一、能力简介：从"繁琐配置"到"对话即配置"
单表离线同步是最常用的数据入仓方式：把一张业务表按周期（比如每日）成批同步到数仓或分析库。现在，只需一句自然语言指令，DI Agent 即可化繁为简实现。 您只需说明"从哪张表同步到哪里"，Agent 便会智能推演并自动补全全链路配置，仅在关键节点请求您的确认。现在只要用一句话说清"从哪张表同步到哪里"，Agent 会把这些配置自动补全，并在关键处向你确认。
Agent 能自动搞定的事：挑数据源、拉表结构、识别主键做分片抽取、生成分区、源目标字段同名映射、推荐并发与脏数据策略、生成建表语句......你只需确认。
核心概念速览
-
对话式建任务：通过自然语言交互，Agent 自动补齐配置并引导逐项确认，实现"对话即配置"。
-
离线与周期调度：离线同步采用成批处理模式，结合调度周期（如每日凌晨）到点自动运行，保障数据 T+1 准时就绪。
-
先确认，再运行：坚持"人机协同"理念，建表语句、字段映射等关键配置均需人工确认后方可生效，确保数据绝对安全可控。
三大使用场景速览
| 行业 | 典型诉求 | 同步方式（功能视角） |
|---|---|---|
| 连锁零售 | 门店销售明细每日入仓做报表 | 业务库 → 每日周期 → 数仓 |
| 银行金融 | 核心账务大表按日分区增量抽取 | 核心库 → 主键分片、按日分区 → 数仓 |
| 互联网 | 分库分表行为数据汇聚供运营查询 | 分库分表 → 合并汇聚 → 分析库 |
二、场景一 · 连锁零售：门店销售明细每日入仓
场景说明
某连锁零售企业有上千家门店，POS 销售明细存在业务 MySQL 库里。经营分析团队每天要看昨日各门店销售报表，需要把销售明细表每天 T+1 稳定同步到 MaxCompute 数仓。以前 IT 手工配同步任务，字段一多容易配错，改表还要重配。
核心价值
-
建任务提速：从"几十项配置"变成"一句话加几次确认"，分钟级搞定。
-
少踩坑：主键分片、分区、字段映射自动补全，减少配错和漏配。
-
每天自动跑：设好定时后每天自动同步，经营团队早上就能看昨日报表。
完整操作步骤
-
表达诉求："请将 MySQL 中的门店销售明细表，每天同步至 MaxCompute。"
-
智能追问：Agent 自动追问缺失信息（如指定 MySQL 数据源、目标 MaxCompute 项目、表名、每日运行时间等），您只需简单回答或从候选列表中选择。
-
配置确认：Agent 已自动识别主键分片、按业务日期生成分区、完成字段同名映射，并生成建表 DDL。您核对无误后点击确认。
-
试跑验证：触发一次试跑，Agent 自动执行并验证数据是否正确落表。
-
发布调度：验证通过后，一键设为每日定时调度，后续无需人工干预。
核心优势
-
无需记忆繁杂参数：分片、分区、映射等易错环节全部由 Agent 托管，将开发者从"配置员"解放为"审核员"。
-
DDL 先看后建：目标表建表语句由 Agent 生成并展示，确认后才执行建表，从源头避免表结构错误。
-
Schema 变更从容应对：源表新增字段时，只需让 Agent 重新映射即可，无需推翻重配整个任务。
-
关键概念提示 ："分片键" 决定大表并行抽取的速度，"分区" 决定数据的物理落盘位置。这两项 Agent 会基于表结构自动推断，通常无需您额外操心。
关键流程（功能视角）：来源表 → 自动配置（分片/分区/映射） → 每日调度 → 数仓表
三、场景二 · 银行金融：核心账务大表按日分区增量入仓
场景说明
某银行核心系统用 Oracle，账务明细是亿级大表，还含敏感字段。风控与监管报表团队需要把这张大表按业务日期增量抽取到 MaxCompute，既要抽得快，又要按日期分区便于回溯。大表全量抽取慢、易超时是老大难。
核心价值
-
大表提速：按主键并行分片抽取，速度快、不易超时。
-
便于回溯：按业务日期自动分区，监管回溯某天数据一目了然。
-
省资源：增量抽取只搬当天新增或变化的数据，减少重复搬运。
完整操作步骤
-
表达诉求："请将 Oracle 核心账务表按业务日期增量同步至 MaxCompute，并按天分区。"
-
智能追问：Agent 追问关键信息（如指定 Oracle 数据源、增量日期字段、目标分区字段、执行资源组等）。
-
策略确认：Agent 自动选取主键作为分片键，并生成按日期的分区表达式。您只需确认分片键与分区策略是否符合业务预期。
-
试跑校验：抽取单日数据进行试跑，验证数据条数与分区落盘是否正确。
-
发布调度：校验无误后，设为每日增量调度。
核心优势
-
大表提速靠"分片"：Agent 自动挑主键做并行分片抽取，这是大表不超时的关键，你只需确认分片键是否合理。
-
按日分区便于回溯：分区表达式自动按业务日期生成，监管查某天数据可直接定位到分区。
-
关键概念提示："增量"意味着每天只搬当天新增或变化的数据，不必全量重跑，速度和资源用量都更优。
-
资源可选：跑大表时可以指定更充足的资源组，Agent 会给出可用候选。
关键流程（功能视角）：核心大表 → 主键分片 → 按日期分区 → 增量入仓
四、场景三 · 互联网：分库分表行为数据汇聚入库
场景说明
某互联网公司的用户行为数据做了分库分表，散在几十个物理分片里。运营团队想把这些行为数据汇聚成一张表，同步到 Hologres 做实时查询和运营分析。逐个分片建任务工作量巨大。
核心价值
-
一次汇聚：分库分表可作为一个逻辑源，一次配置汇聚同步，不用逐分片建任务。
-
查询快：汇聚到 Hologres 后，运营可秒级查询。
-
上线快：字段映射与并发自动推荐，快速上线。
完整操作步骤
-
表达诉求："请将分库分表的用户行为数据汇聚同步至 Hologres。"
-
智能追问：Agent 追问数据源信息、目标汇聚表名、期望并发度等。
-
汇聚确认：Agent 自动合并各分片数据、完成字段同名映射并推荐并发数，您确认即可。
-
试跑验证：验证多分片数据汇聚结果的正确性与完整性。
-
发布调度：设为周期同步任务。
核心价值
-
分库分表一次搞定：不用为每个分片单独建任务，Agent 把它当成一个逻辑源汇聚。
-
并发有推荐：Agent 会按数据量推荐并发数，你也可按资源情况调整。
-
关键概念提示："汇聚/合并"是把多个同结构分片表合成一张目标表；字段同名自动映射，省去逐列手工对应。
关键流程（功能视角）：分库分表 → 合并汇聚 → 字段映射 → 分析库
五、通用最佳实践
-
聚焦核心，其余托管：对话时只需说清"从哪张表到哪里"，其余数十项配置放心交给 Agent 补齐。
-
关键节点，审慎确认：建表 DDL、字段映射、分区分片策略是数据质量的防线，务必在 Agent 提示时仔细核对。
-
抓大放小，关注核心 ：大表场景优先确认 "分片键" （决定速度），按日场景优先确认 "分区"（决定可回溯性）。
-
先试跑，后周期：正式投入生产前，务必先执行一次试跑验证，确保数据准确落表后再开启周期调度。
六、支持的数据源（部分）
| 方向 | 常见数据源 |
|---|---|
| 数据来源 | MySQL、Oracle、PostgreSQL、SQL Server、PolarDB、PolarDB-X、OceanBase、Kafka、OSS 等（支持约 57 种） |
| 同步目标 | MaxCompute、Hologres、MySQL、AnalyticDB、StarRocks、Kafka、OSS 等（支持约 54 种） |
本文为 DI Agent 能力最佳实践系列。更多信息可查看 help.aliyun.com/zh/datawork...