DataWorks Data Agent 实战课堂（七）：数据治理 Agent——AI 驱动的自动化治理

一、课程目标与适用人群

数据治理真正的难点，往往不是"发现问题"，而是如何持续完成问题理解、方案确认、执行验证和后续跟踪。

DataWorks 数据治理 Agent 将这些原本分散在多个页面、依赖人工衔接的工作，收敛为自然语言驱动的治理流程。本课程通过 5 个典型场景，带你体验从一次治理到持续治理的完整过程。

本课程聚焦使用方法、业务效果和操作边界，不展开产品内部实现、接口、命令或模型编排细节。

📖 跟随本课程文档实操后，您将能够：

从治理工作项直接发起 AI 治理，完成分析、确认、执行和复检。
用自然语言描述治理目标，让 Agent 补充上下文并形成可执行方案。
创建 AI 治理项，持续扫描并识别真正需要处理的问题。
批量为资产打标，并把验证过的流程配置为定时任务。
使用 AI 巡检辅助代码评审，形成"发现---修复---复评"的治理闭环。
查看定时任务、运行记录和治理结果，持续跟踪治理成效。

👥 适用人群：

数据开发工程师、数据治理负责人、工作空间管理员、代码评审人及团队技术负责人

🔧 涉及工具：

DataWorks 数据治理 Agent ，将治理流程升级为自然语言驱动的智能化治理，只需用一句话描述治理目标，Agent 即可自动完成问题分析、方案生成、SQL 改写与复检执行，并支持将治理流程沉淀为周期任务，实现 7×24 小时持续治理。

二、先理解一个核心闭环

DataWorks 数据治理 Agent 的价值，不只是回答问题，而是推动治理工作持续向前：

发现问题：从治理工作项、自然语言需求、AI 治理项或代码评审中识别风险。
理解问题：结合任务、代码和治理上下文说明原因及影响。
确认方案：展示治理范围、建议和变更前后差异，由用户做关键决策。
执行验证：完成确认后的治理动作，并反馈检查或发布结果。
持续运行：将成熟流程配置为周期任务，通过记录和报告持续跟踪。

这个闭环的重点是：每一步都有清晰的输入、确认和结果记录，成熟后再转为持续治理。

三、课前准备

环境准备

已开通并能够进入 DataWorks Data Agent。
当前账号对演示工作空间具有与操作相匹配的权限。
准备一个可用于测试的工作空间，以及少量可安全操作的测试任务。
如需体验代码评审，提前准备提交账号、评审账号和一条测试变更。
如需体验定时任务，确认当前环境支持创建和查看 AI 定时任务。

课堂操作约定

文档中的工作空间、任务名称和时间均为示例，请替换为实际环境信息。
首次实操优先使用测试任务，避免直接修改核心生产任务。
涉及 SQL 修改、发布、批量打标或定时执行时，先核对范围，再确认执行。
定时任务创建后先立即试运行一次，确认结果符合预期后再长期启用。

四、实战路线图

实操	场景	你将完成什么	核心价值
实操一	从系统治理项发起 AI 治理	定位问题、生成方案、确认执行、创建周期任务	缩短从发现到解决的路径
实操二	对话式治理	用自然语言描述目标，完成诊断和方案确认	降低治理操作门槛
实操三	AI 治理项持续扫描	创建规则、扫描、智能复核、周期运行	从一次排查升级为持续治理
实操四	自动打标	按责任人批量打标并定时更新	让资产分类持续准确
实操五	AI 巡检辅助代码评审	发现风险、修复问题、再次评审并跟踪结果	将治理前移到变更环节

五、场景演示

实操一：从系统治理项发起 AI 治理

场景目标

你已经在治理工作项中发现一个任务问题，希望快速理解原因、获得治理方案，并把同类问题纳入持续处理。

操作步骤

进入数据资产治理的治理工作项页面，选择一个适合课堂演示的问题任务。
从该任务的 AI 治理入口进入 Data Agent 会话。
查看 Agent 给出的原因说明、影响判断和治理建议。
重点核对目标任务、影响范围、建议修改和预期结果。
确认方案后执行治理，并查看复检或发布结果。
当一次治理验证有效后，再要求将同类问题配置为周期任务。
创建完成后立即运行一次，并在执行记录中核验状态和结果。

关键演示画面

从系统治理项进入 AI 治理

查看治理方案与执行结果

创建治理定时任务

立即运行并查看执行记录

推荐输入

完成一次治理后，可以继续输入：

text 复制代码

将这个已经验证的治理流程配置为定时任务。
请先展示任务名称、工作空间、执行频率和治理范围，确认后再创建。

重点观察

Agent 是否自动带入了当前治理项和任务上下文。
是否清楚说明"为什么有问题"和"准备怎么处理"。
执行前是否给出明确的确认机会。
执行后是否展示治理结果，以及问题是否通过复检。
定时任务是否能够查看运行状态和执行记录。

完成标准

一次治理流程已成功完成并得到可核验结果。
周期任务配置清晰，首次试运行结果符合预期。

实操二：用自然语言发起对话式治理

场景目标

你没有从现成治理项进入，只知道工作空间、目标任务和想解决的问题。通过对话让 Agent 补齐上下文、分析现状并形成方案。

推荐输入模板

text 复制代码

帮我治理 工作空间 伊逍数据治理Agent 下连续空跑的节点

如果同名任务较多，可进一步补充任务标识、负责人或所在业务目录。

操作步骤

在 Data Agent 中输入工作空间、目标任务和治理目标。
根据 Agent 的追问补充必要信息，直到目标范围明确。
查看问题诊断、治理建议及修改前后对比。
选择要执行的任务或治理范围。
确认执行，并查看治理结果。
若该问题会重复出现，可继续创建周期性治理任务。

关键演示画面

用自然语言提交治理问题

查看诊断结果与治理方案

对话确认并创建周期任务

🎬 查看完整演示视频：对话式治理与定时任务

重点观察

自然语言是否足以启动治理流程。
信息不足时，Agent 是否主动澄清，而不是扩大操作范围。
方案是否同时包含原因、影响、建议和预期结果。
批量修改前，是否能逐项确认任务范围。

完成标准

从一句自然语言需求出发，形成了边界清晰、可确认的治理方案。
治理结果与最初目标一致，且没有影响范围外的任务。

小技巧：让指令更可靠

一个高质量治理指令通常包含四项信息：

在哪里：目标工作空间。
治理谁：任务、表、治理项或变更范围。
解决什么：问题和期望结果。
如何控制风险：先分析、先预览、确认后执行。

实操三：创建 AI 治理项并持续扫描

场景目标

固定条件可以快速圈出候选问题，但结果中可能包含不真正符合业务语义的资产。通过 AI 治理项进一步复核，并将规则转化为持续扫描和治理任务。

推荐输入

text 复制代码

创建一个 AI 治理项：
扫描【目标工作空间或资产范围】中的【目标对象】，
识别【用自然语言描述的问题特征】。
首次扫描后，请区分真正命中、未命中和不适用的结果，先给我确认。

plaintext 复制代码

新增自定义治理项，找出 maxcompute类型 的dws的表直接依赖了ods的表 ；

操作步骤

用自然语言描述扫描范围、对象和判断条件。
查看 Agent 整理出的规则内容，确认范围无误后创建。
触发首次扫描，等待结果汇总。
查看 AI 对候选结果的进一步复核，重点关注误报是否减少。
抽查若干命中项，确认判断符合业务预期。
规则验证通过后上线，并配置周期扫描任务。
从命中结果中选择一个问题，查看可选治理策略。
如需周期修复，先设置较小的单批处理范围并完成试运行。

关键演示画面

创建 AI 治理项并启动首次扫描

查看 AI 复核后的有效问题

配置周期扫描任务

为扫描命中的问题选择治理策略

创建并运行周期修复任务

🎬 查看完整演示视频：AI 治理项扫描与定时修复

重点观察

自然语言规则是否准确表达业务意图。
初步候选数与最终有效问题数是否有明显差异。
被忽略的结果是否确实不符合规则语义。
扫描和修复是否被拆分为可独立控制的步骤。
周期任务是否具备清晰的范围、频率、状态和记录。

完成标准

AI 治理项能够稳定识别目标问题。
抽查结果符合预期，误报处于可接受范围。
周期扫描已创建；如启用周期修复，已完成小范围验证。

建议先"定时扫描并通知"，经过一段时间验证后，再评估是否启用自动修复。

实操四：自动打标并保持标签持续更新

场景目标

为大量调度任务补齐责任人标签，并让新增或负责人变化的任务持续得到更新。

推荐输入

text 复制代码

请读取工作空间【工作空间名称】中的调度任务，
按任务负责人绑定"责任人"标签。
先汇总任务数量、负责人分组和预计变更范围，确认后再批量执行。

plaintext 复制代码

请读取工作空间【伊逍数据治理Agent】中的调度任务，
按任务负责人绑定"责任人"标签。
先汇总任务数量、负责人分组和预计变更范围，确认后再批量执行。

验证结果后，可以继续输入：

text 复制代码

将这个自动打标流程配置为每天执行一次的定时任务。
创建前请展示任务范围、执行时间和更新规则。

操作步骤

发起自动打标请求。
核对目标工作空间、任务总数、负责人分组和标签名称。
确认后执行批量绑定。
随机抽查不同负责人的任务，确认标签结果准确。
创建定时任务，让新增和负责人变化的任务持续更新。
立即执行一次，在执行记录和运行日志中核验结果。

关键演示画面

完成责任人标签批量绑定

创建自动打标定时任务

查看执行记录与运行日志

🎬 查看完整演示视频：自动打标与定时任务

重点观察

实际处理任务数是否与预期范围一致。
负责人到标签值的映射是否准确。
无负责人、负责人失效或同名标签等异常是否被明确提示。
定时执行后是否只处理需要新增或更新的内容。

完成标准

目标任务已正确绑定责任人标签。
定时任务首次执行成功，可通过记录追踪处理结果。

延伸思考

责任人标签建立后，还可以用于按团队查看治理问题、按负责人分发待办，以及观察不同业务域的治理趋势。

实操五：AI 巡检辅助代码评审

场景目标

将治理检查前移到代码评审阶段，在变更进入生产前识别风险，完成修复、复检和再次评审。

操作步骤

进入 AI 巡检服务页面，选择面向项目空间代码评审的巡检模板。
配置巡检工作空间、运行资源和结果通知方式，创建巡检服务。
使用代码提交账号修改测试任务并发起代码评审，指定正确的评审人。
等待巡检完成，在评审详情中查看通过或不通过结果及问题说明。
对未通过的问题，通过 Data Agent 查看原因、治理建议和变更范围。
确认后完成修复与复检，并重新发起评审。
查看新的评审结果，确认风险已消除。
返回巡检服务详情，查看服务状态、运行情况和资源用量。

关键演示画面

配置并创建代码评审巡检服务

提交代码评审

查看问题诊断与治理结果

查看评审通过或不通过结果

查看巡检服务状态与资源用量

🎬 查看完整演示视频：AI 巡检驱动代码评审与治理闭环

推荐输入

text 复制代码

请分析这次代码评审发现的治理问题，
按严重程度说明原因、影响和建议。
需要修改的内容先展示给我，确认后再执行。

重点观察

巡检是否能在评审阶段给出清晰的风险结论。
问题说明是否能帮助提交人快速定位和修复。
修复、复检和重新评审是否形成完整闭环。
评审结果、服务状态和资源用量是否可追踪。

完成标准

测试变更经历了一次完整的"发现问题---修复---复评"过程。
新评审结果符合预期，巡检服务运行状态正常。

六、如何判断一次 Agent 治理是否成功

不要只看"任务执行成功"，还应核对以下四个层面：

层面	核对问题
范围正确	是否只处理了指定工作空间和目标资产？
方案正确	原因、影响和治理建议是否符合业务语义？
结果正确	治理后是否通过复检，数据与调度行为是否符合预期？
持续可控	定时任务是否可查看、可暂停、可追踪，异常是否有记录？

建议在课堂中采用"1 条精查、少量试运行、确认后扩围"的方式逐步验证。

七、生产使用的安全边界

1. 分清分析和执行

"分析一下""给出建议"应保持只读；"修改""发布""批量绑定""创建定时任务"属于执行动作，应明确确认范围。

2. 对高影响动作保留人工确认

涉及核心生产任务、批量 SQL 修改、任务下线、发布或大范围自动修复时，应遵循团队审批和变更流程。

3. 定时任务先试运行

创建后先立即运行一次，核对输入范围、处理数量、执行结果和异常信息，再决定是否长期启用。

4. 从小范围逐步扩大

先选择测试空间或少量任务验证，再扩展到业务空间；自动修复应设置合理的单批处理上限。

5. 结果必须可追踪

治理完成后，应能从治理记录、评审结果、执行记录或运行日志中还原发生了什么。

立即体验新版 DataWorks Data Agent，开启您的智能数据之旅！

DataWorks Data Agent 详情页

DataWorks Data Agent 官方文档

DataWorks 数据治理 Agent 官方文档

DataWorks Data Agent 产品入口