表盘的流程从“请求→构建→等待”转变为“请求后立即显示”。

BI 团队面临的最大瓶颈是仪表盘构建队列。请求者希望快速得到答案，而数据团队却被积压的工单淹没。生成式 BI 是一种能够消除队列本身的方法。我开发 DABI 就是为了验证这个假设，结果公司里 70% 到 80% 的人都采用了它。

7. 分析

分析师的大量时间都花在了重复编写 SQL 语句和回复 Slack 上一些简单的临时问题上。这些时间本应该用来设计更深入的问题，并思考洞察结果对业务的影响。代理的工作首先是区分“代理可以回答的问题”和“需要分析师回答的问题”。

8. 数据科学

🎯 目标：实现建模相关一切流程的自动化，使科学家能够专注于“建模本身”。

如果你仔细观察数据科学家如何分配时间，你会发现建模本身所占的时间其实非常少。特征元数据管理、实验跟踪、模型监控、结果解释——这些周边工作才是耗费时间的绝大部分。而这些周边工作恰恰是智能体擅长处理的。

9. 反向 ETL

🎯 目标：确保分析结果不仅限于仪表盘，而是自动转化为运营和营销行动。

许多数据团队只负责“仪表盘”部分，之后的所有工作都交给其他团队。但真正的价值体现在数据转化为行动的那一刻。反向 ETL 正是连接两者的纽带，而 AI 代理则可以将其门槛降低到自然语言级别。

10. 基础设施和成本

🎯 目标：转变人们的认知，从“数据成本高昂”转变为“数据团队可以控制成本”

随着云数据平台的普及，领导层最常问的问题莫过于：“为什么成本这么高？”那些采取防御姿态的团队和那些展现出积极掌控力的团队，在公司内部的地位截然不同。而代理人则是通往后者的捷径。

11. 入职培训与赋能

🎯 目标：将数据团队从“一个教学团队”转变为“一个设计自主学习环境的团队”

最近我花最多时间的事情之一就是指导同事们使用 Claude Desktop MCP。他们总是问同样的问题，我也总是给出同样的答案。其实整个流程都可以用智能代理来代替。数据团队的角色也从直接教学转变为设计用户自学的环境。

12. 公司治理与合规

🎯 目标：将监管应对措施从“定期审计事件”转变为“持续监控系统”

合规工作通常在审计前匆忙进行。在此期间，没有人真正清楚究竟是谁在访问哪些个人身份信息 (PII) 表。因此，代理人将审计工作变成了全天候不间断的例行工作。

实施策略

从共享构建模块入手

环顾地图，你会发现一些不断重复出现的建筑模块。试图一次性建造所有特工会让你精疲力竭。先铺设共享材料，之后再在其上组装特工的速度会大幅提升。

我在构建 DAHAE 和 DABI 的过程中观察到，BigQuery MCP + DataHub MCP + NL2SQL 技能是绝大多数潜在代理的共同必备条件。一旦这个基础稳固，启动每个新代理所需的时间就会大幅缩短。

小结

数据团队的角色正在转变

这次映射练习再次向我证实，数据团队的角色正在发生根本性的重新定义。

过去，数据团队更像是“一个接收并处理请求的团队”。事件定义请求、仪表盘请求、分析请求——团队规模取决于接收到的工作量。

未来的数据团队将是“将判断转化为基础设施的团队”。他们会将团队的专业知识转化为技能，并让智能体调用这些技能。团队的影响力将不再取决于人员数量，而是取决于编码判断的总量。

这并非威胁，而是一个机遇。它让我们重新获得因重复性工作而浪费的时间，并让我们有余力去思考更深刻的问题——我们应该关注哪些指标，应该设计哪些实验，这些数据究竟能帮助我们做出哪些决策？