快手DataAgent驾驭AI：重塑数据生产

引言

从“构建 AI”到“驾驭 AI”，工程范式正快速迁移。即将举行的 QCon 上海以 Harness AI 为主题，强调把 AI 从能力变成系统、从实验走向生产。在这一语境下，快手的 DataAgent 展示了数据系统在 Agentic 时代的重构路径：不再只是“数据驱动”的报表与 SQL，而是“智能驱动”的端到端数据生产与分析协作体。它直面大规模数据资产、严格安全边界与高可靠性要求，将 AI for Data 真正落到生产一线。

DataAgent 的系统设计：从工具箱到协作体

父子 Agent + Skill：通用与领域的动态配比

• 父子 Agent 结构将“通用推理”与“领域专长”解耦：父代理负责规划、协调与安全策略，子代理承载具体领域技能（如 AB 分析、埋点诊断、归因报告、人群洞察、找数取数、数据开发等）。
• Skill 作为最小能力单元，结合工具（Tool）进行动态加载与卸载，使同一任务可按上下文自适应选取最优能力组合。其意义在于，把原本静态、人员密集的“找人写 SQL、找资料对口径”，变成可编排、可演化的智能流程。

上下文管理与记忆：化解“爆炸式”信息

• 智能上下文卸载与压缩，避免 LLM 在长链路任务中“遗忘关键点”或被冗余信息拖垮。
• 长短期记忆并用：短期记忆聚焦当前对话与任务，长期记忆沉淀复用型知识与决策依据，让 Agent “越用越懂业务”。

空间与研发包：隔离与合规的工程落位

• 通过业务空间隔离与“研发包”机制，实现多租户、多业务线的权限、数据与工具边界划分，避免越权调用与知识污染。
• 与父子 Agent 协同，形成“按空间授权、按技能编排、按会话追责”的治理闭环，提升可靠性与可审计性。

知识工程：让知识资产被 LLM 直接消费

高质量数据集：从冷启动到自生长

• 以“种子数据 + 精度标尺 + 生长土壤”构建高质量准入体系。种子数据确保最小可用，标尺定义准确度与覆盖度，生长土壤承接用户真实问题与反馈，推动知识持续扩容。

LLM-wiki：结构统一、版本可控的新型知识库

• 知识从散落文档转为“结构化、版本化、可被 LLM 直接消费”的 wiki 化资产。统一口径、显式依赖、可追踪演进，降低幻觉与口径冲突。
• 对数据场景尤其关键：口径、维度、分群策略、指标血缘等，不仅要“能查到”，更要“能让模型用对”。

知识飞轮：在线问题驱动的闭环进化

• 流程：提问 → 召回 → 反馈 → 归因 → 迭代建议 → 知识更新 → 回归验证。
• 核心价值在于把“线上真实问题”变成知识生产力，确保知识“保鲜 + 保活”。在百万级数据资产下，准确召回与消歧成为第一性难题，飞轮机制提供系统性解法。

可观测与 Harness 工程：从“能用”到“可持续用”

Trace 与评测：让智能体可测可控

• 建立端到端 Trace 平台，记录计划、工具调用、参数、结果与校验，配合评测集与自动化评测，形成“离线基准 + 在线回放”的一致性验证。
• 指标不仅看准确度，还看覆盖度、时延、成本与失败可恢复性，支撑 Agent 的 SLA 化运营。

多智能体协同与执行可靠性

• 借助明确的子任务切分、工具白名单与参数校验、步骤级回滚与重试，降低复杂任务链路的脆弱性。
• 对于关键操作引入“二次确认/模拟执行”，将风险前置在可观测轨道之上。

成本与性能的 Harness 工程

• 模型选择与路由、缓存与复用、Token 与上下文压缩、工具优先级调度，共同构成“性能-成本-质量”的 Pareto 优化。
• 在真实业务中，这些工程细节决定了规模化推广的上限：既要好用，更要可负担、可治理。快手 DataAgent 已实现主动会话周活跃近万，侧面印证了可用性与可负担性的平衡。

落地价值：从数据驱动到智能驱动的跃迁

• 数据生产：从元数据检索、口径校验到任务编排与上线，形成端到端的智能化生产链路，减少“人肉对齐”和回归错误。
• 智能分析：对话式探索、自动生成与解释 SQL、指标归因与异常诊断，缩短从问题到洞察的路径。
• AB 分析与埋点分析：标准流程模板化 + 智能体个性化，既保证方法论一致性，又快速适配场景差异。
• 人群洞察与归因报告：在统一知识与工具之上，形成可复用的分析资产，提升决策效率与可信度。

这背后是角色与协作方式的变化：数据工程师向“Harness 工程”演进，专注性能、成本、可观测；数据产品与分析师则成为“知识运营”与“问题编排”的关键力量。

影响与展望

DataAgent 的路径为行业提供了清晰范式：
- 系统视角重构：以多智能体为核心的 Agentic 数据系统，不是给 LLM 加个查询接口，而是对知识、工具、上下文与治理的系统性再设计。
- 知识先行：LLM-wiki 与知识飞轮把“知识运营”前置为一等公民，没有高质量知识底座，所谓智能只会放大混乱。
- 工程托底：Trace、评测、SLA、空间隔离、安全合规与成本治理，决定了能否从试点走向全域规模。

面向未来，几个方向值得关注：
- 更强的跨域编排与隐私保护检索，解决多业务线协同时的精确召回与合规边界。
- 跨引擎的混合推理与全链路可追溯，打通从数据发现到产出的“意图-计划-执行-验证”闭环。
- 自主数据质量与自监督演化：把异常检测、口径冲突与血缘断点纳入飞轮，使系统自诊断自修复。
- 端云协同与低成本推理：在边缘侧完成轻量推断与过滤，把昂贵的推理留给真正复杂的环节。

从 QCon 所强调的 Harness AI 到快手 DataAgent 的实战路径，行业的共识正在形成：智能体并非“新瓶装旧酒”，而是推动数据系统迈向高效、可靠、可演化的新范式。下一阶段的竞争，将是知识工程与 Harness 工程的“双轮驱动”。

标签： AI for Data 数据智能体 多智能体架构 知识工程 Agent可观测