企业Data Agent正在从问答走向决策准备：关键是上下文和权限

企业数据问答最难的地方往往不是生成 SQL，而是确认用户问的是哪个指标、数据是否完整、口径是否一致以及他是否有权查看结果。Data Agent 如果只输出一个数字，很难帮助决策；如果能同时说明来源、口径、异常和下一步验证，就更接近真正的工作流。

1. 先说结论

同一个词在不同部门可能代表不同口径。收入、活跃用户、转化率和库存都需要定义时间范围、过滤条件和排除规则。系统应先把问题转成可确认的分析计划，再执行查询，避免模型用一个看似合理的字段替代真正的业务指标。

2. 问题背景

数据 Agent 的上下文不仅是表结构，还包括指标目录、数据新鲜度、负责人、权限和已知异常。每次输出都应该说明查询时间和数据范围；如果某个数据源延迟或缺失，结果要带上限制，而不是用自然语言把不确定性隐藏起来。

3. 真正的技术取舍

权限必须在数据库或语义层执行。模型不应该通过猜表名、拼接 SQL 或读取缓存绕过行列权限。对敏感字段应返回聚合或脱敏结果，并记录谁在什么任务中请求了什么数据，便于复核和撤销。

4. 落地方法

从问答走向决策准备，需要增加对比、趋势和异常解释，但不要让模型替业务负责人做最终决定。一个好的输出可以列出变化最大的因素、需要确认的假设和建议动作，再把执行权限留给人或受控工具。

5. 常见失败

常见失败是只做一个“聊天式 BI”界面，没有指标治理和数据质量监控。另一个失败是回答看起来很具体，却没有展示 SQL、来源和口径，导致用户无法判断结果是否可信。可解释性不是额外装饰，而是采用门槛。

6. FDE判断

FDE的判断是，企业 Data Agent 的产品边界应该是“准备更好的决定”，而不是“替企业决定”。越接近预算、客户、价格和绩效等高影响领域，越需要清晰口径、证据链和审批边界。

发布或采购前的检查清单

• 先确认指标口径，再执行查询。
• 结果必须显示数据范围、更新时间和来源。
• 权限在数据层执行，不依赖提示词。
• 高影响决策只提供建议，不直接执行。

下一步怎么做

先选一个指标明确、权限清晰的部门流程，做出带来源和口径的分析报告。

本文依据公开资料整理，来源包括：NIST AI Risk Management Framework。文中“FDE判断”属于编辑分析，不等同于来源原话。