Agentic Analytics专题导览

abstract 本专题定位

这个专题不是教你把一句中文丢给 AI，然后等它吐出 SQL。那只是表层。真正的 Agentic Analytics，是把分析问题定义、语义约束、自动执行、结果验证、业务解释、行动追踪连成一条可复用的工作流。

换句话说，它不是“分析师偷懒工具”，而是“分析师工作方式的一次换骨”。骨头换了，皮相还是报表、SQL、结论；骨头没换，用再好的 AI，也只是把旧毛病跑得更快。

为什么要单独做这个专题

我们已经有 Text-to-SQL自然语言查询实战，也有语义层工程实践，还有 AI时代数据分析师升级路线。

但这些内容各自回答的是不同问题：

板块	回答的问题	读者得到什么
AI与大数据	AI 技术怎么工作	理解 LLM、RAG、Agent、Text-to-SQL 的技术原理
语义层工程实践	数据平台怎么支撑 AI-BI	理解指标、模型、权限、血缘如何工程化
分析师升级路线	数据分析师该怎么转型	明确岗位变化和个人升级方向
本专题	分析工作流具体怎么变	把 AI-BI 落到日常分析、评估、提示词和决策协作中

所以它不和已有板块冲突。它站在“数据分析师的工作现场”里，把技术翻译成新的职业动作。

一句话理解 Agentic Analytics

quote 核心定义

Agentic Analytics 是一种由 AI Agent 参与的分析方式：它不只回答一次查询，而是在明确目标、调用数据、生成分析、验证结果、追问异常、形成建议的过程中，半自主或自主地推进数据到洞察的链路。

传统 BI 更像“仪表盘”：你看什么，它展示什么。
Text-to-SQL 更像“翻译器”：你问一句，它写一段 SQL。
Agentic Analytics 更像“分析助理”：它会拆问题、查数据、做对比、给假设、提醒风险，但最终还需要分析师来设边界、定口径、审结论、推行动。

Agentic Analytics 的工作流骨架

flowchart TD
    A["业务问题<br/>不是查询句子"] --> B["问题澄清<br/>目标/对象/时间/口径"]
    B --> C["语义层约束<br/>指标/维度/关系/权限"]
    C --> D["AI-BI执行<br/>Text-to-SQL/图表/摘要"]
    D --> E["结果验证<br/>SQL/口径/样本/异常"]
    E --> F["业务解释<br/>归因/假设/风险"]
    F --> G["决策行动<br/>建议/实验/复盘"]
    G --> H["反馈闭环<br/>Eval集/提示词/语义层迭代"]
    H --> C

    style A fill:#F6EAD8,stroke:#C08A1A,color:#2D2A26
    style C fill:#E5EAF0,stroke:#3B5A80,color:#2D2A26
    style E fill:#F3EEDF,stroke:#9A9488,color:#2D2A26
    style G fill:#2D5A3D,stroke:#2D5A3D,color:#FDFBF5

这张图里最重要的是：AI 不是替你“做完分析”，而是进入分析链路的若干节点。真正的专业性，反而从“我会不会写 SQL”转向“我能不能把这条链路设计得可靠”。

本专题的阅读顺序

顺序	文档	解决的问题	推荐读者
1	AI时代分析工作流重构	传统分析流程如何变成 AI 协作流程	所有分析师
2	Text-to-SQL与语义层协同	为什么自然语言查询离不开语义层	分析师、Analytics Engineer
3	AI-BI评估体系与误差治理	如何判断 AI 给出的答案是否可信	高级分析师、治理负责人
4	分析Agent需求设计与提示词规范	怎样把业务问题交给 Agent，而不是随便提问	分析师、数据产品经理
5	Decision Scientist升级清单	分析师如何升级为决策科学型角色	准备转型的数据分析师

如果你时间有限，先读 01 和 03。一个帮你改工作方式，一个帮你防止“AI 一本正经地胡说”。

这个专题服务的三类人

1. 还在做取数与报表的分析师

你最需要建立一个判断：哪些工作会被 AI 明显提效，哪些工作必须由你升级承担。建议先读 Agentic Analytics：分析师角色的终局推演，再进入本专题。

2. 已经负责指标体系、看板、专题分析的高级分析师

你的关键任务不再是“多做几个分析”，而是把分析能力产品化：指标定义、诊断路径、常见问题集、异常归因模板、业务解释规则，都要沉淀成可被 Agent 调用的资产。

这里会和指标体系构建、归因分析方法形成很强的连接。

3. 在做 AI-BI、数据产品、语义层建设的人

你需要的不只是技术能力，而是知道业务用户怎么提问、分析师怎么判断、错误在哪里发生。Agentic Analytics 的成败，往往不是模型不够聪明，而是业务语境没有被结构化。

这部分请配合 AI-ready Data专题导览阅读。

本专题的产出标准

学完这个专题，不要求你立刻变成 AI 工程师，但至少要能拿出四类作品：

一个 AI 辅助分析工作流：从业务问题到结论输出，每一步都有输入、输出和审查点。
一个语义层协同样例：至少包含指标定义、维度说明、同义词、样例问题和正确 SQL。
一个 AI-BI Eval 集：包含常见问题、边界问题、陷阱问题、期望答案和错误分级。
一个 Decision Scientist 作品集案例：说明你如何用 AI 提效，但最终靠人类判断推动业务行动。

这四个作品，比“我会用某某 AI 工具”更有含金量。工具会变，作品背后的能力不会过时。

和知识库其他内容的关系

趋势参考

本专题具有时效性，建议每季度复查一次。当前判断参考了以下公开资料：