dataagent

weixin_42232931

02-DataAgent 证据召回模块基于源码版本：1.0.0-SNAPSHOT，核心代码位置 workflow/node/EvidenceRecallNode.java（371 行）+ service/vectorstore/AgentVectorStoreServiceImpl.java + service/hybrid/retrieval/ + resources/prompts/evidence-query-rewrite.txt

weixin_42232931

05-DataAgent 表关系构建与精选模块基于源码版本：1.0.0-SNAPSHOT，核心代码位置 workflow/node/TableRelationNode.java（280 行）+ service/nl2sql/Nl2SqlServiceImpl.java（fineSelect）+ resources/prompts/mix-selector.txt + dto/schema/SchemaDTO.java + workflow/dispatcher/TableRelationDispatcher.java

weixin_42232931

09-DataAgent SQL执行步骤基于源码版本：1.0.0-SNAPSHOT，核心代码位置 workflow/node/SqlGenerateNode.java（211行）+ workflow/node/SemanticConsistencyNode.java（123行）+ workflow/node/SqlExecuteNode.java（307行）+ resources/prompts/new-sql-generate.txt + resources/prompts/semantic-consistency.txt + resourc

weixin_42232931

06-DataAgent 可行性评估模块基于源码版本：1.0.0-SNAPSHOT，核心代码位置 workflow/node/FeasibilityAssessmentNode.java（90 行）+ workflow/dispatcher/FeasibilityAssessmentDispatcher.java + dto/prompt/FeasibilityAssessmentOutputDTO.java + resources/prompts/feasibility-assessment.txt

weixin_42232931

07-DataAgent 计划生成模块基于源码版本：1.0.0-SNAPSHOT，核心代码位置 workflow/node/PlannerNode.java（160 行）+ dto/planner/Plan.java + dto/planner/ExecutionStep.java + resources/prompts/planner.txt + workflow/dispatcher/PlanExecutorDispatcher.java

weixin_42232931

03-DataAgent 查询增强模块基于源码版本：1.0.0-SNAPSHOT，核心代码位置 workflow/node/QueryEnhanceNode.java（100 行）+ workflow/dispatcher/QueryEnhanceDispatcher.java + dto/prompt/QueryEnhanceOutputDTO.java + resources/prompts/query-enhancement.txt

weixin_42232931

01-DataAgent 意图识别模块基于源码版本：1.0.0-SNAPSHOT，核心代码位置 workflow/node/IntentRecognitionNode.java + workflow/dispatcher/IntentRecognitionDispatcher.java + dto/prompt/IntentRecognitionOutputDTO.java + resources/prompts/intent-recognition.txt

递归尽头是星辰

AI 访问数据仓库：从直连到微服务化大模型重构数据消费模式，AI 发起的数据分析将成主流。但行业普遍采用的 "AI 直连数据仓库" 模式，存在性能灾难、安全失控、质量不可信、治理缺失四大系统性缺陷。本文以 Spring AI Alibaba DataAgent 为实践案例，梳理 AI 访问数仓的六大核心形态，对比直连与微服务化模式的适用边界，为传统 Spring Cloud 企业提供最小侵入式升级方案与 AI 可调用 API 设计规范。

破局 AI 幻觉：构建以 NoETL 语义编织为核心的 AI 就绪数据架构企业部署大模型分析应用时，常遭遇“幻觉”困扰——AI 输出的数据结论看似合理，实则错误。根源在于传统数据架构无法为 AI 提供准确、一致、实时、可信的数据供给。破局之道在于构建以 NoETL 语义编织为核心的 AI 就绪数据架构。该架构通过创建“统一指标语义层”作为业务与数据间的“标准协议”，并采用 NL2MQL2SQL 技术路径，确保大模型生成 100% 准确的 SQL 查询，从根本上杜绝“数据幻觉”，赋能可信的智能决策。

企业落地 AI 数据分析，如何做好敏感数据安全防护？随着人工智能和大数据技术的快速发展，AI 智能问数（如 ChatBI、Data Agent 数据智能体）正成为企业数字化转型的核心引擎。这种基于自然语言处理的高效数据查询技术方案，让用户可以通过自然语言直接提问，能够理解问题并从海量数据中提取相关信息，最终以可视化或结构化的方式呈现结果。

大火的 ChatBI，是如何实现灵活的自然语言数据分析？在数字化转型的浪潮中，随着数据已成为企业宝贵的资产，数据分析的需求日益增长。传统 BI（商业智能）工具虽能提供强大的数据可视化能力，但需要依赖 IT 代码开发、集中式报表制作的模式，已难以满足现代企业快速变化、灵活多变的数据分析需求。

数据库知识分享者小北

如何构建企业级数据分析助手：Data Agent 开发实践本文作者：阿里云数据库高级技术专家徐大丁(辰马)“What I cannot create, I do not understand.” -- Richard Feynman

许泽宇的技术分享

Data Agent革命：智能数据分析时代的到来在这个数据爆炸的时代，企业每天产生的数据量足以让任何一位数据分析师望而却步。然而，想象一下如果数据不再是冰冷的数字堆砌，而是能够主动思考、自主分析，甚至给出业务建议的智能伙伴——这就是Data Agent（数据智能体）正在为我们开启的全新篇章。

我是有底线的