当大模型浪潮席卷而来，Data Agent成为热门探索方向。但热闹之下，关于技术路线、产品设计、落地实践，业界仍然存在很多分歧。哪些是普遍共识？哪些又是值得探讨的"非共识"？
近期，观远数据「AI+BI观察家」栏目，由观远数据联合创始人&首席数据科学家字节对话某大厂算法工程师姬贺瑄，围绕Data Agent产品技术的核心争议话题展开深度对谈，从技术路线选择到可信度保障，再到ToB落地挑战，分享了很多不一样的观察和见解。
技术路线之争：Agent模式 vs Workflow模式，并非对立而是互补
在AI+BI技术探索中，一个核心争论始终存在：到底应该走Agent模式，还是Workflow模式？外界对此看法不一，技术圈更兴奋于Agent带来的无限可能性，而企业用户更看重结果的稳定性。
对此，姬贺瑄认为，两种模式本质上是面向不同类型的用户需求，并非对立关系，而是互补关系。
“Agent模式面向的是通用场景，或者偏创造性的工作——我不知道答案是什么，我需要模型灵活地调用资源、调用各种工具，思考给出结论。而Workflow模式面向的，则是步骤非常清晰的场景：用户对输出有明确预期，知道数据在哪里，也知道计算逻辑，只是希望减少重复劳动。”
而随着模型能力的持续增强，我们发现这两种模式的界限正在变得越来越模糊。
一方面，封装好的skill本身就能为Agent提供确定性的锚点——只要路由正确，skill内部的输入输出是稳定的，模型不需要从零思考每一步该怎么做。另一方面，Agentic模式下的容错能力也在提升，模型能更好地识别自己走错了路，主动回退、切换策略，而不是一条路走到黑。
这意味着，Agent不再只是"灵活但不可控"，Workflow也不再只是"稳定但死板"。 两者正在朝着同一个方向收敛：用skill沉淀确定性，用Agent的调度和容错能力覆盖不确定性，最终给用户一个既灵活又可靠的体验。
自然语言转代码：四条技术路线，如何选择？
实现自然语言转数据结果，当前业界主要有四条技术路线：词槽模式、to SQL、to DSL、to Python。不同路线各有优劣，该如何选择？
词槽模式是大模型时代之前常用的方式，通过分词模板把关键词填入对应位置，生成结构化查询。姬贺瑄认为，它的优势是快，但局限性也很明显——必须保证输入完全标准，场景适应性有限，现在更多是作为Agent链路中的一个优化路径存在，而非完整解决方案。
关于to SQL和to DSL的对比，姬贺瑄分享了他对业界技术路线的理解：
"如果我们把复杂计算提前算好，指标都预先聚合到数据集层面，只需要做简单计算，这种情况下to SQL和to DSL效果差不多。但如果需要穿透数据层，赋予更多能力，to SQL的能力边界确实更宽泛。"
至于to Python，它的灵活性是四条路线中最强的，但确定性相对会弱一些。全链路依赖Python，还不能满足企业级数据分析的场景。
但这并不意味着to Python没有用武之地。它适合作为分析链路的最后一站： 前面通过SQL或DSL拿到相对准确的数据之后，再交给Python做进一步的加工处理——趋势拟合、异常检测、可视化呈现——拓展分析思路，发挥模型在灵活性上的优势。
主动式AI vs 被动式AI：主动洞察更能释放价值
AI+BI的未来形态是什么样？一种探索方向是从"被动响应"走向"主动洞察"——不是等用户来问，而是AI主动发现异常、推送洞察。这种方式能激活更多使用场景吗？
姬贺瑄对此表示认同。传统AI都是被动式响应，用户主动发起查询。而主动式AI能在发现异常时主动推送，更容易让用户感受到价值，甚至激发用户进一步探查的欲望，反而能激活洞察场景的价值释放。
"以前AI主要是被动响应。现在有一种方向就是AI能不能主动介入工作流程，发现有价值的洞察主动推送给你，这样用户体验会更好，也更容易让用户感受到AI的价值。"
从被动到主动，这是AI+BI从"问数工具"进化为"数据同事"的关键一步——真正融入工作流，而不是等待用户召唤。
生成式AI vs 检索式AI：先检索后生成，兼顾效率与可信度
AI生成结果不可信，是企业落地AI+BI最头疼的问题之一。有一种实践思路是干脆放弃生成，只做检索——你要的答案已经有人算过，直接找到给你就行。这种方式可行吗？
姬贺瑄认为，当前阶段这种实践是合理的，核心痛点确实在于小白用户无法验证结果正确性。
"当前确实有一部分实践放弃生成、专注检索——如果用户需求能通过已做好的看板满足，找到直接给用户，简单加工就能用，这是OK的。如果需要生成，可以尝试，但结果确实不保证百分百可信。"
为什么会是这样？因为大模型生成能力的可信度和能力上限，确实还没有达到完美状态。姬贺瑄判断，未来的方向一定是检索和生成更好地结合——先检索找到已有的可信资产，在此基础上再做生成，既能保证效率，又能兼顾可信度。
这种"先检索后生成"的路径，其实是在当前技术阶段，平衡了用户需求与技术现实的最佳实践。
ToB场景落地：统一口径与灵活分析，平衡之道在哪里？
BI的ToB场景有其特殊性，核心矛盾在于统一口径与灵活分析的平衡。传统模式很难适配快速变化的业务需求，AI时代这个矛盾该如何解决？
姬贺瑄认为，指标平台会变得越来越重要。因为模型需要确定性的输入，才能产出确定性的结果，而指标平台恰恰解决了这个问题——提前把指标定义、计算好，给模型提供干净、可信的输入。
关于知识工程建设，姬贺瑄把数据分析领域的知识分为两类：
非结构化知识：沉淀在文档中，用自然语言描述
结构化知识：最典型的就是指标，本身就是高度可信的
"看板本身就是高度可信的东西，我们决策目前还是依赖这部分。我们可以从这部分最可信的资产中，挖掘背后最可信的规则。"姬贺瑄指出，如果能打通从看板到知识建设的路径，很多问题就迎刃而解了。
而在上线后的持续优化中，用户使用过程中产生的bad case其实是最宝贵的信息。"这些case是我们在冷启动过程中忽略掉或者无法收集的，但沉淀下来之后，未来会非常有通用性。"姬贺瑄强调，需要把链路闭环——通过用户的使用反馈，反过来优化知识库、训练模型，这样才能持续进化。
面对AI焦虑：向前看，保持开放，不用过度纠结
访谈最后，聊到了一个非常现实的问题：作为技术人，如何面对AI可能替代工作的焦虑感？
姬贺瑄分享了自己的思想历程：一开始也会焦虑，想要找到"哪些地方是AI不可替代的"，提前布局。但后来想通了，找到了与焦虑和平共处的方法。
"我跟朋友聊天，他问我觉得你现在做的事情多久之后会被大模型100%替代？我当时给了非常保守的答案：最晚不会超过三年。"
"那如果三年内被完全替代，你打算做什么？"
面对这个问题，姬贺瑄的回答很有意思：
"我经历了很多思想实验，后来想通了——解决这个问题的方法就是向前看。一切历史都是当代史，唯一能做的就是接触足够多的信息，不去惧怕改变。很多人既有期待又有恐惧，因为恐惧就选择不去看这部分信息，假装蒙住双眼，刷到就划走，这样好像就不焦虑了。但如果你能把恐惧消解掉，保持头脑的开放性，其实不需要太过纠结，顺其自然就好。"
这种开放向前的态度，也代表了很多一线技术人面对AI浪潮的心态——积极拥抱技术变化，做好当下该做的事，至于未来会是什么样，交给时间证明。
结语：AI不是来替代的，是来赋能的
从技术路线的选择，到落地实践的坑，再到面对焦虑的心态，这场对谈聊了很多，也让我们对AI时代的BI有了更清晰的认知：
技术层面：Agent与Workflow不是对立，而是互补；根据场景选择合适的自然语言转代码路线；先检索后生成是当前阶段可信度保障的最佳实践。
落地层面：指标平台越来越重要，打通从看板到知识的路径，用用户反馈闭环持续优化。
心态层面：向前看，保持开放，拥抱变化，不用过度焦虑。
正如姬贺瑄所言，AI带来的不是替代，而是赋能——把重复劳动交给AI，让人去做更有创造性的工作。Data Agent的技术探索还在途中，真正的突破不在于某一个银弹技术的出现，而在于在每一个具体产品决策中，平衡好灵活性与确定性、效率与可信度，让数据能力真正走到业务一线，让更多人能用、会用、好用。
想进一步体验 AI+BI 在业务分析中的落地效果，可以从这里开始。
