返回资讯中心
外部精选
软件工程
#开发者实时流

无数据团队也能做代理式数据分析,业务知识仍是关键

来源标题:Business Knowledge Is Still King: Agentic Data Analysis Without a Data Team

文章讨论在没有专职数据团队的情况下如何用 AI 进行代理式数据分析,指出业务知识仍是核心。作者认为 Claude Dashboards、ChatGPT 可视化功能及 MotherDuck Dives 等工具并未让 BI 消亡,仪表盘仍不可或缺,部分可能被聊天式自主可视化取代。

Hacker News 最新zazuke2026/11/13 · 4 天前30 分钟阅读

以下正文由 AI 翻译自 Hacker News 最新(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。

返回博客

业务知识仍是王道:没有数据团队也能做智能体数据分析

AI、SQL、Python 2026年11月13日 · 阅读时长30分钟

假设你刚接触数据分析,需要针对一个文件、多个文件或数据仓库中的查询生成一份报告或做一次分析。你该从哪儿开始?该怎么做?常见的路径大概是:去问 ChatGPT,或者用现成的聊天框,把导出的 CSV 粘贴进 Excel,然后做些修改。但你怎么分享它、怎么定时调度、怎么为所有需求建立一条集中式流水线,而不是全靠手工在电子表格里写函数?如果 Excel 在处理大量数据时慢得不行,你又该如何扩展?

随着最近 Claude Dashboards 以及其他 ChatGPT 可视化功能的推出,有人可能会说这是 BI 的又一次死亡,但在我看来,这恰恰说明了相反的事:仪表盘仍然是必需的,而且很可能永远都是。有些仪表盘也许会被聊天框取代——你提出具体问题,它按需自主完成可视化,MotherDuck 用 Dives 把这一点做到了极致,Claude Dashboards 以及 BI 工具中的其他智能体集成也是如此。

本文为你提供一份指南,告诉你当自己对数据仓库或分析技术一无所知、却对业务了如指掌时,该如何使用 AI。它能帮你端到端地完成工作,同时让你始终掌控全局。好的工具能改善数据分析师的工作流,把复杂问题变简单。一切都在迭代中进行,从最开始就要不断提问。

注意:本文中“领域专家”“业务专家”等称谓的定义

本文中我多次谈到非技术用户、业务专家或领域专家。需要澄清的是,我说的这些人,指的是最了解某个领域、某个业务主题的人。不是那种能自己写查询的高级用户,而是那种凭经验就能看出某个数字不对的人。

Jordan 最近在我写完本文之后发表的一篇博客文章中还提到了“数据智能工程师”这个称谓,他得出了类似的结论:有些任务“模型可以从数据或历史中凭直觉推断出来”,而业务专家仍然是不可或缺的——本文会对此详细展开。

Claude Dashboards 的发布,以及更广泛的智能体革命,确实改变了的一件事是数据分析师的入门门槛。早年间,你需要提前几个月申请一个新的数据源或一份特定的报告,运气好的话 BI 团队才会给你实现。

后来,随着 dbt 的兴起,出现了“分析工程师”这一角色。我们以前管他们叫“BI 高级用户”,但这些人首先是熟悉 SQL 的技术人员,而且技术要求更高,因为他们需要理解一些软件工程的最佳实践:会用 git,懂得用 .env 文件来定义不同的 dbt 数据环境(dev/test/prod),甚至可能还得理解什么叫部署。

今天,如果你对自己的业务领域非常了解,你可能根本不再需要那个数据分析师了,而且你手里握有很大的杠杆:没有人比你更了解这些数据。因此,你希望有一种直接的方式去问聊天机器人、你的 BI 工具、你的 Dives:“有哪些新客户注册了却从未试用过?”或者“最近几个月的利润与前 3 年相比如何?”

这些传统上都是复杂的 SQL 查询,要在许多表之间做连接,聚合后通常缓存在数据仓库中。你需要理解如何聚合度量,如何连接不同的表以避免产生笛卡尔积(错误连接导致的重复),你需要理解粒度和基数,可能还需要理解事实表和维度表——这取决于你访问的是已经建模好的数据仓库(那你很幸运),还是直接在源表上硬查,那是一个完全规范化的数据库 schema,可能包含成百上千张表。

随着智能体能力的提升,通过模型上下文协议(MCP)和/或 DuckDB 的零拷贝 SQL 数据连接,智能体在训练数据中已经掌握了所有基本概念(粒度、范式、全外连接等),它们可以先查询探索数据 schema(SELECT * FROM INFORMATION_SCHEMA.tables),然后用 LIMIT 100 连接并取一些样本数据,进行解读,或许还会向领域专家提出一些澄清性问题——反正领域专家本来就是最该被问的人。因此反馈回路非常快、质量也很高,因为答案由智能体解读并展示数据、再由领域专家签字确认,这种机制非常强大。

显然,这样做也有危险。查询源数据库、让智能体跑重查询,无论是在生产环境还是数据仓库中,都可能拖垮用户正在使用的整个应用,或者拖垮分析平台(后者可能没那么关键,但在某些情况下同样重要,取决于你公司的职能)。不过,你仍然不能把自己快速生成的仪表盘直接放到互联网上,让谁都能攻击它。

(原文较长,此处译出前 6000 字,完整内容请点「打开原文」。)

正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。

打开原文
去社区讨论 →