导读： 过去几年刚建成的数据平台，今天正加速沦为"传统基础设施"。当 Agent 开始主导数据的构建、分析与消费，企业数据平台普遍陷入困境：对上层 AI 的支撑力不从心、价值链地位被动、预算持续承压。
本文系统梳理 DataWorks Data Agent 从 Copilot辅助 → 人机协同 → AI自主驱动 的三阶段演进路径，深入解析覆盖数据开发、运维诊断、自主治理与 ChatBI 的四类智能体产品体系，并首次公开内部架构迭代与云端全托管工程化实践。Agent 是否已为规模化落地做好准备？答案取决于企业是否愿意将规范、知识与最佳实践，系统性注入智能体的演进闭环。
认知跃迁：数据智能体演进的三个阶段
从2023年开始，DataWorks的智能化能力建设经历了三个递进的阶段。
第一阶段是Copilot模式。 工具仅作为辅助，完成SQL补全、生成等操作，人依然是主导方。这种模式下效率天花板明显，观测数据显示大约能提升30%到35%的代码编写效率。
第二阶段是人与AI协同。 这是当前所处的阶段，效率提升幅度从30%到100%不等。Agent在这个阶段逐步取代传统SaaS的GUI操作，提高人操作工具的效率。
第三阶段将由AI完全主导。 人只需委派任务，AI自主编排和执行，人仅做结果检查、review和最终决策。效率提升可能达到十倍甚至百倍级别，人在AI角色中的比重会持续减少。
产品矩阵：四类智能体覆盖数据全链路
DataWorks Data Agent 并非单一功能，而是建立在整个服务层之上。模型层提供Qwen系列、GLM系列，以及针对NL2SQL场景微调的专家模型，同时支持客户独立部署自有模型。智能体层提供了四类Agent：数据工程（ETL开发）、数据治理、数据分析（Chat BI）、集群管控与运维优化，全面覆盖数据生产与消费链路。同时用户交互层则提供多种交互形式。 
场景一：数据开发的全流程自动化
传统ETL高度依赖人工编写代码，周期长、效率低，且依赖资深工程师，新人上手门槛高。还有一个常被忽略的问题：规范落地。即便企业建立了开发规范，依赖人来执行时，很难保证每位工程师都严格遵循，交付质量参差不齐。
Data Agent在数据开发中实现的是基于需求文档驱动的全链路自动化。用户只需用Markdown格式描述需求，Agent自主进行任务编排、生成任务代码、完成调度等任务配置、做检测，然后发布上线。
实战示例 ：直播订单数仓开发中，Agent 可基于需求自动规划ODS→DWD→DWS→ADS 全链路，明细层/汇总层/应用层通过不同引擎进行计算，全程遵循湖仓规范，人工仅需抽查确认即可发布。 
场景二：任务运维诊断从被动响应到主动响应
数据运维长期面临的问题是被动响应，尤其是半夜被告警叫醒的场景。DataWorks Data Agent的诊断能力覆盖任务全周期，无论任务是未运行、已运行还是运行报错，Agent都进行多维度的关联分析，给出结构化诊断报告，并提供相应的修复建议和快捷修复操作。整个问题分析和解决过程通过自然语言对话完成。
场景三：数据治理的"自主式"闭环
没有经过治理的数据无法被正确消费。传统数据治理面临四个典型问题：数据资产难发现、难理解，表多口径多，找表和理解数据成本高；治理依赖人工经验，规则、策略、动作都依赖专家，难以规模化；治理过程碎片化，元数据、质量、计算优化各自独立，缺乏协同；治理效果难持续，停留在一次性专项，缺少持续闭环。
Agent的介入重构了治理范式：
-
智能资产发现：治理人员只需用自然语言描述指标逻辑或业务场景，Agent即可自动理解、检索并推荐相关数据表。选中某张DWS汇总表后，Agent能自动查询并生成全链路血缘报告，以可视化图谱呈现上下游链路关系，既可以追溯到最源头的ODS层，又能详细分析指标的关键加工链路，还可针对下游业务进行变更影响分析。
-
质量规则自动生成：在数据质量保障场景中，当用户提出质量治理需求，Agent自动理解意图，根据业务场景和血缘链路智能识别数据分层结构，帮助快速定位需要监控的ODS表，从源头侧批量建立数据质量监控体系。Agent会智能分析多维度的数据信息，结合行业实践和字段特征，智能生成质量规则，包含表行数波动、唯一关键字段格式等核心检测项，并自动配置监控数据范围、触发策略与告警机制。每条规则包含校验逻辑、告警阈值和推荐原因说明。确认后一键批量创建监控任务。
-
目标驱动自主治理：更关键的转变是，设定治理目标后，Agent可自主分析数仓或湖仓中存在的问题，自主规划并生成治理计划，计划可以周期性执行。数据的治理从被动的一次性运动，转向自主的持续闭环。
场景四：Chat BI的敏捷数据分析
在数据消费侧，Data Agent提供了面向分析的Chat BI能力。ChatBI 提供快捷问数和深度分析两种模式。如果只是查询一个指标，快捷模式更省token，速度更快。如果要做归因分析、趋势分析或更复杂的分析，则使用深度分析模式。深度分析模式底层调用更强的AI能力，配套更强的模型，不仅仅给出洞察，还会给出相应的行动建议，最终生成完整的数据报告。
架构迭代的三个阶段
该系统的Agent架构在过去两三年里经历了三次显著的变化。
第一阶段基于Dify构建。 主要做AI Workflow编排，流程相对固化，Agent的自主性较弱，但生态比较丰富。
第二阶段切换到AgentScope。 这是阿里开源的一个Agent框架，主打多Agent协同。框架灵活性高，适合做探索性、实验性的Agent开发，但生态相对没那么丰富。
第三阶段切换到基于QwenCode和OpenClaw的双引擎架构。 QwenCode和Cloud Code这类代码Agent在开发者端效果出色，但它们定位是面向开发者，严格来说不算框架，要变成企业级产品需要做大量工程化工作。OpenClaw的特点是支持多渠道IM对接，而且是"养成系"Agent，可以持续打造AI人设，实现越用越好用，但企业级能力相对较弱。
DataWorks Data Agent 2.0：云端全托管的工程化实践
面向开发者的Cloud Code和QwenCode通常装在个人电脑上，无法7×24小时工作，在企业场景还面临安全、风控、合规的挑战。Data Agent 2.0基于QwenCode打造了一个云端全托管的形态，提供云端沙箱环境，Agent可以7×24小时持续工作，连接企业生产系统。在安全合规方面，权限审计做了专门的工作。
交互形态上，该系统提供了四种模式。
Chat UI模式：标准的自然语言对话界面。
CLI模式：Web终端交互，适合开发者和极客用户。
远程控制模式：通过扫描二维码，手机上可以打开与电脑端一致的Agent界面，整个会话和执行过程同步，类似于苹果的接力功能，让手机承接PC端的Agent操作。
IM Channel模式：类似OpenClaw的模式，支持通过钉钉、飞书、企业微信接入。
AI 助理服务：安全可控的龙虾运维助理
基于OpenClaw构建的AI助理服务，主要定位为任务运维AI助理。工程化上解决了几个企业级关键问题：
-
全托管免运维：一键拉起实例，无需复杂配置，提供7×24小时在线服务。
-
安全可控：实现了不开公网就能连接各种IM端点的机制。使用了阿里云的全球加速技术，以及PrivateZone和PrivateLink三种技术组合，构建了从DataClaw到各类IM的专线，确保企业所有流量和数不出公网。配置DataClaw时可指定执行身份，所有写操作都需要二次确认。
-
内置官方Skill：覆盖数据运维、数据治理等领域，涵盖任务诊断、工作空间诊断、告警诊断、任务运维、质量监控等核心场景。
实际使用中，当任务失败发出告警时，告警会主动推送到AI助理服务。用户收到消息后，在IM端可以直接完成问题诊断、根因分析和任务修复，不需要打开电脑。一个典型场景是：让AI助理服务查找失败的任务实例，它会提示失败原因（如资源组过期），由于资源组已经修改，可以直接重跑该实例。
案例：淘宝闪购的落地效果
在阿里内部，淘宝闪购业务与DataWorks Data Agent合作落地。传统的人工加IDE工具的数据开发模式，流程割裂、人工操作多，一个需求开发周期需要数小时至数天。核心问题是：效率低下，重复性工作多；规范执行困难，靠人工记忆容易遗漏；质量保障不足，缺乏系统化检查；知识复用困难，经验难以沉淀。
切换到Data Agent模式后，实现了端到端智能化开发，覆盖全流程。通过扩展自定义Skill和业务知识库，数据需求开发周期从12到23个小时缩短到5到10分钟。规范通过Skill和Workflow自动执行，确保一致性；质量保障通过系统化检查和规范策略实现；知识和最佳实践沉淀在Skill和知识库中持续复用。
Data Agent带来的不是单纯的工具升级，而是改变了数据平台的工作方式。当需求开发从天级降到分钟级，当数据治理从运动式变成自主闭环，数据平台本身的价值链条也发生了变化。Agent是否已经为规模化落地做好准备，取决于企业是否愿意将规范、知识和最佳实践注入这些智能体的演进过程中。