>
企业真正需要的,通常不是让 AI 回答一次“销售额是多少”,而是让可信数据继续进入经营复盘、归因分析、报告生成、异常预警和后续协同。
这需要两类能力配合:Data Agent 负责按照企业已经确认的业务语义取得可信数据;Skill 负责把分析步骤、判断规则、工具调用和交付标准组织成可复用的工作流。
两者结合后,企业得到的不只是一个更方便的问数入口,而是一套可以持续复用的数据生产力。
核心结论
- 可信问数的难点不是 SQL 语法,而是业务定义。 指标、时间、对象关系、排除条件和数据权限必须先被明确。
- Data Agent 负责让自然语言问题沿企业语义转化为可执行、可复核的查询。 大模型可以帮助理解表达,但不能临时改写企业口径。
- Skill 负责“拿到数据以后怎样继续工作”。 它可以固化分析顺序、下钻条件、交付模板和质量标准,而不必在每个场景中重复编写 SQL。
- 同一套可信数据能力可以被多种 Skill 复用。 月报、PPT、看板、归因和预警由此共享同一套指标与权限边界。
- YiAsk MCP 是这套能力进入外部 Agent 的一种落地方式。 MCP 负责连接;Data Agent 负责问数;宿主 Agent 或 Skill 负责后续分析与交付。
企业真正缺的,不是再查到一个数字
假设经营负责人看到一条提示:“本月销售额同比下降 8%。”
这通常不是任务的终点,而是后续工作的起点:
- 先确认销售额采用什么口径;
- 判断下降来自销量、价格还是商品结构;
- 按区域、门店、产品或渠道继续下钻;
- 区分可以确认的数据事实与仍需验证的原因;
- 把结论整理成报告、PPT 或会议材料;
- 达到预警条件时,通知相应负责人继续处理。
如果每个环节都要重新找表、写 SQL、核对口径和复制结果,AI 只是把其中某一步变快了,并没有真正缩短完整工作链路。
所以,“从问数到数据生产力”要解决的是两个连续问题:
| 能力 | 要回答的问题 | 主要职责 |
|---|
| DataAgent | 数据从哪里来,这个数字能不能信? | 理解业务问题,按企业语义和权限完成查询与分析 |
| Skill | 拿到数据以后,应该按什么方法继续工作? | 组织步骤、规则、工具、判断条件、模板与验收标准 |
为什么可信问数不等于生成一段 SQL
用户问:“去年每月销售额趋势怎么样?”
SQL 本身可能并不复杂,真正影响答案的是问题背后的企业定义:
- “销售额”指订单金额、实收金额、含税金额,还是扣除退款后的净收入?
- “去年”按自然年、财年还是企业经营周期计算?
- 使用下单时间、支付时间还是发货时间?
- 取消订单、测试订单和内部订单是否排除?
- 按哪个组织、币种和时区汇总?
- 当前用户有权查看哪些区域、门店和字段?
这些知识通常不会完整写在表名和字段名里,也不适合由模型每次临场猜测。
可信问数需要完成一条更长的语义链:
自然语言问题
→ 业务意图
→ 指标、维度、筛选条件与时间口径
→ 企业语义模型
→ 可执行查询
→ 可复核结果
SQL 或 API 是这条链路末端的执行方式,不是业务含义的起点。
知识图谱和纯 NL2SQL,为什么各自只解决了一部分问题
企业问数长期存在两种常见路线。
确定性语义或知识图谱路线,可以提前定义指标、对象、关系和规则,结果更稳定、也更容易解释;但真实业务语言具有口语化、上下文依赖和长尾表达,仅靠预设结构很难覆盖所有说法。
纯 NL2SQL 路线擅长理解不同表达,也能根据 Schema 生成复杂 SQL;但模型自由度越高,越容易出现字段选错、Join 重复、指标口径变化或查询结果无法复核等问题。
| 路线 | 擅长解决 | 主要边界 |
|---|
| 知识图谱 / 确定性语义 | 固化业务定义、关系和执行约束 | 长尾表达与上下文理解需要额外处理 |
| 纯 NL2SQL | 理解灵活表达并生成查询 | 业务口径与生成过程不容易稳定约束 |
| Data Agent双层语义架构 | 让语言理解与确定性企业语义分工 | 需要持续建设语义模型、测试和治理机制 |
Data Agent 的关键不是在两条路线之间取平均值,而是重新划分职责:让模型处理它擅长的语言理解,让经过治理的企业语义拥有业务解释权。
Data Agent 怎样建立可信执行链
在亿问 Data Agent 的技术架构中,SemanticDB、Alisa 与 LogicForm 共同组成可信问数链路:
自然语言问题
→ 大模型整理为精准查数需求
→ Alisa 在 SemanticDB 的企业语义与业务知识图谱约束下解析需求
→ 收敛为结构化 LogicForm
→ SemanticDB 将 LogicForm 映射为 SQL、API 或相应执行路径
→ 返回可执行、可校验、可追溯的结果
三者职责不同:
| 组件 | 主要作用 | 对可信问数的价值 |
|---|
| SemanticDB | 承载对象、事件、关系、指标、时间、状态和业务规则等企业语义 | 让同一业务概念拥有稳定定义和数据映射 |
| Alisa | 在精准查数需求上定位、校验并收敛查询意图 | 避免只根据字段名称自由猜测查询含义 |
| LogicForm | 结构化表达查询对象、指标、条件、时间、分组、排序和分析逻辑 | 让自然语言与执行语句之间保留可检查的中间层 |
当问题存在歧义时,更可靠的处理不是强行生成一个答案,而是识别候选含义、结合上下文进一步澄清。例如,“活跃客户”可能指近 30 天有支付订单,也可能指近 30 天登录过系统。系统应先确认企业采用哪一种定义,再继续执行。
这条链路并不意味着系统永远不会出错。它的价值在于让错误更容易定位:问题可能出在语言理解、指标映射、语义模型、权限配置、数据更新或执行阶段,而不是只留下一个难以解释的最终数字。
Skill 怎样把可信问数变成可复用工作流
DataAgent 解决了“怎样可靠地取得数据”,但企业工作通常还包含固定步骤、判断条件和交付要求。这些内容适合通过 Agent Skill 封装。
一个月度销售复盘 Skill 可以规定:
- 先确认分析期间、组织范围和指标口径;
- 获取销售额、销量、订单量和客单价;
- 对比同比、环比和目标差异;
- 按区域、产品、渠道和客户逐层分析;
- 只有某项贡献超过预设阈值时才继续下钻;
- 证据不足时只写“相关因素”,不把统计关系直接表述为因果;
- 按企业模板输出结论、证据、局限和待办事项。
在这个过程中,DataAgent 与 Skill 的分工是:
Skill:定义分析方法、调用顺序、判断边界和交付标准
↓
DataAgent:按企业语义和用户权限提供查询、对比与分析结果
↓
Skill:核验结果并继续生成报告、PPT、看板、预警或待办1. Skill 不必写死脆弱的 SQL
如果把 SQL 直接写进每个 Skill,底层表结构或字段一旦变化,多个工作流都可能同时失效;同一指标也容易出现多份实现。
让 Skill 使用 DataAgent 提供的业务问数能力后,Skill 只需描述“需要什么数据、怎样分析、输出什么”,物理数据映射和指标规则仍在语义层集中维护。
2. 多个 Skill 可以共享同一套可信口径
月报 Skill、经营分析 Skill、PPT Skill、看板 Skill 和库存预警 Skill 查询“销售额”时,可以复用同一套指标定义、对象关系、时间口径和用户权限,而不是因为作者和提示词不同,各自形成一套答案。
3. 新场景主要增加工作流,不必重新开发取数链路
从“查询销售数据”扩展到“生成月度经营复盘”,新增的重点是分析步骤、判断规则、交付模板和质量检查,而不是为每个场景重新建设一套数据接口。
4. 工作可以从一次提问走向持续触发
业务 Skill 可以由人工请求触发,也可以按照企业设置的定时任务或指标事件进入执行流程。数据结果随后可以进入报告、PPT、看板、消息推送或异常处理。
但“可以编排”不等于“所有行动都应自动执行”。查看和生成类任务可以采用较高自动化程度;发送通知、修改业务数据、触发采购或影响外部系统的动作,仍应根据风险设置人工确认、权限和审计。
一个经营复盘任务怎样从问数走向行动
下面是一条完整但简化的月度经营复盘链路:
用户或定时任务发起复盘
→ Skill 确认时间、组织和指标范围
→ DataAgent 按统一口径查询核心指标
→ 对比同比、环比与目标差异
→ 按区域、产品、渠道和客户计算贡献
→ Skill 根据阈值判断是否继续下钻
→ 区分数据事实、统计归因与业务判断
→ 按模板形成报告或汇报材料
→ 高风险外部动作交由用户确认
这里最重要的不是“调用了多少工具”,而是每一层都有清晰责任:
- DataAgent 提供可信数据、业务语义和可复核的分析依据;
- Skill 固化分析顺序、停止条件、表达边界与交付格式;
- 大模型负责理解需求、组织信息和生成适合人的表达;
- 用户负责确认高风险判断和外部行动。
新增 YiAsk MCP:可信问数能力怎样进入 WorkBuddy 和 Codex
Data Agent 与 Skill 并不要求所有工作都发生在同一个产品页面中。
目前,可以在 WorkBuddy / Codex 等支持 MCP 的工具中直接调用亿问的问数能力,无需切换回系统页面,也能查询业务数据并继续追问和分析。具体的外部 Agent 落地方式是:
WorkBuddy / Codex 中的任务或 Skill
→ 通过 YiAsk MCP 调用 ask_data
→ DataAgent 按企业语义、空间和用户权限完成问数
→ 结果返回 WorkBuddy / Codex
→ 宿主 Agent 或 Skill 继续完成分析、文档或其他任务
这条链路中,MCP、DataAgent 和 Skill 仍然各司其职:
- YiAsk MCP 负责连接。 它让外部 Agent 可以调用亿问问数能力。
- Data Agent 负责可信问数。 指标、时间、对象关系、数据映射和权限仍由亿问的数据链路承接。
- 宿主 Agent 或 Skill 负责后续工作。 报告、文件、代码或其他交付取决于宿主能力、工作流设计与用户授权,不是 YiAsk MCP 单独承诺的功能。
因此,YiAsk MCP 的价值不是让 WorkBuddy 或 Codex 绕过治理直接访问数据库,而是让已经建设好的企业语义与问数能力进入更多工作入口。
从一个问数工具走向企业数据能力层
当可信问数被多个 Skill 和 Agent 复用后,企业可以形成四层能力结构:
应用与交付层:报告、PPT、看板、推送、告警
↓
Skill 工作流层:分析方法、SOP、模板、判断规则、质量标准
↓
DataAgent 可信数据层:企业语义、问数、归因、权限与治理
↓
企业数据与系统层:数仓、数据库、API 与业务系统这套结构带来的核心价值是复用:
- 一个 Data Agent 可以为多个 Skill 和 Agent 提供统一的数据能力;
- 一个 Skill 可以组合问数、文档、PPT、消息和审批等不同工具;
- 数据模型更新后,上层场景仍可以继续使用稳定的业务表达;
- 新应用不必从数据库连接、指标 SQL 和权限规则重新开始建设。
企业由此沉淀的不只是若干问答记录,而是可以持续维护、组合和扩展的数据能力。
进入生产环境,还需要守住哪些边界
“DataAgent + Skill”不会自动消除所有风险。要进入企业生产,至少需要明确以下机制:
- 指标治理:核心指标要有定义、负责人、版本和适用范围。
- 查询可追溯:保留问题、结构化意图、执行路径、数据源和执行时间,便于定位问题。
- 权限继承:问数能力进入 Skill 或外部 Agent 后,不能扩大原用户的数据访问范围。
- 结果元数据:报告和告警应说明统计口径、数据更新时间与适用范围。
- 阈值治理:异常阈值、下钻条件、接收人和静默规则不能完全由模型临时决定。
- 行动分级:生成报告与发送通知、修改库存、触发采购等动作应采用不同确认级别。
- 事实与推断分离:数据库事实、统计归因、模型解释和业务建议必须明确区分。
- 持续测试:语义模型、Skill 规则和数据源发生变化后,要用标准问题与预期答案重新验证。
可信不是一句产品标签,而是从语义定义、查询执行、工作流编排到最终行动的完整证据链。
常见问题
Data Agent + Skill 与 NL2SQL 有什么区别?
NL2SQL 主要解决自然语言怎样转为 SQL。DataAgent 进一步用企业语义约束指标、对象关系、时间和权限;Skill 则定义取得数据之后的分析步骤、判断规则和交付方式。三者解决的问题层次不同。
有了 Data Agent,为什么还需要 Skill?
DataAgent 可以可靠地回答企业数据问题,但不会替所有团队定义月报结构、归因顺序、异常阈值和审批流程。Skill 用来封装这些可复用的工作方法。
Skill 是否必须包含 SQL?
不一定。如果已有受控的 DataAgent 问数能力,Skill 更适合使用业务语言表达数据需求,把 SQL、指标映射和底层数据变化留给统一的数据语义层处理。
Data Agent + Skill 可以自动完成所有经营分析吗?
不能这样承诺。可完成范围取决于数据源、语义模型、指标覆盖、Skill 规则、宿主工具和用户权限。涉及因果判断、高风险决策或外部系统写入时,仍需要人工确认和审计。
YiAsk MCP 在这套架构中负责什么?
YiAsk MCP 负责把亿问问数能力连接到 WorkBuddy、Codex 等支持 MCP 的外部 Agent。企业语义和数据查询仍由 DataAgent 承接,后续工作由宿主 Agent 或 Skill 组织。
结论
企业需要的不是更多 SQL,而是更低成本、更高可信地把数据转化为判断和行动。
Data Agent 让自然语言问题沿企业已经确认的语义与权限执行,解决“数据从哪里来、这个数字能不能信”;Skill 把分析方法、判断条件、工具调用和交付标准封装成工作流,解决“拿到数字以后,企业下一步怎样做”。
YiAsk MCP 则提供了一条新的连接路径,让这套可信问数能力可以进入 WorkBuddy 和 Codex 等外部 Agent。连接扩大了使用入口,但真正让数据持续产生价值的,仍然是可信数据能力与可复用工作方法的结合。