4月14日，我去了趟香港喜来登，听了整整一天的Databricks AI DAYS。
不谈情怀，只聊技术。这篇文章记录我看到的关键趋势、真实案例，以及我对"AI+数据分析"落地路径的一些思考。
一、先说结论：Agentic Analytics不是概念，是正在发生的事
今年大会的核心词只有一个：Agentic AI（代理型AI）。
翻译成人话：让AI替你干活，而不是你教AI干活。
具体到数据分析领域，就是------你不用再写SQL、不用拖拽做报表，直接问AI：
"帮我看看华东区上个月销售额为什么掉了？"
AI自己去理解问题、拆解任务、查询数据、生成图表、给出结论。
这听起来很理想，但Databricks这次展示的AI/BI + Genie，已经让这件事从"实验室"走向了"生产环境"。
二、 3 个让我印象最深的技术方向
1. Lakebase：Postgres for AI Agents
这是本次大会的重磅发布。
简单理解：过去AI Agent要访问数据，需要写一堆胶水代码、适配各种数据源。Lakebase做的事情是------给AI Agent一个专门的数据底座，让它像用Postgres一样自然地读写数据。
我的思考 ：
如果你所在的公司已经在做"自然语言查询BI"或"对话式数据分析"，Lakebase值得重点关注。它可能会改变AI应用的数据架构方式。
2. Agentic Analytics：超越传统BI
传统BI是"人主动找数据"，Agentic Analytics是"数据找人"。
会上展示了一个场景：销售总监在钉钉/slack里问一句"Q2哪个产品线毛利最低"，AI自动：
- 理解意图
- 查询底层数仓
- 生成可视化
- 给出归因分析
全程不需要任何技术人员介入。
我的判断 ：
未来2-3年，"对话式分析"会成为BI产品的标配。不管是Power BI、Tableau还是国产BI，都会往这个方向走。
3. 完整的Agent技术栈
Databricks这次不是只讲一个点，而是展示了从数据存储 → 模型服务 → Agent编排 → 应用层的完整技术栈。
这意味着：企业不再需要自己拼凑多个开源组件，可以直接用一套体系把Agent应用跑起来。
三、 2 个真实案例，很有说服力
BeOne Medicines（医药行业）
他们用AI做了两件事：
- 加速药物研发中的文献分析
- 为患者提供个性化的用药咨询服务
技术层面用的是Databricks的Agent框架 + 医学领域微调模型。
我的感受 ：
医药行业数据敏感、合规要求高，能在这种场景落地AI，说明技术成熟度已经到了一定水平。
CASETIFY（消费电子）
这个案例跟我自己的领域更近。他们用AI做的是：
- 用户行为实时分析
- 个性化推荐
- 客服自动化
CASETIFY的技术负责人分享了一句话我印象很深：
"AI不是为了取代人，而是让我们的运营团队从重复劳动中解放出来，去做更有创造性的事情。"
四、我在现场还观察到几个细节
这次会议有超过230人参会，现场技术氛围很浓。提问环节大家问的都是很实在的问题：
- "Agentic Analytics对数据质量的要求有多高？"
- "Lakebase什么时候支持私有化部署？"
- "小公司没有AI团队，能用这套东西吗？"
这说明技术人关心的是"能不能落地"，而不是"概念有多炫"。
五、我自己的几点技术判断
声明：以下纯属个人观点，不代表任何厂商立场。
判断一：SQL不会被淘汰，但会变成"隐藏层"
未来数据分析的交互方式会变成：用户用自然语言 → AI生成SQL → 执行 → 返回结果。SQL依然是数据世界的通用语，只是不再需要人直接写。
判断二：BI + AI Agent会成为企业数据分析的标配
这不是取代传统BI工具，而是在BI之上增加一层"智能代理"。Power BI、Tableau等工具也在往这个方向走。
判断三：数据治理变得更重要了
AI Agent再智能，如果底层数据是脏的、乱的，它也没办法给出准确答案。AI时代的竞争，本质还是数据质量的竞争。
六、写在最后
这次去香港参会，我最大的收获不是听到了多少新概念，而是看到了AI从"玩具"走向"工具"的真实路径。
如果你也在做数据平台、BI、或者AI应用落地，欢迎一起交流。
关于我 ：
我们团队（Sharewinfo）长期专注于数据分析和BI领域，服务过零售、制造、金融等多个行业的客户。这次参会之后，我们也在研究如何把Agentic Analytics的能力融入到Power BI解决方案中。
如果你对以下话题感兴趣，欢迎私信或留言交流：
- 对话式数据分析的技术选型
- AI Agent在BI场景的落地实践
- Lakebase与传统数据架构的集成方案