9 月 22 日，腾讯云数据智能体 TCDataAgent 升级发布新版本 AVA，定位升级为"Data+AI 数字员工"，并演示了 TCDataAgent-AVA 与数据湖计算 DLC、弹性 MapReduce（EMR）、数据仓库 TCHouse、腾讯云 Elasticsearch（ES）等大数据引擎结合后的能力：围绕数据分析、数据工程和智能运维场景，用户在腾讯 WorkBuddy 中以自然语言描述目标，即可完成取数、分析与运维等具体任务。
这个说法听起来像一次产品包装，但它对应的问题很具体。企业最早把 AI 接进数据平台，通常是让它写 SQL、查数、画图。模型能力变强之后，麻烦开始出现在后半段：报告发现指标异常，谁去继续检查数据任务？业务知道想做什么，却不知道该进哪个控制台、填哪些参数；集群告警了，还要把指标、日志、运行上下文和历史经验放在一起判断，再决定扩容、重启还是调配置。这些工作分散在分析、工程、运维几个团队，也分散在多个控制台和流程里。
腾讯云大数据这次做的，是把这些断点接起来。用户在 WorkBuddy 中发起任务：数据和语义先统一，Agent 理解任务，再通过 Skill/MCP 调用平台能力，执行工程和运维操作，最后用 Eval/Trace 验证结果，并把上下文和经验继续沉淀下来。这些能力也可以在腾讯云控制台内使用。数据平台由此多了一个新的使用者：除了人，还要直接给 Agent 用。
分析完以后，谁来接着干？
传统数据工作的断点并不抽象。分析可以给出结论，但往往停在报告；数据工程依赖控制台、代码和参数配置，业务目标和底层工具之间隔着操作门槛；到了运维，告警、日志、专家经验和处置记录又散在不同系统里。腾讯云把 TCDataAgent 的能力拆成两部分：数据智能负责理解数据、交付洞察，系统智能负责理解目标、完成操作，目标是把"理解---洞察---执行---反馈"串起来。
因此，TCDataAgent-AVA 处理的已经不是一个单独的 NL2SQL 问题。数据智能侧，它可以接数据库、数仓、本地文档、网页和 COS 文档等数据；Document AI 负责文本解析、表格提取、智能分段、章节总结、图片和图表理解，再把这些结果接到 AI Search、数据分析和报告生成。结构化分析加入统一语义层，系统从元数据、数据概要和字段注释里形成增强语义，再接入业务名词、业务规则和指标。Agent 选完表后，根据数据源类型生成 SQL 或 DSL，并结合执行结果、约束验证和上下文继续优化。
非结构化内容则把 BM25、Vector Search、GraphRAG 和 TreeRAG 组合起来，经过查询解析、多路召回、重排融合、上下文组装和生成引用，尽量同时保留语义相关性、业务上下文和来源依据。再往上，是 Multi-Agent 编排：Planner 拆任务，Retrieval 并行调检索、知识图谱和 NL2SQL，Analysis 做交叉验证和补充检索，Report 负责生成文本、表格、图表与引用，最后由 Eval Agent 做自动评估和归因。
数据 Agent 的工作范围由此继续往后延伸：找到数据之后，还要把计算、分析、验证和交付一起做完。
Agent要动系统，光会调API不够
数据智能解决"看懂数据"，系统智能要解决的是另一个问题：Agent 能不能在生产环境里安全地动系统。TCDataAgent-AVA 的控制链路是：自然语言目标和业务上下文进入后，Agent 先做意图识别、目标拆解、工具选择和动态定序；执行前经过 Policy & Guardrails 做权限校验、风险分级和确认；随后调用实例、资源、索引、配置、查询、巡检和诊断等工具；最后用 Eval & Trace 检查结果并反馈复验，关键动作仍然保留 Human-in-the-loop。
TCHouse 的演示把这套方式落到了购买选型、数据建模和运行诊断。选型阶段，TCDataAgent-AVA 根据数据量、写入方式、查询复杂度、并发量、响应时间、服务目标和成本约束，通过 MCP 获取地域、可售规格、产品配置和实时询价，给出候选方案和成本预估。建模阶段，它会先结合业务口径再检查表结构，例如"按天统计 GMV、按渠道分析变化"，需要先明确订单状态、退款处理、日期和渠道字段，再读取 TCHouse-C / D 的建表语句，结合数据规模、写入方式和典型查询提出调整建议。
进入生产运行后，Agent 会先确认异常时间和影响范围，再关联运行中查询、慢查询和 SQL 历史，结合执行计划、Query Profile 与表结构形成证据链，区分问题出在 SQL、任务限制还是资源竞争，之后才给出 SQL 改写、模型调整、并发控制或资源隔离方案，并要求用结果、耗时和资源变化重新验证。
这里最明显的变化，是 Agent 开始从查询层进入控制面和生产环节。它不只回答"发生了什么"，还要继续处理"下一步怎么做"和"做完以后有没有生效"。
MCP管执行，Skill管判断
在运维场景中，仅会调用 API 远远不够。腾讯云 ES 团队总结了三个问题：很多指标和阈值只存在于资深工程师的个人经验中，经验难以复制；告警出现之后，下一步做什么没有统一顺序；扩容、重启、改副本数、关闭索引等操作又有明确安全红线。难点不在"能不能调接口"，而在什么时候调、调哪个、结果怎么判断。
腾讯云 ES 因此采用 MCP + Skill 双层架构。MCP 负责连接、取数和执行，把 ES 管控面与数据面 API 封装成标准工具；鉴权留在连接器宿主层，Skill 本身不接触、存储或回显 SecretId、SecretKey。Skill 则承载判断和 SOP，把指标分层、阈值、扣分档位、安全红线，以及"症状 → 首选工具 → 深度诊断"的路由显式写进规则，而不是让模型临场自行判断。
目前，腾讯云 ES 拆出了三个 Skill：智能诊断 Skill 只有只读权限，开放 29 个只读 Tool；管控面变更 Skill 提供 8 个写 Tool，可进行节点或磁盘扩容、滚动重启、Kibana 重启和容量预测；数据面运维 Skill 也有 8 个写 Tool，覆盖未分配分片、settings 调优、解除只读阻塞、别名切换和索引滚动等操作。三类 Skill 合计对应 45 个 MCP Tool、6750 行规则与文档。
权限边界没有交给模型自行决定。诊断 Skill 永远不能执行变更；写操作必须二次确认，高风险动作还会进一步加码确认；执行之后需要重新读取状态。Agent 一旦进入生产系统，模型能力只是其中一层，SOP 能否固化、权限能否约束、专家经验能否转成可执行规则，会直接决定它能不能真正接手运维任务。
Agent深入生产，底层平台先得合并
Agent 能不能完成这些工作，最终取决于底层数据平台。腾讯云 EMR 团队将传统 Data+AI 分离式架构的问题归纳为四个方面：大数据和机器学习依赖两套资源体系，数据在两套平台之间来回搬运，结构化数据和多模态数据缺乏统一的元数据、权限、生命周期和血缘，团队还要同时维护多套系统。
新一代 EMR 因此被定义为 DIaaS（Data Intelligence as a Service）一体化数据智能平台，核心是四个统一：TCLake 与 TCCatalog 负责统一存储与元数据；统一调度把 CPU、GPU 资源放进同一套体系；统一计算由 Meson 高性能计算引擎承担，向下兼容 Spark、StarRocks、Trino、Tez 等大数据负载，同时覆盖 Pandas、Scikit-learn、TensorFlow、PyTorch、MLflow、Ray 等机器学习与 MLOps 场景；最上层再由 TCDataAgent-AVA 提供统一开发入口，把 DataOps、MLOps 和 LLMOps 接起来。
因此，本次发布的 TCDataAgent-AVA 并未停留在单一产品，而是同步接入了 DLC、EMR、TCHouse 和腾讯云 ES。Agent 越往生产系统深入，底层平台越要把数据、计算、权限、Catalog 和 API 整理成机器可以理解和调用的能力：MCP 暴露工具，Skill 组织经验，Semantic Layer 提供业务语义，Guardrails 控制权限，Eval 与 Trace 负责结果验证。
从买资源到运维，Agent开始跑全流程
将上述能力放到数据平台完整生命周期中看，TCDataAgent-AVA 的能力边界已经明显外扩。腾讯云给出的路线从购买选型开始，一直延伸到迁移、日常使用和运维调优：资源规划 Agent 根据场景推荐产品组合和规格；迁移 Agent 配合自动迁移工具与校验机制完成上云；数据分析与工程 Agent 负责查询、配置和平台管理；进入生产后，再由智能运维 Agent 做自动诊断、运维和调优。
这套模式已在真实客户场景中落地。一家报业客户需要从大量新闻稿件中检索政府官员和活动信息，完成分类统计并自动生成报告，但数据分散在不同系统和不同模态中，人工维护又容易产生更新滞后。接入 TCDataAgent-AVA 后，数据更新时效保持在天级，多个 Agent 自动完成任务拆解、检索、统计和报告生成，用户通过同一对话入口即可完成从检索、分析到报告的全过程，最终报告支持全链路溯源。
从这些演示看，写 SQL、画图表已经只是入口。Agent 真正进入数据工程和生产运维后，平台要同时解决三件事：既要看得懂企业数据，也要能调用真实系统，并且每一步操作都留在权限、规则和证据之内。TCDataAgent 从"大数据分析智能体"升级为"Data+AI 数字员工"，变化不只在产品定位上。腾讯云正在把原来给人使用的存储、计算、语义、权限和运维能力，重新整理成一套 Agent 能理解、调用、执行和验证的基础设施。数据平台的服务对象，开始从人扩展到人和 Agent。
行业和客户需要的，不只是谁能先把大模型接进数据平台，更是谁能把企业数据、业务语义、系统工具和专家经验，连成一条能持续运行的任务链。