分享下 近期 AICon 大会上 有关数据分析场景的实践主题 - Multi-Agent 架构驱动的 Data Agent 路线与工程实践
内容涉及 context engineering 架构(single vs multi agent)、数据分析策略、工程实践等，其中一些值得解读的信息（从 PPT 内容出发）：
-
Multi agent：
- 通过划分任务（裁剪 context），让每次 call llm 等价于 argmax (single agent 的 action space)，从而提升效果，并且单个 agent 也可独立优化
- 垂直架构（主 agent + 多个子 agent），主 agent 需要进行 plan、clarify，效果会有单点问题，解决方案可尝试 只让 主 agent 做宏观上的调度
-
Data agent 分析全流程：ETL（数据清洗、连接）-> Metric（业务语义构建 - 产品功能）-> Insight（基于指标进行不同维度洞察，比如时序性指标 就是分析趋势，枚举指标就是分析归因等）-> Report（报告填充），图比较直观
-
NL2SQL 实践上：
- 产品：语义层很重要，企业术语 与 生成 SQL 之间需要 产品功能连接，避免领域知识影响、避免表与字段的歧义
- 策略：预处理对 table schema 进行归一化，语义召回选表，然后结合 reAct、结果一致性等保证准确率，整体思路比较常见
-
Memory ：压缩时 考虑时效性、冲突性、扩展性（合并已有记忆）；读取时会基于用户背景，考虑最近性、相关性、重要性 读取记忆；存储时需要考虑结构化与非结构场景，比如：用户查看业绩情况，结构化是查看 销售额、订单量；非结构是用户喜欢使用柱状图
-
Research：策略上没有新意，产品上可支持用户上传模版去进行 outline 解析，作为 大纲生成的 fewshots 使用，算是快速意图冷启
Labels: 🎯技术向
Original post: https://simonaking.com/blog/weibo