跨越数据应用“最后一公里”：基于大模型的智能分析Agent架构与提效实践

材料来源： 腾讯云大数据智能分析Agent产品负责人 周树豪 演讲内容

1. 破除数据流转与响应延迟：传统数据分析的交付瓶颈

在企业数字化转型过程中，数据应用的“最后一公里”普遍面临落地阻碍。传统数据分析工具（定制式BI与自助式BI）存在显著的业务与技术割裂，导致企业面临以下战略困境与瓶颈：

• 业务响应滞后： 传统的定制式报表交付周期长达月级别；即便是自助拖拽式BI，业务部门提出需求后，经由数据部门排期处理，响应周期依然停留在周级别或小时级别，无法满足实时决策需求。
• 消费门槛高企： 自助式BI具有较高的学习成本，系统实际的活跃用户往往局限于10人左右的专业数据分析师，广大基层业务人员难以直接获取数据支撑。
• 研发资源内耗： 由于经营分析数据指标口径繁杂，数据部门往往疲于应付源源不断的固定报表配置需求，推高了整体运维成本(Ops Cost)与开发负担。

2. 构建可信可干预的智能分析引擎

为解决上述痛点，腾讯云大数据推出新一代智能化工具——智能分析Agent（数据分析3.0时代）。该方案以自然语言理解（NL2DSL）为核心，提供从数据接入、模型分析到可视化呈现的全流程能力：

• 架构重构与大模型驱动： 模型层深度集成 DeepSeek、腾讯混元 数据分析大模型；应用层采用 RAG（检索增强生成）技术，涵盖知识准备、意图识别、向量召回与SQL处理，保障数据的合规可控与查询加速。
• 全场景数据链接： 支持直连云数据源（MySQL、ClickHouse等）、自有数据源、本地数据（Excel/CSV）及API接口，实现跨系统数据打通。
• 深度“可干预”机制（提升系统确定性）：
  • 业务黑话对齐： 支持录入名词、习惯及事件知识库，让大模型理解企业特定语义。
  • 归因与思路干预： 支持自定义对比时间、归因维度及字段优先级；提供官方分析思路模板，确保大模型输出逻辑符合业务历史经验。
  • SQL与选表白盒化： 用户可直接查看结论背后的SQL代码并进行校验；支持配置表关联（JOIN）唯一键与关联键，局部修改选表结果。

3. 释放数据消费潜力与重塑研发效能

基于腾讯内部及行业客户的实际应用现状，智能分析Agent在核心业务指标上实现了量化的效能跃升：

• 获数效率指数级提升： 数据获取响应时间由原先排期的 小时级/周级别 压缩至实时生成的 秒级别。
• 用户覆盖率与渗透率突破： 学习成本降至 0门槛，系统适用人群从个位数的老板或专业分析师，规模化拓展至 大量基层业务人员。
• 系统稳定性与高可用（ROI验证）： 在内部复杂的经营分析场景下，该Agent的平均问答准确率稳定在 90%+，并伴随模型微调（SFT）和知识库扩充持续提升。

4. 跑通腾讯集团内部经营分析落地闭环

客户案例：腾讯集团内部经营分析管理落地

在引入智能分析Agent之前，腾讯内部各级管理者依赖固定的经营分析报表，突发性的下钻查数需求必须依赖数据部门的排期开发。

部署该方案后，腾讯内部实现了基于自然语言的“对话即分析”。基层业务人员与管理者无需局限于办公室，可通过移动端随时随地唤起对话问数。系统能够自动根据提问实时生成SQL、渲染图表（如：近6个月产业树大类毛利趋势），并具备数据异常波动归因、一键生成并导出Word/PDF分析报告的能力。这一变革不仅使决策链路从“看数”升级为“懂数”，更大幅降低了数据部门底层报表的开发工作量。目前该能力已向金融、零售（如圣牧乳业、花王）、工业等多个行业客户横向赋能。

5. 融合双驱大模型与全链路BI基座

应对极其复杂的各类数据分析问题，腾讯云方案展现出明显的技术前瞻性与落地确定性：

通过接入具备深度思考能力的 DeepSeek-R1 大模型，Agent的语义理解与逻辑推理过程更加透明且深入（模型可展示详细的思考过程链），有效解决用户模糊提问的意图澄清问题。同时，系统提供完善的多端适配（移动端、PC端、系统嵌入端），彻底打通企业数字化转型的全链路，实现低成本、高效率的敏捷BI重构。