30 分钟上岗：企业“招聘”Data Agent 的新标准

10 月 23 日，Aloudata 创始人& CEO 周卫林受邀参加 2026 DACon 数智大会，围绕 Data Agent 走向企业生产环境的实际挑战，提出“30 分钟上岗”新标准，深度解析“摸得清、问得准、干得对、学得会”四项上岗能力，同与会嘉宾共探如何让 Data Agent 快速上岗、承担分析任务的新路径。本文根据现场演讲整理，约 3600 字，阅读需 13 分钟。

大家好，我是周卫林。在阿里和蚂蚁做了 15 年数据工作后，我在 2021 年创立了 Aloudata。在过去几年的探索中，我一直在思考一个问题：在 AI 时代，企业到底需要什么样的数据产品？

今天，我想从“数字员工”的视角切入，和大家探讨一下企业对 Data Agent 的采购、使用和考核方式的转变——从“买工具”走向“招员工”。而“30 分钟上岗”，也正是我们基于这一判断提出的新要求：让 Data Agent 像数据分析师一样入职，快速承担分析工作，并在持续协作中自成长。

01 Agent = f(Context)

过去，我们常把 Agent 定义为 Agent = f(LLM + Harness + Context)。

但随着技术演进，大家会发现模型能力和 Harness 工程架构正在被迅速拉齐。无论是开源还是闭源，无论成本高低，模型能力的智力已经不再是决定 Agent 能不能干活的前提条件了。同时，各种开发框架、封装程度极高的工程化组件，也让软件工程能力迅速普及。

当这些基础条件被拉平后，企业与企业之间、厂商与厂商之间，最大的变量和核心竞争力是什么？答案是 Context。Context 不是能力，是事实。能力如会画画、会写作，这些都可以被大模型“吃”进去，但 Context 是企业私有的事实，大模型“吃”不进去。足够完备的 Context，恰恰是 Agent 完成任务所需的事实信息，包括业务定义、指标口径、历史知识，以及当前任务的目标和背景，否则无法完成任务。

就好比，一位分析师参加经营会议后接到取数任务，他能够结合讨论过程理解业务诉求。但 Agent 只收到一句“帮我取一下数”。因为掌握的信息不同，对同一个任务的理解和执行天然出现巨大偏差。

因此，我们认为，Context 首先是信息学，其次是工程学。需要先考虑如何采集、组织和表达任务所需的信息，再通过工程手段，让 Agent 有效获取和使用。

在数据分析领域，语义平台能够通过指标、维度及其业务定义，将企业知识显性化。所以，语义平台就是分析决策 Context 的最高知识密度表达方法，为 Agent 理解和使用企业数据提供支撑。但现实条件仍然充满各种挑战，特别是 Context 永远是不完整的，一直处于动态演化中。Agent 需要在工作中不断发现信息缺口，通过沟通补充背景，并持续积累经过确认的数据和知识。

02 Data Agent 上岗，从“买工具”到“招员工”

理解了 Context，我们再来看企业采购和使用 Data Agent 逻辑的变化。

在传统分析工具时代，人负责明确需求、拆解步骤、操作软件，再核验和解释结果。分析工具则承担查询、计算、可视化等功能，工作的组织者始终是人。

现在 Data Agent 带来的变化是，它不再是工具，而是“数字员工”，开始承担工作的组织与执行。

业务人员交办任务、确认口径并决定是否采用分析结果，Agent 则主动理解需求、制订分析计划、调用工具执行，核验并交付结果。双方的互动，就像是主管与下属之间的协作：主管分配任务给 Agent，然后它就可以自主完成，最后主管再来做验收。

这意味着，企业采购、使用和考核 Data Agent 的逻辑必须要改变，要从“买工具”走向“招员工”。

买工具的逻辑是：定功能 → 做 POC → 上线部署 → 试运行 → 验收；“招员工”的逻辑就变成了：定岗位 → 面试 → 入职报到 → 试用做真实工作 → 转正承担岗位职责。

但现实中的矛盾是，很多企业还在按照“买工具”的逻辑引入 Data Agent，却按照“数字员工”的标准要求它交付。这就导致，哪怕功能测试通过后，上手成本、沟通效率和成果可信度，都可能会成为实际使用的障碍。

因此，我们更需要关注任务层面的 Agent 的表现：完成率如何？交付结果采纳率如何？以及能否在使用中自学习和自进化。此外，Agent 的工作结果具有不确定性，而业务对数据分析的要求又是“100% 准确”。如果 Agent 取出的数据不对，责任是谁的？业务敢用吗？都是企业需要考量的关键问题。

03 “30 分钟上岗”的四个能力要求

要应对上述挑战，我们认为 Data Agent 必须具备类似真实数据分析师的上岗能力：在获得数据权限和拿到岗位资料后，主动理解、整理业务知识，在真实任务中边干边学、边学边干。

1. 摸得清：从已有资产中理解业务，自动构建指标语义

新员工上岗要先熟悉数据、口径和岗位职责，但企业的业务知识，往往存在于各类报表、SQL 和数据加工逻辑中。所以 Agent 要上岗，首先需要将这些分散的知识整理成可理解、可使用的语义。

我们的实现方法是基于算子级血缘解析，像 ETL 架构师一样解析代码。从报表指标向上追溯数据加工链路，把 SQL 的算子掰开，还原计算过程，实现血缘 100% 准确的算子级、字段级的语义解析，自动化提取指标口径，将加工逻辑表达为业务含义。

有了这一基础，Agent 就可以自动盘点全域资产，把数据资产变成 AI 资产，生成“同名不同义、同义不同名”的指标列表，实现语义的自动配置。对于“指标重复”和“口径冲突”如何取舍，则需要由业务人员确认。Agent 可以提供依据和建议，业务定义的选择权仍然属于业务人员。

这种能力也让 Agent “边用边治、以用促治”成为可能。企业可以先开展系统盘点，也可以在真实任务中发现口径问题、确认适用范围，让治理与使用相互促进。

2. 问得准：有依据地反问，把需求口径确认清楚再执行

“这个月，企微流失了多少好友？”看似明确的问题，可能对应不同的统计结果。

假设一位顾客月初是企微好友，月中删除，月底又重新添加。如果统计“本月发生过删除的好友”，这位顾客应计入流失；如果统计“期初是好友、期末已不是好友”，则不应计入。

模型天生容易脑补，如果它不知道自己不知道什么，就会把假设当成事实。

因此，Agent 要能够主动反问：“你想看期间发生过的流失，还是期初好友到月底的流失？”而有效反问的前提，则是 Agent 掌握了企业的已有知识，知道哪些定义会影响结果。所以“问得准”需要遵循三个原则：

• 有歧义先确认，不直接把最接近的指标当作答案；

• 给出的选项要对应真实业务定义；

• 缺少信息时，要明确说明缺什么，请用户补充。

更深一层的要求，是识别自身的知识边界。企业已有答案但 Agent 尚未获取时，需要补充 Context；已经发现信息缺口时，需要澄清；尚未察觉的盲区，则需要通过评测、观察和追溯逐步暴露。

知道有什么，才知道该问什么。我们需要让 Agent 把已有知识变成选项，把信息缺口变成明确的问题，减少将假设当作事实的风险。

3. 干得对：看得懂过程、找得到依据、查得清操作

业务人员要求数据 100% 准确，因为结果将用于决策。而 Agent 面临的现实问题是：任务目标、业务背景和口径信息可能不充分，理解上就会产生偏差。因此，保障数据准确性，就必须建立在一个可检查的工作机制之上，让关键判断与执行依据充分透明，使偏差能够被发现、被定位，并被纠正。

这也是我们强调“只有分析过程 100% 可信，才能保障数据 100% 准确”的原因。面对不完备的 Context，准确性的保障需要贯穿沟通、执行与核验全过程，不能只依赖模型一次作答。

具体而言，需要建立三方面的能力：

• 工作过程可复盘：提供完整的思维链，展示工作规划、执行步骤和关键判断，让用户看得清任务如何开展；

• 分析结论可追溯：提供完整的数据链，将结论关联到指标口径、来源引用和数据血缘，让用户找得到依据；

• 全程操作可审计：提供完整的审计记录，保留工具调用、操作痕迹，为后续核查提供依据，让用户查得清操作。

例如，当某个数字出现疑问时，用户能够沿着链路检查：Agent 如何理解需求，匹配了哪个指标，这个指标采用了什么口径，背后的 SQL 加工逻辑是什么。一直向上追溯，定位到具体环节，才能判断问题出在需求理解、指标匹配，还是语义配置，并进一步改进。

通过这样的透明机制，让业务人员能够核验成果，也让问题有据可查、改进有处着手。

4. 学得会：改进可验证，经验可复用，进化可管控

一位员工需要在工作中积累经验，Agent 也需要将真实任务中的过程、结果与反馈，转化为后续可以复用的能力。我们将这一要求概括为：改进可验证，经验可复用，进化可管控。

对此，我们通过“开发态 + 运行态”的两级评测，确保 Agent 改进有效。而经过确认的知识和经验，再根据适用范围沉淀到个人、项目或部门、公司三个层级，以持续更新 Context，供后续任务使用，并把每一次任务中的反馈、纠正变成下一次做得更好的能力。

例如，一项指标口径经过反问和确认后，如果适合作为后续任务的默认知识，就可以在相应范围内保存，减少重复沟通。

我们关注的是一个可检验的成长闭环：从真实任务中积累经验，经评测确认改进，再将适用的知识带入下一次任务，让 Agent 越干越强。

04 Aloudata Agent，向企业递交一份求职简历

当 Data Agent 具备了这四个能力，它的产品形态和商业模式也将发生根本改变。

作为一家提供 Data Agent 的厂商，我们交付的将不再是一个软件，而是一个 “数字员工”。在此，我们为 Aloudata Agent 数据分析智能体准备了一份求职简历，希望将其放到企业的真实生产环境中去验证能力如何，判断它能否承担分析师的岗位职责。

欢迎查看下方应聘简历，扫码申请试岗，让我们从一项真实的分析任务开始。