业务人员想查看经营指标，需要提交需求、等待数据团队排期；数据工程师遇到任务问题，需要在日志、配置和监控之间反复定位；运维人员面对集群告警，则要逐一检查实例状态、节点指标和服务日志，再判断是否需要调整配置或重启服务。
随着数据平台日益复杂，不同角色都在面对同一个问题：大数据引擎能力越来越强，但使用这些能力所需的专业知识、操作步骤和协作投入也在增加。
与此同时，以 WorkBuddy 为代表的泛生产力 Agent 平台，正在覆盖越来越广的办公人群。当越来越多的人习惯用对话完成工作，一个现实的问题浮现出来：泛 Agent 平台能聊天、能写文档，但要做真正企业级的数据分析，还需要专业的东西------专业的数据引擎，和懂数据的专业 Agent。
现在，腾讯云大数据接入 WorkBuddy，将大数据引擎能力和专业数据 Agent 带入日常工作界面。
全面接入：六款引擎，两种形态
腾讯云大数据接入 WorkBuddy，覆盖弹性 MapReduce（EMR）、数据湖计算（DLC）、腾讯云 Elasticsearch Service（ES）、云数据仓库 TCHouse-C、TCHouse-D、TCHouse-X 六款大数据引擎，提供"连接器"与"专家"两种形态。
形态一：连接器------WorkBuddy 的 Agent，获得了操作引擎的工具。
各引擎的控制面与数据面能力被封装为标准工具与技能，接入 WorkBuddy 连接器模块。用户面对的是 WorkBuddy 的 Agent，但它手中多了操作数据引擎的真实工具：查询集群、分析日志、执行 SQL、诊断任务。用户只需描述目标，WorkBuddy 的 Agent 会选择合适的引擎工具，配合专业技能完成执行。
形态二：专家与专家团------腾讯云大数据的专业 Agent，进驻 WorkBuddy
三位内置专家由腾讯云大数据基于微调模型打造，自带大数据领域知识与任务方法。用户召唤的不是 WorkBuddy 的通用助手，而是懂数据的专业 Agent 本人。对于同时涉及分析、工程、运维多个角色的复杂任务，三位专家可组成"大数据专家团队"分工协作------专家团是专家的协作组合，而非独立于两者之外的第三种形态。
简单来说：连接器解决"调用什么引擎能力"，专家解决"如何更好地完成任务"，专家团解决"如何协作完成复杂任务"。
对 WorkBuddy 的用户而言，这次接入意味着在日常工作的平台上，可以直接获得企业级数据引擎和专业数据 Agent 的支持------数据分析不再必须切换到另一套系统、另一套语言。
三个场景：从一次查询到一个完整任务
数据是一座金矿，但过去挖矿的工具只掌握在少数人手里。现在，通过 WorkBuddy，这些工具以对话的方式递到更多人面前。
场景一：业务人员通过对话自助完成数据分析
传统业务查数通常从提交需求开始。业务人员描述问题，数据团队确认指标口径、寻找数据、编写 SQL，再将查询结果整理后返回。即使是常规分析，也可能涉及多轮沟通。
接入 WorkBuddy 后，业务人员可以直接向大数据分析专家提出：
分析过去七天各渠道的新增用户和付费转化情况，找出异常变化，并给出可能原因。
大数据分析专家会先确认指标定义、时间范围和分析维度，再调用已授权的数据引擎探查表结构、生成并执行 SQL，对查询结果进行比较、归纳和解释。
用户还可以继续追问："按地区进一步拆分，重点分析华南地区转化下降的原因。"整个分析过程都在同一段对话中连续完成。业务人员不需要预先掌握数据表结构、SQL 语法或引擎操作路径，即可从业务问题出发获得数据结果和分析结论。
场景二：工程和运维人员通过对话完成问题诊断
数据任务异常通常不只需要查看一项信息。工程师和运维人员可能要依次检查任务状态、运行日志、集群负载、服务健康度和配置参数，才能逐步缩小问题范围。
现在，用户可以直接向大数据工程专家或大数据智能管家描述问题：
昨晚的 Spark 任务耗时明显增加，请检查任务和集群状态，定位可能的性能瓶颈。
以 EMR 为例，专家可以查询集群实例、运行日志和健康状态，进一步诊断 HDFS、YARN、ZooKeeper 等服务，并分析 Spark 数据倾斜或 StarRocks 引擎错误。以 TCHouse 为例，专家可以查询集群监控指标、节点状态、任务进度、告警事件、配置参数和 SQL 执行统计，判断异常来自资源负载、查询执行还是集群状态。
专家不仅返回分散的指标和日志，还会围绕问题组织诊断步骤、归纳关键线索，并给出处理顺序。在用户授权和确认后，还可以继续执行服务重启、配置下发等管控操作。
场景三：专家团队在统一平台内完成跨流程复杂任务
复杂任务不一定意味着跨越多个引擎。更常见的情况是：在同一个平台内，一个目标同时涉及数据分析、数据工程和平台运维等多个流程。
例如，用户可以围绕 EMR 平台提出：
昨天核心业务报表产出延迟，请分析影响范围，定位数据任务问题，检查平台运行状态，并给出修复和优化方案。
这是一个完整任务，而不是一次简单查询。它可能同时包含：分析报表和关键指标的延迟情况，判断业务影响范围；检查相关 Spark、Hive 等数据任务的运行记录与处理链路；分析是否存在数据倾斜、任务失败或执行效率下降；检查 HDFS、YARN、ZooKeeper 等服务及集群资源状态；汇总问题原因，制定修复顺序和后续优化方案。
面对这类任务，用户可以召唤"大数据专家团队"：大数据分析专家负责分析数据产出情况和业务影响；大数据工程专家负责检查任务链路、作业逻辑和性能问题；大数据智能管家负责检查集群健康、资源负载和服务状态。三位专家围绕同一个平台、同一个任务目标分工协作，最终形成统一的诊断结论和处置建议。
这一场景的核心，不是把多个系统简单连接起来，而是在统一平台内打通不同角色和工作流程，让 Agent 专家团队从"回答一个问题"进一步升级为"交付一个完整任务"。
从功能操作，到目标驱动
腾讯云大数据接入 WorkBuddy，带来的不只是使用链路缩短，而是大数据引擎使用方式的一次升级。
过去，用户需要进入不同引擎的控制台，理解产品概念和功能路径，再通过 SQL、配置或运维工具完成操作。现在，用户可以从任务目标出发，用自然语言直接调用引擎能力或专业专家。
大数据引擎的使用方式，由此从"人理解系统、寻找功能"，升级为"Agent 理解目标、组织能力并执行任务"。
这个变化带来三个直接结果：
业务人员可以自助完成部分数据分析，不必再把每个取数需求提交给数据开发排期；工程师可以更快完成信息收集和问题定位，从反复切换系统、复制信息、手工串联分析过程中解放出来；原本依赖专家经验的集群诊断、SQL 优化、执行计划分析等能力，被沉淀进 Agent，覆盖到组织里更多需要数据的角色。
为什么是"专业"的：微调模型与专家团队
WorkBuddy 上的 Agent 很多，数据分析这件事为什么要强调"专业"？
因为数据分析不是通用对话。它需要理解指标口径和业务语义，需要熟悉引擎的特性和脾气，需要知道一次诊断该先查什么、后查什么。通用大模型可以聊天，但面对"Spark 任务变慢"这样的问题，专业与否直接决定结论是否可用。
腾讯云大数据在 WorkBuddy 中提供的专家 Agent，基于腾讯云数据分析智能体 TCDataAgent-AVA 打造，将大数据领域知识、增强工具、任务方法和场景经验注入专家，并对通用模型进行专业增强：
-
大数据分析专家：对文件和腾讯云大数据引擎中的数据进行分析，从海量数据提取关键洞察，提供业务决策支持
-
大数据工程专家：负责数据建模、调优执行，将原始数据转化为可分析的高质量数据资产
-
大数据智能管家：负责集群监控、性能监测、故障排查与容量规划，保障数据平台高可用
三者组成的"大数据专家团队"，面向同时涉及多个角色或引擎的复杂任务，拆解目标、分工执行、统一汇总结果。
无论通过连接器还是专家，数据访问都在用户授权的账号和权限边界内进行------权限机制与原有体系一致，变化的只是使用方式。
六款引擎接入能力总览
六款引擎覆盖数据湖、开源大数据、搜索分析和实时数仓等核心场景。用户既可以单独调用某一引擎，也可以根据任务需要组合多个引擎能力。
怎么开始使用
腾讯云大数据各引擎的连接器正陆续上架 WorkBuddy，可在 WorkBuddy 的「专家·技能·连接器」中找到连接器。
腾讯云大数据专家与连接器上线灰度测试中，申请试用请提交相应产品工单进行申请。
接下来，腾讯云大数据还将围绕 EMR、DLC、ES、TCHouse-C、TCHouse-D 和 TCHouse-X，陆续推出 WorkBuddy 最佳实践系列，深入介绍各引擎的典型任务、操作方式与场景案例。
从 WorkBuddy 出发，到更多 Agent 平台
WorkBuddy 是这套专业数据能力率先接入的泛生产力平台。对 WorkBuddy 而言，专业数据引擎与数据 Agent 的加入，让平台的能力版图从通用办公延伸到企业数据分析这一核心场景；对腾讯云大数据的用户而言，已有的引擎资产从此多了一个自然语言的入口。
这次接入基于标准化的接口形式（MCP 等）完成。这意味着同一套引擎能力与专家能力，并不绑定单一平台------除 WorkBuddy 外，更多其他第三方 Agent 平台同样可以调用。
腾讯云大数据要做的，是专业数据能力的提供方：引擎在这里，专家在这里，各类 Agent 平台都可以接入。
从一个问题出发，直接调用一款引擎、一位专家，或一支完整的大数据专家团队。