就像 DeepSeek 降低了大模型商业化门槛、引领新一波 AI 创业一样，Manus 让大众真正看到了 Agent 的重要性和可能性。
「看到」本身比任何观点、任何演示都有说服力。
看到了，才有落地的意愿。
但企业内落地不能靠对业务缺乏了解的通用 Agent，需要垂直领域，真正懂场景的 Agent。火山引擎 4 月份发布的 Data Agent 就是垂直领域 Agent 的代表。
Founder Park 在第一时间进行了深度试用，体验后还和项目团队进行了交流，试图理清楚 Data Agent 在当下落地的现状和难点，以及未来的想象力有多大。
点击「阅读原文」，可申请【Data Agent 样板间】体验。
Founder Park 正在搭建「AI 产品市集」社群，邀请从业者、开发人员和创业者，扫码加群：
进群后，你有机会得到：
-
最新、最值得关注的 AI 新品资讯；
-
不定期赠送热门新品的邀请码、会员码；
-
最精准的AI产品曝光渠道
01
企业内的数据难题
企业内如何利用数据这件事，一直都没有被很好地解决。
-
怎么录是个问题：不同的部门有各自的数据录入系统，而且数据质量相差很大，跨部门协作很难。
-
怎么用是个问题： 写 SQL 脚本是有门槛的，数据分析这件事，事实上成为了少数人的「特权」。
-
能不能用得好也是个问题：数据分析只是第一步，怎么用数据去指导接下来的工作，更难。
这些问题都有望在 Data Agent 里得到解决：统一的数据管理平台、兼容非格式数据、自然语言查询数据，以及让数据本身从单纯的查询功能向解释功能、预测功能转变。
Data Agent 意味着 L3 级别智能体的诞生
不只是让查询更方便，而是将数据整合、智能分析、自动化执行融为一体，解决传统数据分析中的效率问题、技术鸿沟；不只是增强数据团队，而是让业务、客服等多个部门可以实现数据平权，能力普及。
Data Agent：
L3 级别的智能体
目前 Data Agent 涵盖两个智能体：智能分析 Agent 和营销策略 Agent，前者主打数据分析；后者提供从策略制定到效果优化、执行链路的营销策划。
智能分析 Agent：人手一个 AI 数据分析专家
智能分析 Agent 的对话和 chatbot 有些类似，在 Agent 与企业的结构化及非结构化数据建立连接后，可以直接用自然语言对话开始数据分析。而且对话窗口会有推荐的数据分析维度，比如下图中的「双十一巅峰活动分析」「一季度所有活动复盘」「今年新品推广的活动复盘」，方便用户快速选择。
这里我们选择了一个消费活动的数据，以完成特定任务的方式来进行测试，尽量模拟复杂 SQL 查询的场景。本次测试默认开启模型的深度研究功能，在实际上线后这个功能将会是可选，对于一些小的快速任务就不用勾选。
任务 1：作为市场营销负责人，我想了解去年双十一期间的部分产品销售数据。
首先，不需要找部门的运营同事去写 SQL 和整理数据了，我直接在 Data Agent 的产品界面输入「去年双十一期巅峰盛典活动，30-40 岁男性用户购买的产品销售数据复盘，及特点分析」。
这是一个可能需要跨表查询的任务，牵扯到用户年龄和性别，需要去用户数据表、商品销售数据表等里查询。
在输入要求后，Agent 先是经历了一番思考，然后得出了一个需要执行六步的任务规划。
可以看出，期间需要多次用到 SQL 工具，像 Manus 一样，在 Data Agent 的执行过程中，随时可以观看任务执行细节，下图中可以看到模型正在调用工具写 SQL 查询语句。
大概等待了 5min 左右，Agent 给出了查询和分析结果，因为数据库中的年龄段是按照 35-44 岁记录的，所以 Agent 也按照这个维度进行了查询。
可能因为筛选维度比较简单，这次的数据处理速度还是蛮快的。而且不仅有数据，还给出了一些初步结论，结论中提到「高客单价+多件购买模式，适合捆绑销售或满减策略」。
对于这个结论，我有所疑问，在男性消费数据的基础上，我想进一步看一下不同年龄段的消费者之间的差异，想知道哪个年龄段的消费者是下一阶段营销策略的重点。
于是，我直接在对话框中输入了「去年双十一巅峰盛典活动中，不同年龄段的男、女消费者的消费情况对比」。
这次要拆分的维度多了一些，而且，可能因为原始数据中对于性别的记录问题，最终输出的报告中，有一些性别显示「未知」的脏数据。
同样给出了一些结论，强调了 18-24 岁女性消费者客单价和成交额较高，值得重点关注。
两个问题一共用时不超过 20min，而且不仅仅是查询数据，还能帮忙解读数据，甚至给出了一些具体可参考的建议。
两次的数据结果，Data Agent 不仅给出了数据，还提供了针对不同人群的销售策略。比如针对男性消费者的「高客单价的商品组合」，针对女性消费者的「社媒营销+促销活动」等。在不需要专业数据分析师的情况下，能够帮助市场营销负责人快速确定下一阶段的的行动方案，让数据分析不只是停留在「分析」，而是有了下一步的「行动」。
任务 2：作为汽车销售公司的主管，想查一下过去一年内汽车销售线索转化情况
对于 Data Agent 最明显的感知，是 SQL 查询语句不再是门槛，而且好的数据提问 prompt 随时可以放在对话的预置词中，让所有人都可以调用这些好的提问。
这个提升，在这次任务中可以明显感受到。
作为公司主管，在以前，如果我想快速查一下过去一年的某个数据的变化情况，一般的操作路径有以下几种：找到过去几个季度的数据汇总，放在一起对比分析；直接找到年度的整理数据，筛选处理分析；或者就是找运营同学写 SQL 脚本，让他处理好再给我。
但有了 Data Agent，只需要我输入一句查询指令，甚至不用输出，比如这次我的查询需求，碰巧是 Agent 默认的查询语句之一。默认的数据查询命令有：
放在以往，这里的每个结果分析可能都要 2 个小时以上的时间，数据筛选、SQL 查询、数据导出，然后在 Excel 里进一步的处理分析，而现在，只需要一句话，然后去喝一杯咖啡，我需要的结果就出来了。
在选择了「一年内，线索各步骤的转化情况，以及影响因素分析后」进行查询后，我大概等待了 20min。然后就有了这样一份报告。
一份可以直接拿来用，甚至可以在小组会议上分享的报告。从提需求到最后生成可决策参考的报告，现在只需要不到半个小时，Agent 极大缩短了从数据到决策的链条，提升了会议的效率，最起码，大家以后开会不需要几天的准备周期了。
限于篇幅，结果未完全截图
营销策略 Agent：从洞察到自主执行的全闭环
智能营销 Agent 的交互和智能分析 Agent 略有区别，两者要处理的数据也不太一样。智能营销 Agent 要解决的问题是，结合用户及活动数据，打造适配的营销策略。处理的数据是新老用户、各类活动数据。而且，提供的从策划到执行的全流程服务。
这次我们也尽量模拟现实，测试了两个营销案例的任务。
任务 1：某电商 app 增长负责人，为达到快速拉新的目的，针对老用户推出邀请有礼的活动。
618 毕竟快来了，趁这个时间点为店铺带来一些新增用户，也可以让大促期间的营收更好一些。
方式也不想搞太麻烦，直接邀请新用户下载 app 或者注册会员，就给老用户送小礼品。老用户的选择范围，尽量还是对优惠券/小礼品敏感性的用户。
对话界面如下图所示，把一些可筛选项做成了下拉菜单而不是全部由用户手动输入，因为营销策划都会有明确的时间和渠道。时间暂时选 0505-0512，一周的时间。触达渠道，一般我都会选择短信和 push。
然后就开始生成营销方案，Agent 首先是任务拆解：类似经验的搜索和总结、用户画像标签、然后是创建触达客群。
同样是先思考，再进行任务的规划。智能分析 Agent 多是调用 SQL 和 Python 工具，智能营销 Agent 则是搜索+数据筛选为主。
这是第一步筛选出的可参考的相关垂直行业的实践经验，然后总结出客群画像特征。
对生成的营销方案没有问题，我选择进入下一步。Agent 基于这个方案生成了四种用户筛选方案：
我选择了第二种方案，根据「券敏感度」筛选用户，进行精准营销。毕竟，能参加这个活动的用户，都是会对小礼品上心的用户，自然也就是「券敏感度」用户了。
接着就是针对不同敏感度的客户，进一步确定触达渠道、时机、文案和奖品了。
Agent 自动筛选好推送时间、邀请礼物，还自动生成了五条短信，不得不说，这个文案还蛮实用的，让我自己来写可能都没准确和直击痛点。
三种「券敏感度」的不同方案分别是：
然后就是选择具体的某个方案，提交任务审批即可，也可以在任务审批界面进行一些用户群的再拆解。
就这样，从活动发起、到目标拆分、用户群筛选、触达内容编辑、短信/push 发送，在智能营销 Agent 里全完成了，而且是运营负责人一人就完成了！
任务 2：某知名咖啡品牌，推出一款电影联名咖啡，需要策划营销活动
第二个任务，我们尝试了离大家生活更近的营销案例——电影联名 9.9 的咖啡，看这些 Agent 能给出什么样的营销方案。
活动就简单些，照搬其他品牌过往的做法，甚至还简化了下：两杯套餐送海报，单杯就送挂坠或者书签。触达方式选择了短信，直觉里小程序或者 app 的 push 到达率都不高。
分析市场类似案例后，Agent 选择的用户画像还算精准。白领、学生和文艺青年，9.9 咖啡的典型用户。
给了四种拆分方案，考虑到该电影已经是爆款 IP 了，肯定会有很多人会因为联名来买咖啡，我就选了第三种方案。
同样也是生成了五条促销短信，不得不说，这个短信打的点都会蛮准的：数量有限、积分翻倍、隐藏款礼品、CP 粉等等，直击痛点。
下一步就是直接编辑短信送达了，感觉到目前这一步，都不需要我怎么修改，一路 Next 向下那种，太省心了。
从最开始的人群选择、针对性的营销策略以及最后生成的直击痛点的短信，可以看出，Agent 还是很懂业务的，能够理解业务语境，生成可用的高质量营销内容，直接帮助业务提升转化率。
不过，当前营销策略 Agent 还只到发短信的环节，官方介绍，后续会加入营销后的数据分析环节，这样的话，营销活动的全流程闭环都可以在一个 Agent 里完成了。
对话火山引擎：
关于 Data Agent 的 N 个思考
可以看到，今天 Agent 的产品形态还是以 chatbot 为主，但 chatbot 肯定不是 Data Agent 的完全体。
实测后的最大感受，今天的 Data Agent，已经带给了我们很多新的想象：AI 从「仅洞察」进化到「从洞察到执行闭环」；人机协作，真正实现数据在企业内部、在各个环节的闭环。
不过，关于 Data Agent 我们仍有很多困惑，在和 Data Agent 项目团队进行深入交流后，整理了一些创业者和行业可能会关心的问题，以及火山引擎在 Agent 这块的新认知。
Q：大模型的幻觉问题，在 Data Agent 里是怎么解决或者控制的？
幻觉问题在内部是 P0 级别优先级别的问题，工具调用也是，上下文长度则是我们 P1 级别的问题，可能会在下半年投入解决这个问题。
幻觉的问题在 Agent 成为潮流之前，就已经是很多大模型的应用落地时核心要解决问题了。数据编造、来源编造、结构化数据处理错误等各种问题，导致 Agent 产生幻觉的原因有很多。
坦白来说，从目前的大模型架构来说，100% 消除幻觉是不太可能的，但需要把幻觉控制在可控的范围内。另一方面，「幻觉」一定程度上是模型开放性思考的一种体现，甚至有时能够带来新的可能性。
当下的解决方法，主要以涉及单次数据准确性、多次运行校准、事实性核查等多种工程化手段。避免简单地通过加 Prompt「戴手铐」限制模型能力，而是要更深入地理解模型原理，甚至通过微调等方式从底层解决。
Q：Agent 的话就需要考虑模型的工具调用能力，以往大家都觉得模型不太会调用工具，你们是怎么解决这个问题的？
我们的 Data Agent，在工具调用上，从传统的 Function Calling 升级到 MCP 架构。MCP 的解决方案让 Agent 调用工具的能力提升了不少。
MCP 的优势很明显，可扩展性更好，调试成本更低。对于 Agent 来说，单次 5-8 个工具的调用需求，MCP 也能满足。
目前来看，MCP 架构本身限制不大，主要瓶颈仍在模型能力。挑战在于，如果 MCP Server 返回的是非确定性（模型生成）的结果，误差会被放大。因此，MCP 目前更适合调用稳定性好的服务（如数据库、知识库、确定性联网）。
Q：感觉 Agent 在 B 端的落地，因为不同企业的数字化程度不一样，似乎落地政策区别很大，你们是怎么做的？
落地策略上，大公司追最佳实践，小公司核心是先用起来。
很明显，Data Agent 对数字化程度有要求，但也并不是说，数字化不好的公司，就用不了了。
对于数字化程度高的企业来说，数据基础通常较好，挑战在于数据孤岛、跨部门协作。落地的策略是挑选标杆客户共创，建立 Data Agent 落地的最佳实践（适用场景、对接系统、行业模板积累），尽快与业务流程融合。
对于数字化程度低的企业，数据可能不够丰富，但优势是流程简单，适配和转型速度可能更快。落地策略是提供能力 + 模板，引导客户使用。例如提供分析模板，让客户通过简单的数据上传和自然语言交互也能获得不错的分析结果，要「带着他们走」，提升团队的能力。
Q：Data Agent 普及后，会取代过往那些报表工具，甚至是 ChatBI 吗？
Data Agent 成为主流后，并不会直接取代 ChatBI，甚至连一些长期存在固定报表都不会消灭。
传统 BI（如中国式报表）、ChatBI、分析 Agent 会长期共存，服务不同用户和场景。Agent 不会也不应试图替代所有 BI 功能（如复杂的固定报表）。Agent 是 ChatBI 在智能水平上的升级，但不完全是场景替代，更像是对分析师不同能力切片（取数 VS 分析）的模拟。
Agent 会蚕食 BI 的增量需求（如之前手动做周报的场景，现在可以用 Agent），但 BI 的存量（大量已有的固定报表系统）仍会长期存在。
Q：未来企业的数据需要 AI Ready，那数据库的形态会怎么变化? 会被某种新形态的产品取代吗？
数据库仍将存在，但形态和面向的对象会有新的变化。
存储范式变化：需要更融合的方式存储结构化、文档、向量以及未来的图像、音视频数据（多模态数据湖的方向）。
数据处理逻辑变化：从传统 ETL（针对结构化）扩展到非结构化数据的标注、打标、召回等新处理方式。
数据会与知识融合：如何融合数据库中的记录数据和非结构化信息，建立关联和转化机制（如知识图谱）是巨大挑战。
核心需求会变： 从以数据存储/处理为中心 转向以应用/智能为中心。数据如何更好地成为 AI 的「养料」（用于预训练、后训练、知识库），如何快速更新并被 AI 有效利用？
交互对象会变：从面向人（需要 SQL）转向面向 AI。数据库需要让 AI 更易理解，让 AI 知道何时调用、如何调用。
Q：AI 时代，开发产品尤其是 Agent 产品，对团队提出了什么新的要求？要面临哪些新的挑战？
Agent 时代的产品开发思路会有新的变化，不能靠加 Prompt 解决问题
开发流程的不可控性增强，解决大模型问题（如幻觉）所需时间难以预估（10 人天还是 100 人天？），因为是前沿探索，没有标准答案。
团队很难做长期规划，只能看清未来 3-6 个月。毕竟模型进展本身也不是很确定。
尤其是解决问题思路转变，不能「头痛医头脚痛医脚」（比如不断加 Prompt 限制），需要更抽象地看问题，从模型层面或更底层寻找解决方案。
对于开发团队来说，要学会拥抱不确定性，在不确定中持续探索。要提升抽象和底层理解能力，更深入理解模型原理。
Q：Agent 产品，或者说 AI 产品和模型的关系会是怎么样的？
不要去补大模型短板，而是做大模型的「容器」
Data Agent 的方向是做更好的大模型容器，会将主要精力放在构建能更好利用和扩展模型能力的框架上，而不是过度投入资源去弥补短期短板。
但核心是对大模型发展速度的判断。过于悲观，花大量精力补短板，可能短期有生存空间，但长期易被模型迭代「吃掉」。过于乐观，则需承担模型发展不及预期的风险。持续在「发挥上限」和「控制下限」之间做平衡和取舍。
Q：随着模型能力的增强，未来 Data Agent 会朝着什么方向进化？
Data Agent 的未来是自主学习和智能体协同
目前观察到 Agent 在工具调用路径选择上展现出一些超出预设的「智能」。既然假设大模型比人聪明，那么 Agent 设计本身是否也能利用大模型的自我迭代能力？这是值得持续探索的。
未来的发展规划是让 Agent 在解决问题过程中自我学习、优化路径、甚至超越预设能力边界，而非完全依赖工程化设定。
对于智能体协同（Multi-agent collaboration），不同专家 Agent（分析、营销、工程、编织等）协同工作，有望突破单一 Agent 或人类协作的上限，激发创造力。
一个简单的任务（如发起营销活动），Agent 可能自主在后台调用分析、数据工程等多个 Agent，探索数据、打通链路，最终给出意想不到的解决方案。链路越长，不确定性越大，但潜力也越大。
点击「阅读原文」，申请「Data Agent 样板间」体验。
（文：Founder Park）