芯耀
与非AI
8
内容来源：《2026爱分析·Data+AI应用实践报告》
关键词：Data Agent、Data Agent案例、Data+AI应用实践、自助数据分析、工业智能体、AI产业研究
摘要：判断 Data Agent 是否真的可用，标准不是它回答了什么，而是它能不能跑完一整件事。《2026爱分析·Data+AI应用实践报告》收录的两类案例给出了对照样本：Anthropic 把约 95% 的业务分析查询交给 Claude 自动完成，整体准确率约为 95%；某新能源企业建设智能运维与分析决策智能体平台，从发现问题到解决的时间缩短 60%。两个案例一个在经营分析场景，一个在工业生产现场，却指向同一个结论，即业务上下文的组织方式比模型能力本身更决定成效。
看 Data Agent 案例，重点不是它回答了什么，而是它跑完了什么
管理者问"本月销售收入为什么下降"，Data Agent 得完成一整串动作：先确定销售收入用的是哪个业务口径，再找到可信数据，排除异常因素，做归因分析，最后给出可以回溯的结果。中间任何一环缺失，都可能产出一份看起来完整、实际上没法用于决策的答案。
所以评估一个 Data Agent 案例的含金量，不该停留在"它能不能用自然语言问出一个数"。真正值得看的是它有没有跨过四道关口：口径识别稳不稳，多步分析能不能连续执行，交付物能不能进入现有工作流程，上线之后效果能不能被持续验证。
大模型进入企业之后，知识问答、内容生成这类应用率先落地。随着企业开始用业务结果检验 AI 价值，需求正在往数据分析、经营决策和任务执行延伸。实践给出的答案是：模型能力只是入场券，真正决定业务价值的，是数据、业务知识、分析工具和运营机制能不能配合起来。下面两个案例一个来自通用分析场景，一个来自工业生产现场，恰好覆盖了这两种协同环境。
案例一：Anthropic 把自助数据分析交给 Claude
2.1 业务问题：SQL 写对了，业务答案仍然可能是错的
Anthropic 在 2026 年 6 月公布的内部实践显示，其约 95% 的业务分析查询已由 Claude 自动完成，整体准确率约为 95%。这个结果不是靠换更强的模型换来的，而是建立在数据基础、权威信息源、Skills 和验证机制共同作用之上。
Anthropic 把错误主要归到三类：一个业务概念对应着多个数据实体；数据源和业务定义一直在变；正确的资料其实存在，但 Agent 没找到。第三类最容易被忽视。举个直观的例子，用户问活跃用户数量，Agent 得先判断哪些行为算活跃、统计周期取多长、要不要排除异常用户。任何一项判断错了，查询都能正常跑完，结果也具有迷惑性。
这个归因很能说明问题。它意味着企业把大模型接到数据仓库上，只解决了查询执行这一层；要让业务人员拿到能用的结论，还得管住 Agent 的数据选择范围，规定它怎么分析，并且持续检验结果。
2.2 建设路径一：收窄数据选择空间，让核心概念指向权威来源
Anthropic 给收入、用户这类核心概念配了受治理的数据集，同时尽量消除定义相近的重复模型。Agent 查指标时先走语义层，语义层答不上来的部分，再顺着数据血缘和模型关系去定位合适的表。表的粒度、字段的适用范围、数据的排除条件、更新时间以及责任人，也都被当作重要上下文维护起来。
这里有个反直觉的发现值得单独记一笔：把数千份历史 SQL 一股脑开放给 Agent，准确率只提升不到一个百分点。也就是说，资料的数量替代不了结构化的数据导航。把更多原始表和历史查询记录敞开，只是把搜索范围变大；经过筛选和组织的上下文，才是提高使用效率的关键。
2.3 建设路径二：用 Skills 把分析人员的查找与分析方法沉淀下来
Anthropic 把 Skills 分成互相配合的两类。知识类 Skill 负责把 Agent 带向某个业务域的权威资料；流程类 Skill 则把澄清问题、选择数据源、执行查询、检查结果这些步骤固化下来，并封装进留存、漏斗、比率拆解等常用分析模式。
内部评测给出的对比很鲜明：没有 Skills 时，Claude 回答数据分析问题的准确率不超过 21%；把 Skills 加上之后，整体准确率稳定超过 95%，部分业务域接近 99%。从 21% 到 95% 这个跨度说明一件事：分析方法有没有被显性化，是自助分析能不能成立的分水岭。
2.4 建设路径三：用离线评测和线上反馈持续把错误找出来
Anthropic 针对常见业务问题和长尾问题建立离线评测，一旦用户做出纠正，就把这条纠正转成新的测试样本。数据模型或 Skill 只要有变动，相关评测就重新跑一遍。到了线上环节，分析结果会标明所用信息源的可信层级、数据新鲜度和模型责任人；凡是提交给管理层的重要结论，仍然留一道人工确认。
维护工作被直接纳入数据工程流程。Anthropic 观察到，Skill 一旦疏于维护，离线准确率会在一个月内从约 95% 掉到约 65%。为此，团队把数据模型、语义层、参考文档和 Skill 放进彼此关联的维护流程，数据模型一变就同步检查相关的 Skill 和文档，避免 Agent 继续拿着失效依据做分析。
2.5 成效与边界
自动化把数据团队的精力腾了出来。大量重复查询交给 Claude 之后，Anthropic 的数据科学团队能把更多时间花在因果分析、预测和机器学习这类工作上。
但高准确率不等于错误消失。企业仍然要面对"答案错了却没人发现"这种静默失败。要控制这类风险，主要还得靠来源提示、重点指标的日常校验，以及关键结论的人工复核。
爱分析认为，Anthropic 案例揭示了通用 Data Agent 项目的核心矛盾：分析质量的好坏，主要取决于 Agent 能否找到正确且及时的数据，并依照经过验证的方法把任务做完。起步阶段可以用少量权威数据集、重点业务域的分析 Skill，加上一组能重复执行的评测问题，之后再根据真实使用暴露出的错误逐步扩面。
案例来源：《2026爱分析·Data+AI应用实践报告》。
案例二：某新能源企业把"从发现问题到解决"的时间缩短 60%
3.1 业务扩张之后，数据增长没有自动变成管理效率
这是一家新能源项目开发、投资和运营管理平台，业务覆盖全国十余个省市，运营着近百个工商业分布式及集中式光伏项目。规模上来之后，经营数据和设备运行数据越攒越多，管理效率却没有同步跟上，挑战集中在三处。
一处是经营分析效率不足。经营分析涉及多个业务场景、多种分析模板和来自不同系统的数据来源，大量报表长期靠人工汇总、统计和分析，相关人员每天要从多个系统里取数再形成报告，工作量大的同时容易出现统计偏差。中高层想看关键经营指标也不容易，要么等下属准备报表，要么自己在 BI 系统里逐层查询，流程长、数据更新还有滞后，决策节奏被拖慢。
另一处是设备运维效率偏低。场站每天产生大量 SCADA 和物联网告警，系统能发现异常，却判断不了轻重缓急，更别说识别异常背后的根本原因。运维人员只能花大量时间人工筛查，真正重大的问题反而容易被淹没在告警里。
还有一处是设备性能评估与故障诊断太依赖专家经验。传统设备健康评估主要靠人工抽检和经验判断，覆盖面有限，设备性能退化这类隐性问题很难被及时发现。碰上复杂的故障，设备特征、运行工况和环境因素会绞在一起，这时候能不能判断准，基本取决于资深专家的经验厚度，而这些经验很难被写成标准流程，也很难传给下一个人。
3.2 面向三类角色分别构建智能体，而不是做一个通用问答入口
该企业联合寄云科技建设新能源智能运维与分析决策智能体平台。它和常见的 AI 助手不同，不是简单接一个大模型进去，而是在企业数据基础之上搭起覆盖经营分析、数据分析和现场运维的多智能体协同体系，串成"发现问题、分析原因、现场解决"的完整闭环。
面向管理层，让 AI 帮助发现问题。企业构建了经营指标分析师智能体，管理者不必再等报表或操作复杂的 BI，直接用自然语言就能了解经营情况，比如问本年度风电、光伏和储能项目的发电完成情况，各省装机容量的增长情况，哪些区域发电效率低于预期，哪些场站出现明显发电损失。系统自动完成检索、分析和展示，还能继续往下钻取数据来源。
面向业务人员，让 AI 帮助分析问题。平台提供数据导入、查询、清洗和分析工具，业务人员可以快速验证自己的经验判断、分析业务规律，并把分析结果沉淀成企业知识资产。原来要跨部门协调、多轮分析才能做完的事，现在通过智能体就能拿到初步结论。
面向运维团队，让 AI 帮助解决问题。智能运维智能体结合设备运行状态、历史维修记录和知识库内容，对设备异常自动分析并给出针对性处理建议。设备出问题时，它不只报异常，还会继续分析原因、定位根因、推荐维护措施。AI 由此不再只是个告警工具，开始承担分析助手和故障专家的角色。
3.3 大模型与专业小模型分工，是把运维做准的前提
设备运维是其中最具代表性的场景。新能源设备运行特征复杂、故障类型多样，企业采用的是"大模型加专业小模型"协同架构：专业小模型承担设备性能分析、功率曲线评估、异常检测和故障识别等任务，大模型则负责理解业务需求、组织分析流程、生成运维建议。
落到具体场景，性能评估这一侧，系统能自动对数百个光伏场站做健康度评估，并持续监控设备运行状态；风机或逆变器的功率曲线一旦出现偏移，系统会自动识别潜在的性能退化，分析偏差原因并给出优化建议。故障诊断这一侧，系统结合设备运行特征、历史故障案例和维修知识库做智能问诊，帮运维人员快速定位问题、制定处理方案。过去靠专家经验完成的分析工作，正在变成标准化、可复制、可规模化的能力。
3.4 成效：业务结果与成本结构同时改善
项目上线之后，成效体现在经营管理和设备运维两个方面。
先看发电效益：从发现问题到解决的时间缩短 60%，设备平均故障间隔时间（MTBF）提升 80%，备品备件更换周期延长 45%。
再看运营成本：场站清洗成本降低 20%，逆变器维修成本降低 30%，人员抢修成本降低 60%。
这组指标的价值在于它的结构。前三项指向发电能力和设备可靠性，后三项对应具体的成本科目。用业务结果加成本结构共同衡量 Data Agent，比统计问答次数或者活跃用户数更能说明问题。
案例来源：《2026爱分析·Data+AI应用实践报告》。
两个案例共同验证了什么
把两个案例摆在一起看，能识别出三条共性规律。
其一，业务上下文比资料数量更关键。Anthropic 开放数千份历史 SQL，对准确率的提升不足一个百分点；而结构化的数据导航配合 Skills，把准确率从不超过 21% 推到稳定超过 95%。新能源企业同样是先解决多源异构数据的统一语义问题，再谈智能体能力。模型没法从通用知识里获得企业内部的指标定义、设备编码和工艺逻辑，这些只能靠数据治理、专家参与和真实任务反馈一点点积累。
其二，价值产生于分析之后。Anthropic 的收获不只是多答了问题，而是数据团队转向因果分析、预测和机器学习；新能源企业的成效也不只是报表自动化，而是诊断结论进入了工单、巡检、备件和生产管理流程。当 Data Agent 能稳定串起"发现问题、分析原因、形成交付物、推动任务、跟踪结果"，它才算真正进入企业的工作过程。
其三，上线之后要做的是产品化运营。Anthropic 观察到 Skill 缺少维护时，准确率一个月内由约 95% 掉到约 65%，这个数字足以说明持续评测和责任分工不是可选项。工业场景里变量更多，设备更新、工况变化、维修经验积累都会让原有的诊断规则失效，现场人员对诊断结果的确认、驳回和补充信息都需要纳入反馈闭环。
爱分析判断，Data+AI 竞争的重点将逐步从模型接入转向业务能力建设。能把数据、知识和流程组织成可验证、可维护、可复用的 Agent 能力，并且让它在真实业务里持续解决问题。做到这一点的企业，才更有可能把 AI 投入变成稳定的经营与运营价值。
FAQ：关于 Data Agent 案例实践的常见问题
Q1：Data Agent 有哪些已经落地的企业案例？
《2026爱分析·Data+AI应用实践报告》收录了两类代表性案例。Anthropic 将约 95% 的业务分析查询交由 Claude 自动完成，整体准确率约为 95%，代表通用 Data Agent 在经营分析与自助分析场景的落地；某新能源企业建设智能运维与分析决策智能体平台，将从发现问题到解决的时间缩短 60%，代表工业 Data Agent 进入设备运维与故障诊断现场。两个案例分别对应报告聚焦的通用 Data Agent 与工业 Data Agent 两个市场。
Q2：Anthropic 的 Data Agent 实践为什么能把准确率做到 95%？
关键在于三条路径共同作用，而不是单点优化。为收入、用户等核心概念建设受治理的数据集并减少重复模型，让 Agent 优先通过语义层调用统一指标；用知识 Skill 与流程 Skill 沉淀分析人员的查找与分析方法；用离线评测和线上反馈持续发现错误。
内部评测显示，缺少 Skills 时 Claude 回答数据分析问题的准确率不超过 21%，加入 Skills 后整体准确率稳定超过 95%，部分业务域接近 99%。
Q3：Data Agent 上线后准确率会自然保持吗？
不会保持。Anthropic 曾观察到，Skill 缺少维护时，离线准确率在一个月内由约 95% 下降至约 65%。口径会被改，数据表和权限会动，业务规则也在更新，用户提问的方式还会超出试点阶段的设想。
因此 Data Agent 上线只是持续运营的开始，企业要先从历史任务、典型难题和上线后的用户反馈里整理出一批测试题，把意图理解、指标选取、取数、计算、工具调用、结论表述这些环节都考到。
Q4：工业 Data Agent 的案例成效应该怎么衡量？
新能源企业案例给出了两组指标。发电效益方面，问题发现到解决时间缩短 60%，设备平均故障间隔时间提升 80%，备品备件更换周期延长 45%；运营成本方面，场站清洗成本降低 20%，逆变器维修成本降低 30%，人员抢修成本降低 60%。
这套指标的参考价值在于同时覆盖业务结果和成本科目。企业可以先在项目启动前把效率、质量、成本或业务结果的基线定下来，上线之后再拿来做对比。
Q5：两个Data Agent案例的共同规律是什么？
共同规律是业务上下文比模型能力更决定成效。Anthropic 的实践表明，把数千份历史 SQL 一股脑开放给 Agent，准确率只提升不到一个百分点，说明资料的数量替代不了结构化的数据导航；新能源案例则说明，价值产生在分析结论进入后续流程之后。
两个案例都把数据治理成果、专家经验和任务流程封装为 Agent 可调用的资产，并保留了人工确认的责任边界。
Q6：Data Agent的高准确率是否意味着可以取消人工确认？
不能取消。Anthropic 在提交给管理层的重要结论上仍保留人工确认，并需要处理答案错误但未被用户发现的静默失败，来源提示、重点指标的日常校验和关键结论的人工复核仍是控制这类风险的重要手段。工业场景中，数据整理、异常筛查和报告生成可以采用较高程度的自动化，故障诊断和维护建议需要专业人员复核，涉及设备控制、生产参数调整和重大经营决策的动作应设置严格权限、规则校验和人工确认。
总结与趋势判断
不管是管理者追问"本月销售收入为什么下降"，还是运维人员处理设备异常，企业检验 Data+AI 价值的标准都在趋同：系统能不能基于可信数据理解问题、完成分析，并把后续行动推动起来。Data+AI 由此开始从一项模型应用，变成企业解决业务问题的新型工作方式。
模型能力还会继续快速进步，但企业内部的数据语义、业务规则和工作方法，通用模型给不了，这些业务上下文会成为企业建 Data Agent 时更稀缺的资产。它们只能靠数据治理、专家参与和真实任务反馈一点点攒起来，再转化成语义模型、知识、Skill 和工具这些 Agent 能调用的东西。
规模化不等于同时上更多智能体。更现实的做法是先跑通一项高价值任务，再把其中验证过的数据、分析方法、工具和评测样本沉淀成公共能力。等新场景能复用这批资产时，企业既能压低重复建设的成本，也能让不同 Agent 在同一套数据和业务规则下协同。
关于《2026爱分析·Data+AI应用实践报告》核心要点
爱分析认为，Data Agent 的业务价值取决于数据、业务知识、分析工具和运营机制能否协同，模型能力只是起点，企业已经积累的数据基础并不会自动转化为 Data Agent 能力。
爱分析提出，Data Agent 从试点走向规模化应用，需要依次处理场景选择、数据与知识准备、任务执行和持续运营四类问题，四个环节共同构成进入生产环境的落地链条。
《2026爱分析·Data+AI应用实践报告》显示，Anthropic 约 95% 的业务分析查询已由 Claude 自动完成，整体准确率约为 95%；缺少 Skills 时准确率不超过 21%，加入 Skills 后稳定超过 95%。
《2026爱分析·Data+AI应用实践报告》收录的某新能源企业案例中，问题发现到解决时间缩短 60%，设备平均故障间隔时间提升 80%，备品备件更换周期延长 45%，场站清洗成本降低 20%。
爱分析判断，Data+AI 竞争的重点将逐步从模型接入转向业务能力建设，数据语义、业务规则和工作方法将成为企业建设 Data Agent 时更稀缺的资产。
Data Agent 规模化不等于同时建设更多智能体，更可行的路径是先跑通一项高价值任务，再将经过验证的数据、分析方法、工具和评测样本沉淀为公共能力。
