Agent 如何在企業里落地？我們和火山引擎聊了聊

很多人低估了 Manus 的影響力。

就像 DeepSeek 降低了大模型商業化門檻、引領新一波 AI 創業一樣，Manus 讓大眾真正看到了 Agent 的重要性和可能性。

「看到」本身比任何觀點、任何演示都有說服力。

看到了，才有落地的意愿。

但企業內落地不能靠對業務缺乏了解的通用 Agent，需要垂直領域，真正懂場景的 Agent?；鹕揭?4 月份發布的 Data Agent 就是垂直領域 Agent 的代表。

Founder Park 在第一時間進行了深度試用，體驗后還和項目團隊進行了交流，試圖理清楚 Data Agent 在當下落地的現狀和難點，以及未來的想象力有多大。

Founder Park 正在搭建「AI 產品市集」社群，邀請從業者、開發人員和創業者，掃碼加群：

進群后，你有機會得到：

最新、最值得關注的 AI 新品資訊；

不定期贈送熱門新品的邀請碼、會員碼；

最精準的 AI 產品曝光渠道

01

企業內的數據難題

企業內如何利用數據這件事，一直都沒有被很好地解決。

怎么錄是個問題 ：不同的部門有各自的數據錄入系統，而且數據質量相差很大，跨部門協作很難。

怎么用是個問題： 寫 SQL 腳本是有門檻的，數據分析這件事，事實上成為了少數人的「特權」。

能不能用得好也是個問題： 數據分析只是第一步，怎么用數據去指導接下來的工作，更難。

這些問題都有望在 Data Agent 里得到解決：統一的數據管理平臺、兼容非格式數據、自然語言查詢數據，以及讓數據本身從單純的查詢功能向解釋功能、預測功能轉變。

Data Agent 意味著 L3 級別智能體的誕生

不只是讓查詢更方便，而是將數據整合、智能分析、自動化執行融為一體，解決傳統數據分析中的效率問題、技術鴻溝；不只是增強數據團隊，而是讓業務、客服等多個部門可以實現數據平權，能力普及。

02

Data Agent：

L3 級別的智能體

目前 Data Agent 涵蓋兩個智能體：智能分析 Agent 和營銷策略 Agent，前者主打數據分析；后者提供從策略制定到效果優化、執行鏈路的營銷策劃。

智能分析 Agent：人手一個 AI 數據分析專家

智能分析 Agent 的對話和 chatbot 有些類似，在 Agent 與企業的結構化及非結構化數據建立連接后，可以直接用自然語言對話開始數據分析。而且對話窗口會有推薦的數據分析維度，比如下圖中的「雙十一巔峰活動分析」「一季度所有活動復盤」「今年新品推廣的活動復盤」，方便用戶快速選擇。

這里我們選擇了一個消費活動的數據，以完成特定任務的方式來進行測試，盡量模擬復雜 SQL 查詢的場景。本次測試默認開啟模型的深度研究功能，在實際上線后這個功能將會是可選，對于一些小的快速任務就不用勾選。

任務 1：作為市場營銷負責人，我想了解去年雙十一期間的部分產品銷售數據。

首先，不需要找部門的運營同事去寫 SQL 和整理數據了，我直接在 Data Agent 的產品界面輸入「去年雙十一期巔峰盛典活動，30-40 歲男性用戶購買的產品銷售數據復盤，及特點分析」。

這是一個可能需要跨表查詢的任務，牽扯到用戶年齡和性別，需要去用戶數據表、商品銷售數據表等里查詢。

在輸入要求后，Agent 先是經歷了一番思考，然后得出了一個需要執行六步的任務規劃。

可以看出，期間需要多次用到 SQL 工具，像 Manus 一樣，在 Data Agent 的執行過程中，隨時可以觀看任務執行細節，下圖中可以看到模型正在調用工具寫 SQL 查詢語句。

大概等待了 5min 左右，Agent 給出了查詢和分析結果，因為數據庫中的年齡段是按照 35-44 歲記錄的，所以 Agent 也按照這個維度進行了查詢。

可能因為篩選維度比較簡單，這次的數據處理速度還是蠻快的。而且不僅有數據，還給出了一些初步結論，結論中提到「高客單價 + 多件購買模式，適合捆綁銷售或滿減策略」。

對于這個結論，我有所疑問，在男性消費數據的基礎上，我想進一步看一下不同年齡段的消費者之間的差異，想知道哪個年齡段的消費者是下一階段營銷策略的重點。

于是，我直接在對話框中輸入了「去年雙十一巔峰盛典活動中，不同年齡段的男、女消費者的消費情況對比 」。

這次要拆分的維度多了一些，而且，可能因為原始數據中對于性別的記錄問題，最終輸出的報告中，有一些性別顯示「未知」的臟數據。

同樣給出了一些結論，強調了 18-24 歲女性消費者客單價和成交額較高，值得重點關注。

兩個問題一共用時不超過 20min，而且不僅僅是查詢數據，還能幫忙解讀數據，甚至給出了一些具體可參考的建議。

兩次的數據結果，Data Agent 不僅給出了數據，還提供了針對不同人群的銷售策略。比如針對男性消費者的「高客單價的商品組合」，針對女性消費者的「社媒營銷 + 促銷活動」等。在不需要專業數據分析師的情況下，能夠幫助市場營銷負責人快速確定下一階段的的行動方案，讓數據分析不只是停留在「分析」，而是有了下一步的「行動」。

任務 2：作為汽車銷售公司的主管，想查一下過去一年內汽車銷售線索轉化情況

對于 Data Agent 最明顯的感知，是 SQL 查詢語句不再是門檻，而且好的數據提問 prompt 隨時可以放在對話的預置詞中，讓所有人都可以調用這些好的提問。

這個提升，在這次任務中可以明顯感受到。

作為公司主管，在以前，如果我想快速查一下過去一年的某個數據的變化情況，一般的操作路徑有以下幾種：找到過去幾個季度的數據匯總，放在一起對比分析；直接找到年度的整理數據，篩選處理分析；或者就是找運營同學寫 SQL 腳本，讓他處理好再給我。

但有了 Data Agent，只需要我輸入一句查詢指令，甚至不用輸出，比如這次我的查詢需求，碰巧是 Agent 默認的查詢語句之一。默認的數據查詢命令有：

放在以往，這里的每個結果分析可能都要 2 個小時以上的時間，數據篩選、SQL 查詢、數據導出，然后在 Excel 里進一步的處理分析，而現在，只需要一句話，然后去喝一杯咖啡，我需要的結果就出來了。

在選擇了「一年內，線索各步驟的轉化情況，以及影響因素分析后」進行查詢后，我大概等待了 20min。然后就有了這樣一份報告。

一份可以直接拿來用，甚至可以在小組會議上分享的報告。從提需求到最后生成可決策參考的報告，現在只需要不到半個小時，Agent 極大縮短了從數據到決策的鏈條，提升了會議的效率，最起碼，大家以后開會不需要幾天的準備周期了。

限于篇幅，結果未完全截圖

營銷策略 Agent：從洞察到自主執行的全閉環

智能營銷 Agent 的交互和智能分析 Agent 略有區別，兩者要處理的數據也不太一樣。智能營銷 Agent 要解決的問題是，結合用戶及活動數據，打造適配的營銷策略。處理的數據是新老用戶、各類活動數據。而且，提供的從策劃到執行的全流程服務。

這次我們也盡量模擬現實，測試了兩個營銷案例的任務。

任務 1：某電商 app 增長負責人，為達到快速拉新的目的，針對老用戶推出邀請有禮的活動。

618 畢竟快來了，趁這個時間點為店鋪帶來一些新增用戶，也可以讓大促期間的營收更好一些。

方式也不想搞太麻煩，直接邀請新用戶下載 app 或者注冊會員，就給老用戶送小禮品。老用戶的選擇范圍，盡量還是對優惠券 / 小禮品敏感性的用戶。

對話界面如下圖所示，把一些可篩選項做成了下拉菜單而不是全部由用戶手動輸入，因為營銷策劃都會有明確的時間和渠道。時間暫時選 0505-0512，一周的時間。觸達渠道，一般我都會選擇短信和 push。

然后就開始生成營銷方案，Agent 首先是任務拆解：類似經驗的搜索和總結、用戶畫像標簽、然后是創建觸達客群。

同樣是先思考，再進行任務的規劃。智能分析 Agent 多是調用 SQL 和 Python 工具，智能營銷 Agent 則是搜索 + 數據篩選為主。

這是第一步篩選出的可參考的相關垂直行業的實踐經驗，然后總結出客群畫像特征。

對生成的營銷方案沒有問題，我選擇進入下一步。Agent 基于這個方案生成了四種用戶篩選方案：

我選擇了第二種方案，根據「券敏感度」篩選用戶，進行精準營銷。畢竟，能參加這個活動的用戶，都是會對小禮品上心的用戶，自然也就是「券敏感度」用戶了。

接著就是針對不同敏感度的客戶，進一步確定觸達渠道、時機、文案和獎品了。

Agent 自動篩選好推送時間、邀請禮物，還自動生成了五條短信，不得不說，這個文案還蠻實用的，讓我自己來寫可能都沒準確和直擊痛點。

三種「券敏感度」的不同方案分別是：

然后就是選擇具體的某個方案，提交任務審批即可，也可以在任務審批界面進行一些用戶群的再拆解。

就這樣，從活動發起、到目標拆分、用戶群篩選、觸達內容編輯、短信 /push 發送，在智能營銷 Agent 里全完成了，而且是運營負責人一人就完成了！

任務 2：某知名咖啡品牌，推出一款電影聯名咖啡，需要策劃營銷活動

第二個任務，我們嘗試了離大家生活更近的營銷案例——電影聯名 9.9 的咖啡，看這些 Agent 能給出什么樣的營銷方案。

活動就簡單些，照搬其他品牌過往的做法，甚至還簡化了下：兩杯套餐送海報，單杯就送掛墜或者書簽。觸達方式選擇了短信，直覺里小程序或者 app 的 push 到達率都不高。

分析市場類似案例后，Agent 選擇的用戶畫像還算精準。白領、學生和文藝青年，9.9 咖啡的典型用戶。

給了四種拆分方案，考慮到該電影已經是爆款 IP 了，肯定會有很多人會因為聯名來買咖啡，我就選了第三種方案。

同樣也是生成了五條促銷短信，不得不說，這個短信打的點都會蠻準的：數量有限、積分翻倍、隱藏款禮品、CP 粉等等，直擊痛點。

下一步就是直接編輯短信送達了，感覺到目前這一步，都不需要我怎么修改，一路 Next 向下那種，太省心了。

從最開始的人群選擇、針對性的營銷策略以及最后生成的直擊痛點的短信，可以看出，Agent 還是很懂業務的，能夠理解業務語境，生成可用的高質量營銷內容，直接幫助業務提升轉化率。

不過，當前營銷策略 Agent 還只到發短信的環節，官方介紹，后續會加入營銷后的數據分析環節，這樣的話，營銷活動的全流程閉環都可以在一個 Agent 里完成了。

03

對話火山引擎：

關于 Data Agent 的 N 個思考

可以看到，今天 Agent 的產品形態還是以 chatbot 為主，但 chatbot 肯定不是 Data Agent 的完全體。

實測后的最大感受，今天的 Data Agent，已經帶給了我們很多新的想象：AI 從「僅洞察」進化到「從洞察到執行閉環」；人機協作，真正實現數據在企業內部、在各個環節的閉環。

不過，關于 Data Agent 我們仍有很多困惑，在和 Data Agent 項目團隊進行深入交流后，整理了一些創業者和行業可能會關心的問題，以及火山引擎在 Agent 這塊的新認知。

Q：大模型的幻覺問題，在 Data Agent 里是怎么解決或者控制的？

幻覺問題在內部是 P0 級別優先級別的問題，工具調用也是，上下文長度則是我們 P1 級別的問題，可能會在下半年投入解決這個問題。

幻覺的問題在 Agent 成為潮流之前，就已經是很多大模型的應用落地時核心要解決問題了。數據編造、來源編造、結構化數據處理錯誤等各種問題，導致 Agent 產生幻覺的原因有很多。

坦白來說，從目前的大模型架構來說，100% 消除幻覺是不太可能的，但需要把幻覺控制在可控的范圍內。另一方面，「幻覺」一定程度上是模型開放性思考的一種體現，甚至有時能夠帶來新的可能性。

當下的解決方法，主要以涉及單次數據準確性、多次運行校準、事實性核查等多種工程化手段。避免簡單地通過加 Prompt「戴手銬」限制模型能力，而是要更深入地理解模型原理，甚至通過微調等方式從底層解決。

Q：Agent 的話就需要考慮模型的工具調用能力，以往大家都覺得模型不太會調用工具，你們是怎么解決這個問題的？

我們的 Data Agent，在工具調用上，從傳統的 Function Calling 升級到 MCP 架構。MCP 的解決方案讓 Agent 調用工具的能力提升了不少。

MCP 的優勢很明顯，可擴展性更好，調試成本更低。對于 Agent 來說，單次 5-8 個工具的調用需求，MCP 也能滿足。

目前來看，MCP 架構本身限制不大，主要瓶頸仍在模型能力。挑戰在于，如果 MCP Server 返回的是非確定性（模型生成）的結果，誤差會被放大。因此，MCP 目前更適合調用穩定性好的服務（如數據庫、知識庫、確定性聯網）。

Q：感覺 Agent 在 B 端的落地，因為不同企業的數字化程度不一樣，似乎落地政策區別很大，你們是怎么做的？

落地策略上，大公司追最佳實踐，小公司核心是先用起來。

很明顯，Data Agent 對數字化程度有要求，但也并不是說，數字化不好的公司，就用不了了。

對于數字化程度高的企業來說，數據基礎通常較好，挑戰在于數據孤島、跨部門協作。落地的策略是挑選標桿客戶共創，建立 Data Agent 落地的最佳實踐（適用場景、對接系統、行業模板積累），盡快與業務流程融合。

對于數字化程度低的企業，數據可能不夠豐富，但優勢是流程簡單，適配和轉型速度可能更快。落地策略是提供能力 + 模板，引導客戶使用。例如提供分析模板，讓客戶通過簡單的數據上傳和自然語言交互也能獲得不錯的分析結果，要「帶著他們走」，提升團隊的能力。

Q：Data Agent 普及后，會取代過往那些報表工具，甚至是 ChatBI 嗎？

Data Agent 成為主流后，并不會直接取代 ChatBI，甚至連一些長期存在固定報表都不會消滅。

傳統 BI（如中國式報表）、ChatBI、分析 Agent 會長期共存，服務不同用戶和場景。Agent 不會也不應試圖替代所有 BI 功能（如復雜的固定報表）。Agent 是 ChatBI 在智能水平上的升級，但不完全是場景替代，更像是對分析師不同能力切片（取數 VS 分析）的模擬。

Agent 會蠶食 BI 的增量需求（如之前手動做周報的場景，現在可以用 Agent），但 BI 的存量（大量已有的固定報表系統）仍會長期存在。

Q：未來企業的數據需要 AI Ready，那數據庫的形態會怎么變化 ? 會被某種新形態的產品取代嗎？

數據庫仍將存在，但形態和面向的對象會有新的變化。

存儲范式變化：需要更融合的方式存儲結構化、文檔、向量以及未來的圖像、音視頻數據（多模態數據湖的方向）。

數據處理邏輯變化：從傳統 ETL（針對結構化）擴展到非結構化數據的標注、打標、召回等新處理方式。

數據會與知識融合：如何融合數據庫中的記錄數據和非結構化信息，建立關聯和轉化機制（如知識圖譜）是巨大挑戰。

核心需求會變： 從以數據存儲 / 處理為中心 轉向以應用 / 智能為中心。數據如何更好地成為 AI 的「養料」（用于預訓練、后訓練、知識庫），如何快速更新并被 AI 有效利用？

交互對象會變：從面向人（需要 SQL）轉向面向 AI。數據庫需要讓 AI 更易理解，讓 AI 知道何時調用、如何調用。

Q：AI 時代，開發產品尤其是 Agent 產品，對團隊提出了什么新的要求？要面臨哪些新的挑戰？

Agent 時代的產品開發思路會有新的變化，不能靠加 Prompt 解決問題

開發流程的不可控性增強，解決大模型問題（如幻覺）所需時間難以預估（10 人天還是 100 人天？），因為是前沿探索，沒有標準答案。

團隊很難做長期規劃，只能看清未來 3-6 個月。畢竟模型進展本身也不是很確定。

尤其是解決問題思路轉變，不能「頭痛醫頭腳痛醫腳」（比如不斷加 Prompt 限制），需要更抽象地看問題，從模型層面或更底層尋找解決方案。

對于開發團隊來說，要學會擁抱不確定性，在不確定中持續探索。要提升抽象和底層理解能力，更深入理解模型原理。

Q：Agent 產品，或者說 AI 產品和模型的關系會是怎么樣的？

不要去補大模型短板，而是做大模型的「容器」

Data Agent 的方向是做更好的大模型容器 ，會將主要精力放在構建能更好利用和擴展模型能力的框架上，而不是過度投入資源去彌補短期短板。

但核心是對大模型發展速度的判斷。過于悲觀，花大量精力補短板，可能短期有生存空間，但長期易被模型迭代「吃掉」。過于樂觀，則需承擔模型發展不及預期的風險。持續在「發揮上限」和「控制下限」之間做平衡和取舍。

Q：隨著模型能力的增強，未來 Data Agent 會朝著什么方向進化？

Data Agent 的未來是自主學習和智能體協同

目前觀察到 Agent 在工具調用路徑選擇上展現出一些超出預設的「智能」。既然假設大模型比人聰明，那么 Agent 設計本身是否也能利用大模型的自我迭代能力？這是值得持續探索的。

未來的發展規劃是讓 Agent 在解決問題過程中自我學習、優化路徑、甚至超越預設能力邊界，而非完全依賴工程化設定。

對于智能體協同（Multi-agent collaboration），不同專家 Agent（分析、營銷、工程、編織等）協同工作，有望突破單一 Agent 或人類協作的上限，激發創造力。

一個簡單的任務（如發起營銷活動），Agent 可能自主在后臺調用分析、數據工程等多個 Agent，探索數據、打通鏈路，最終給出意想不到的解決方案。鏈路越長，不確定性越大，但潛力也越大。