Data Agent落地难的根子不在模型，在没人管的口径

本文解读：《2026Data+AI应用实践报告-爱分析》 · 共 39 页 · 原文

Data Agent 项目失败，大多不是模型不行，是企业说不清"销售收入"到底按哪个口径算。爱分析这份 Data+AI 应用实践报告共 39 页，选了两个市场做对照：面向经营分析和 自助取数的通用 Data Agent，以及进入设备运维、故障诊断的工业 Data Agent。

报告的核心观点是，模型能力只是起点。财务收入、经营收入、含税收入在同一个企业里可能 同时存在，分析师会凭经验挑一个，Agent 却需要企业把判断依据明确交出来。

两个案例把差距摆得很清楚：Anthropic 约 95% 的业务分析查询已由 Claude 自动完成，缺少 Skills 时准确率不超过 21%；某新能源企业上线后，问题发现到解决时间缩短 60%。

谁把口径、语义和方法沉淀成了资产，谁的 Agent 才算真上线。

图源：《2026Data+AI应用实践报告》（第1页）

一、难点不在问答，在找到对的数据

报告开篇给了一个很日常的问题：本月销售收入为什么下降？回答它需要走完一串动作——识别收入口径、找到可信数据、排除异常、完成归因，最后给出 可以回溯的结果。任何一环缺失，都会生成一份看起来完整、却没法拿去决策的答案。

企业并不缺数据。数据仓库、数据平台、BI 系统建了很多年，但这些基础不会自动变成 Agent 的能力。指标口径、数据关系和业务规则往往散落在平台配置、报表、文档和几个老员工 的经验里。

大模型能写出查询语句，却未必找得到正确的表和正确口径。应用越贴近经营决策和生产运营， 这类偏差的代价越大：问数工具答错一列最多返工，设备诊断错了可能要停机。

模型能生成 SQL，但决定答案对错的仍是企业自己的口径。

图源：《2026Data+AI应用实践报告》（第2页）

二、先挑高痛点、低风险、能算账的场景

报告把落地拆成四个环节：场景选择、数据与知识准备、任务执行、持续运营。

第一步最容易走偏。很多项目从平台能力出发，集中演示自然语言问数、自动生成报告、 一次调多个工具，看起来热闹，却回答不了两个基本问题：业务人员会不会持续用，投入有没有 带来可验证的收益。

它给出的筛选标准是三条：痛点要突出，现有工作频繁取数、反复分析或依赖少数专家； 风险要可控，Agent 出现偏差时能被及时发现和纠正；效果要可衡量，启动前就能建立效率、 质量或成本的基线。

启动之前，企业还得把使用者、输入数据、分析步骤、交付结果、人工责任和验收指标逐项 写明。首个项目的目标不是铺开功能，而是验证一项业务任务能不能稳定跑通。

第一个 Agent 要证明的是"这活能稳定干成"，不是"我们也能做大模型"。

图源：《2026Data+AI应用实践报告》（第3页）

三、数据要可理解，也要能被调用

口径显性化是这份报告里最实的部分，它给了四条要求。第一，核心业务概念要对应权威数据来源。收入、客户、订单、设备这些关键对象需要统一 定义，明确计算逻辑、统计范围和适用条件，减少名称相近、口径冲突的模型。

第二，数据要带足够的业务语义。表名字段名只描述技术形态，Agent 还需要知道一行数据 代表什么、哪些记录该排除、表之间怎么关联、异常时找谁。

第三，数据要以可调用的方式提供。走语义层、指标平台、数据服务或知识库，把成熟的分析 方法封装成 Skill 或工具，规定查什么、怎么分析、何时停下来问人。

第四，调用过程要能追溯和更新。重要结论保留数据来源、口径和更新时间；模型、规则、 职责一变，相关语义和 Skill 要同步维护。

报告特意强调，开放更多原始表和历史查询记录只会扩大搜索范围，经过筛选组织的上下文 才真正提高效率。建设 Agent 也不意味着推倒现有的数据治理体系，而是把已有成果翻译成 它能用的生产资料。

这类报告的原文件，运营动脉（www.yydm.cn）收得比较全，按行业分好了类，翻起来不费劲。

想核一个具体数字，或者补一张原图，直接搜报告名就能定位到相应的那一页。

治理做完了不等于 Agent 能用，中间还差一层翻译。

图源：《2026Data+AI应用实践报告》（第4页）

四、从回答问题走向完成整个分析任务

确认口径只是起点。要回答收入为什么下降，还得比较不同时期、拆区域和产品、识别主要 影响因素，再把结论整理成会议材料或改进建议。

报告把 Agent 的能力分成三层：获取事实，检索数据回答明确问题；完成分析，连续调用查询、 计算、可视化和内容生成，形成合格交付物；衔接流程，把结果提交给人和系统，支持任务创建、 审批流转和结果跟踪。

执行时，确定性能力和大模型能力要分工。指标计算、数据校验交给查询引擎、规则引擎和 专业模型；成熟重复的分析步骤固化成工作流或 Skill；大模型负责理解意图、拆任务、选工具、 组织结果。

自主程度则要按风险分级。信息查询、草稿生成可以多自动几步；涉及经营判断、对外发布或 设备控制，就要留数据校验、权限控制和人工确认，等效果验证后再扩大授权。

评价口径也得一起换。别只看单次回答准不准，还要看分析周期缩短多少、人工工作量减少 多少、交付物有没有被采用、后续任务有没有被执行。对于能影响经营结果的场景，还可以 继续观察成本、收入、设备效率这些业务指标。

能连上"发现问题—分析原因—推动任务—跟踪结果"，才算进了业务流程。

图源：《2026Data+AI应用实践报告》（第5页）

五、Anthropic：95% 的查询，靠的是 Skill

通用 Data Agent 的案例来自 Anthropic 2026 年 6 月公布的内部实践。它约 95% 的业务分析查询已由 Claude 自动完成，整体准确率约 95%。但报告强调， 这个结果不是接入数据仓库就能拿到。

Anthropic 把错误归成三类：业务概念对应多个数据实体，数据源和定义持续变化，正确资料 存在却没被找到。就连"活跃用户"这种指标，也要判断哪些行为算活跃、统计多长周期、 是否排除异常账号。

第一条路径是缩小数据选择空间。为收入、用户等核心概念建受治理的数据集，Agent 优先走 语义层调统一指标，语义层覆盖不了再靠血缘和模型关系找表。

报告给了一个很扎眼的对比：直接向 Agent 开放数千份历史 SQL，对准确率的提升不足 一个百分点。资料数量替代不了结构化的数据导航。

第二条路径是用 Skills 沉淀查找和分析方法，知识 Skill 负责引到权威资料，流程 Skill 规定澄清问题、选数据源、执行查询、检查结果。内部评测显示，缺少 Skills 时 Claude 回答数据分析问题的准确率不超过 21%； 加入后整体稳定超过 95%，部分业务域接近 99%。

同一套模型，21% 和 95% 之间差的是几十个 Skill。

图源：《2026Data+AI应用实践报告》（第6页）

六、Skill 不维护，一个月就掉到 65%

报告第三条路径是评测闭环：离线用常见问题和长尾问题建评测集，把用户纠正转成新样本， 数据模型或 Skill 一变就重跑。线上把信息源的可信层级、数据新鲜度和责任人展示给使用者， 提交给管理层的重要结论仍保留人工确认。

它不是一次性投入。Anthropic 观察到，Skill 缺少维护时，离线准确率一个月内从约 95% 掉到约 65%。团队随后把数据模型、语义层、参考文档和 Skill 放进相互关联的 维护流程，模型一改就同步检查 Skill 和文档。

报告也承认边界：高准确率不等于消除错误。答案错了但没人发现，这种静默失败仍要靠来源提示、重点指标日常校验和关键结论人工复核 来兜。自动化真正释放的是数据团队的精力，让他们有时间做因果分析、预测和机器学习。

这对企业的含义很直接：Agent 上线只是运营的起点，版本、提示词、工具每次变更都要回归 测试，关键场景还得留抽样复核和降级方案。

Agent 上线不是终点，是每个版本都要重新校准的起点。

图源：《2026Data+AI应用实践报告》（第7页）

七、工业 Agent 要把专家经验编进流程

工业场景更硬。同一台设备功率下降，原因可能是性能退化、环境变化、传感器异常、控制 策略或生产计划。报告指出，工业 Agent 要给出可执行判断，得同时理解设备、工艺、数据关系和现场约束。 宽泛的"工业智能体平台"很难形成验收标准。

它的建设要求有五条：围绕具体工业问题组织范围；以设备、工艺、物料、组织、指标为主线， 把 SCADA、PLC、DCS、MES、ERP 里的数据建立标识映射；把专家经验与专业小模型封装成 Skill 和工具；把 Agent 嵌进工单、巡检、备件等流程；按风险分级开放自主权。

架构上还要照顾现场：靠近设备控制的任务可能需要边缘侧处理，海量时序数据的性能、 工业网络隔离和故障降级都要提前设计。每次数据调用、模型判断和任务执行都要留痕， 支持追溯和审计。

专家的角色也随之改变，从逐次处理问题转向定义规则、校验结果、维护方法。

工业 Agent 的护城河不在对话，在那套能追溯的受控任务链。

图源：《2026Data+AI应用实践报告》（第8页）

八、新能源案例：60%、80% 与 45%

案例主角是一家新能源项目开发、投资和运营管理平台，在全国十余个省市运营近百个工商业 分布式及集中式光伏项目。

它的旧问题很典型：经营报表靠人工从多个系统提数汇总，管理层要逐层查 BI；场站每天 产生大量 SCADA 和物联网告警，系统能发现异常却判断不了重要性，专家经验也沉淀不下来。

联合寄云科技后，企业建了覆盖经营分析、数据分析和现场运维的多智能体体系，管理者可 直接用自然语言问风电、光伏、储能的发电完成情况，也能钻取到数据来源。

技术底座是 NeuSeer 工业数据智能平台，做 OT、IT、ET 数据融合，用本体建模把设备、 工艺、组织、指标建成领域模型。运行方式是"大模型加专业小模型"协同：小模型做性能分析、 功率曲线评估、异常检测和故障识别，大模型负责组织流程、生成建议。

成效写得很具体：问题发现到解决时间缩短 60%，设备平均故障间隔时间提升80%，备品备件更换周期延长 45%，场站清洗成本降 20%，逆变器维修成本降 30%， 人员抢修成本降 60%。

报告结语的判断值得记住：规模化不等于同时建更多智能体，而是先跑通一项高价值任务， 再把数据和评测样本沉淀为公共能力，让后面的场景复用，避免每个场景从零重做一遍。

39 页原文、两个案例的完整路径和评测细节，都在运营动脉（www.yydm.cn）上，搜报告名即可打开。