7.6
深览指数
产品Bestblogs·非凡产研··AI 生成
连写 5 遍 SQL 后，他从“人肉 Agent”的荒诞感里，死磕出了一款企业副驾驶
本文通过深度访谈数势科技创始人岑润哲，揭示了Data Agent产品化的核心障碍不在于技术，而在于企业内部指标口径的统一、数据治理基础以及决策权的重构。文章核心贡献在于明确指出，语义层（NL2Semantics）是消除模型幻觉的关键，让大模型在已校验的业务共识空间内做选择组合，而非盲目生成。同时，作者提出一个反直觉判断：客户更看重Agent“知道自己不知道”的反问澄清能力，而非炫技的多智能体协作。文章适合对AI Agent产品化落地、企业数据治理与决策架构感兴趣的中高层管理者或技术负责人阅读。原文 ↗
核心观点
- ▍语义层是消除模型幻觉的关键；模型只在已授权的业务共识空间内做选择与组合，不生成未被理解的内容，从而在语义层覆盖范围内实现100%消除幻觉。
- ▍企业采纳Data Agent的前提是内部业务共识、数据治理及决策快速通道三个信号至少满足两个；否则Agent只会放大混乱而非创造价值。
- 01SwiftAgent采用自研指标语义层实现NL2Semantics，让大模型在业务人员校验过的指标语义空间里进行选择与组合，而非自由推理。
- 02客户调研显示，他们更看重Agent基于Human-in-the-loop的主动追问能力（让用户知道Agent‘不知道自己不知道’），而非炫技的多智能体协作或思维链可视化，后者对业务价值边际递减。
- 03L4行动闭环（自动发现异常-归因-生成整改建议-推送至责任人）已在零售场景成功跑通，但在金融等高合规行业因监管和内部风控导致高阶行动接受度低。
- 04产品演进经历了从分析-归因-报告到分析-决策-行动的L4闭环，核心升级包括可配置的流程编排层以及与钉钉、飞书等IM平台的入口后台化策略。
- 05创始人岑润哲在头部互联网公司五年量化运营期间反复编写相同SQL、对齐指标口径的经历，是产品化思考的直接动因。
反方 / 局限
- — 作者承认，当前真正的瓶颈不是技术（模型精度、NL2SQL等已基本解决），而是组织决策权限、数据治理基础及业务共识的对齐；若指标口径不统一、数据无责任人或AI建议需走完整传统审批流程，Agent再准也只能停在‘建议’这一步。
- — 文章隐含一个未充分展开的局限：100%消除幻觉仅限于语义层覆盖范围内，对于语义层之外或模糊问题，Human-in-the-loop反问机制虽然能建立信任，但本质上是将问题推回给用户，并未从根本上解决大模型的无知问题。
4 分钟 · 5 卡片 · 11 资料
读原文 →