Article body
正文
用户提出“分析过去一年的华东销售趋势，补上同比，并做成仪表盘”，其中包含数据选择、指标理解、时间比较、图表创作和结果保存。把问题翻译成一次查询，只完成了其中一部分。Data Agent 要进入实际分析工作，需要把这些步骤连接起来，并让使用者看到执行过程与交付结果。
HENGSHI SENSE 的 Data Agent 覆盖建模辅助、可视化创作、问数分析和页面操作。这些能力共享平台的数据集、关系模型、HQL 指标及权限体系，让用户通过自然语言完成分析，并沉淀可复用的分析资产。理解这套能力，可以从任务怎样拆解、工具怎样协作，以及结果怎样落地三个方面入手。
一、从当前业务问题找到数据与指标
Data Agent 可以依据问题理解意图，在用户获授权的数据范围内发现相关资源，并按复杂度执行一次或多次查询。页面上下文还能提供起点：用户在数据包、数据集或仪表盘中提问时，Agent 可以利用正在浏览的资源信息；独立问数入口则适合围绕一个业务主题展开连续对话。
业务语义决定后续执行是否有共同依据。数据集名称、字段说明、指标描述、同义词与隐含筛选规则，可以帮助 Agent 识别“净销售额”“我的部门”“上年同期”等表达。HQL 和业务指标再把确认后的计算落实为可执行定义，减少每个问题重新拼装业务规则的工作。
二、让建模、问数与创作在同一任务中协作
| 协作能力 | 能够参与的工作 | 可检查的结果 |
|---|---|---|
| 建模辅助 | 创建数据集、配置关联、辅助选择关联类型与维度归属 | 数据集、关联键、关系类型及明细粒度 |
| 问数分析 | 理解问题、搜索相关数据、组织多步查询与分析 | 采用的指标、筛选、期间、分组和结果 |
| 可视化创作 | 新建或编辑仪表盘，调整图表、过滤器、布局及样式 | 图表绑定、交互配置和保存后的分析页面 |
| 页面操作与上下文 | 结合当前页面辅助完成适用的操作与配置 | 当前资源、操作对象及页面变化 |
这些角色描述了不同的工作能力，具体任务并不需要机械地依次经过四个助手。已有合适数据集时，可以直接分析；已有看板时，可以继续追问或调整呈现；发现模型不足时，再处理关联与字段。按依赖推进，能够减少重复建模和在错误上下文中创作图表的情况。
平台工具为这些能力提供执行入口。Agent 将任务转为结构化的资源查询、数据查询或配置操作，获取返回信息后继续推进。工具既连接已有 BI 能力，也给下一步判断提供依据。实施团队应据实际版本与入口检查可调用范围，而不是假定所有界面能力都通过同一种 API 暴露。
三、沿着一条销售分析任务完成交付
仍以华东销售仪表盘为例。以下是任务设计示例，不是客户案例或固定的内部执行协议。第一步先确认销售额指标、支付或确认日期、华东范围、币种和退款规则；如果要看最近十二个月的同比，还需准备对应的上年同期数据。Agent 随后查找可用数据集与模型，检查省份、产品分类和时间字段。
第二步先完成趋势与同比计算，再按产品分类补充拆分结果。存在多表关联时，团队核对订单与维度表的粒度及关联，避免一笔订单因重复匹配被多次汇总。业务人员可以在这一阶段继续追问“只看某类产品”或“改成上季度”，由后续查询承接或更新相应条件。
第三步将已确认结果组织成趋势图、分类柱状图与 KPI 卡片，配置期间和区域过滤器，再核对保存位置、编辑权限与最终页面。Data Agent 的辅助创作可以让用户从分析过程继续完成呈现；独立 ChatBI 还提供将对话图表形成看板的使用路径。两类入口围绕同一业务目标工作，实际保存方式按对应功能完成。
任务结束时，用户得到的是可以继续使用的分析资产：指标有来源，图表有绑定，过滤条件可检查，后续使用者能够打开目标看板。团队由此把一次对话中的结果接到日常经营分析。
四、利用工具反馈恢复失败，保留已完成工作
长任务可能在查询、配置或保存环节中断。Data Agent 的查询错误学习与多步执行能力，为继续处理问题提供基础；可靠的恢复还需要区分失败原因与目标资产状态。团队应保留原请求和已确认条件，再决定重试、补充上下文或交由负责人处理。
| 异常 | 处理重点 | 恢复时保留的条件 |
|---|---|---|
| 字段或指标不匹配 | 读取元数据与说明，核对候选映射 | 业务含义、统计对象和原指标口径 |
| 查询或表达式失败 | 根据原始返回修正输入，并验证结果 | 时间、区域、维度、过滤与计算粒度 |
| 权限不足 | 定位所需资源和动作，由管理员处理授权 | 当前账号身份和已配置的数据范围 |
| 创建或保存中断 | 先读取目标位置，检查已有资产，再补做缺失步骤 | 已完成图表、资源标识和保存位置 |
查询超时后缩短期间或合并地区，可能改变用户的问题；保存中断后直接重复创建，也可能产生重复资产。把“查询得到结果”“页面修改完成”“资产保存成功”分别检查，才能在出错后保留已经完成的工作，并继续推进缺失步骤。
五、用知识、偏好与学习配置持续改进
衡石为持续优化提供了不同入口。数据集知识与指标定义保存业务规则；个人 AI 助手偏好可以用 Markdown 描述单位、日期格式或呈现习惯；当前会话承接本轮问题与追问条件。团队按各自用途维护这些信息，能够减少重复解释，并在结果有偏差时找到应修改的对象。
Data Agent 提供错误学习、对话洞察和用户偏好提取等学习配置，由管理员按项目需要开启。团队应检查学习内容及其适用范围，将高频口径维护为正式指标，并用原问题和相邻问法复测。一次纠正可以成为改进起点，后续效果应通过实际任务验证。
面向外部系统，SDK、iframe 和 API 提供不同集成方式；HENGSHI CLI 则为外部 Agent 与实施团队提供 BI 工程执行入口。团队可以据此选择原生交互、嵌入页面或外部编排，并明确谁管理会话、谁确认写入、谁承接失败。
Data Agent 的价值，体现在它能够使用已有 BI 资产推进任务：理解数据与指标，组织查询，辅助建模和创作，再把结果交付到可继续使用的页面。衡石的数据模型、HQL、指标体系、可视化与权限管理，为这条工作路径提供共同基础。