今天分享高德本地生活团队对于分析 Agent 的 AI Native 实践
BI 同学对这个场景一定不陌生:收入下降了,查数、核对口径、拆解,终于把分析交了出去。业务接着问:这个变化要不要处理?先动哪个环节?手头正在做的事有没有用?报告写完了,讨论才刚刚开始。
更麻烦的是,大量时间花在了澄清需求、确认口径、取数和核对上。业务、BI、数据开发一起完成一份分析,换个问题又要重新找人、找材料;许多经验明明积累过,下一次还得再讲一遍。
FY27 S1 这半年,高德本地生活数据分析团队做了一件事:建设本地生活分析 Agent。思路很朴素:把弄清楚的业务关系整理进知识库,把分析方法写成 Skills,让 Agent 调用数据和工具完成分析,让人回到“报告之后还没谈完”的问题上。
这是一套把口径、知识、推理和交付全部工程化的行业分析 Agent,目标是让系统先给出可信的经营判断,再把人留给真正需要取舍的环节。
本文整理这段实践的全景:整体架构、分析流程、知识与语义治理、经营判断的质量工程,以及踩过的坑。
一、背景与演进:从回答一个数,到支撑一个判断
1 一把对齐能力的尺子:L0–L4
团队内部讨论“为什么下降”这类问题时,需要一把统一的尺子。结合行业调研和业务场景,形成了 BI 能力的 L0–L4 分级。本文重点看其中三级:
| 级别
| 能回答什么
| 系统需要具备的能力
| 当前状态
| L2 智能问数
| “上周收入是多少”
| 理解口径、找到数据、返回结果
| 早期主要阶段,仅此一项就能解决 30% 以上的需求
| L3 智能分析
| “收入为什么下降”
| 沿业务链路排查,给出支持解释的证据
| 绝大部分任务已具备 L3 特征
| L4 决策支撑
| “下一步该做什么”
| 把分析接到决策与行动上
| 部分场景已达到,本地生活仍在向经营研判延伸
这里要特别说明:L4 不等于无人化。系统自主完成分析并给出建议,人参与关键取舍并带回执行反馈。自主执行、业务反馈回流,仍在后续建设计划里。
1.2 从 L2 跨向 L3,为什么这么难
跨级的难点不在算力,而在“理解一门具体的生意”。同样是“收入下降”,不同行业的收入逻辑、指标口径和分析路径都可能完全不同,已有经验不能直接搬过去。
#AI反常识howto #howto手搓skill #大模型 #多模态人工智能 #数据分析 #agent












