AI 参与分析工作仍由人推进最近这个指标怎么掉了按区域和品类拆一下再看看接下来怎么调。这句话来自我们经历过的一次实际任务。单看它AI 已能写 SQL、跑表格、总结数据。但实际用起来人得先翻群聊确认指标、找文档核对规则再问数据同学查哪张表、申请权限之后把结果整理成 AI 能懂的输入拿到分析再逐项核对核对完也只完成一半还要写文档、沟通、跟踪。企业里 AI 助手不少但工作常被切成很多段——消息、规则、数据、权限和 AI 各自分散人得在系统间来回搬运上下文。先把群聊、文档和数据整理成 Agent 能执行的任务再把结论推成文档、资源和任务。这恰恰是很多 AI 项目容易忽略的地方我们习惯用准确率和工具数判断 AI 好不好可这些衡量的是能不能解决一个问题而非能不能推进一项工作。两者的边界并不相同。阿里云 AI 原生数据库服务AIDBS想回答的正是后者。它让 Agent 真正读懂企业数据也让 Agent 在身份、权限和审计的边界内安全地使用数据——前者靠 Meta Agent 维护企业的语义知识后者靠 Agent 数据网关管住访问再配合协作工具负责消息与任务流转Agent 才可能把一项工作完整推进。解决问题 ≠ 推进工作一次对话通常从问题开始以答案结束但一项工作则有更长的生命周期中间任何一项需要人重新整理工作就会退回人工衔接。Agent 能读群消息却不知道这句话算不算一项任务能生成 SQL却不懂企业内部的指标口径即使找到了数据也未必有与任务匹配的身份和权限等到建议生成后还要判断该发给谁、哪些能发、哪些必须由人确认。模型已经能完成分析缺的是一套让工作继续运行的机制。AIDBS 所代表的企业 AI Native是把工作的上下文、数据、权限和协作重新组织到同一项任务里Agent 依据已确认的结论继续执行业务判断、授权和责任仍由人承担。任务从哪里开始决定了谁还要继续搬运工作现场。让 Agent 直接进入工作现场企业里很多工作最初并不是结构化任务而是一条群消息背景留在前面的讨论里资料散在文档和历史消息中后续沟通也要回到钉钉。既然钉钉已是工作发生的第一现场我们让 Agent 从群消息开始。这和加一个群机器人、或新增一名数字员工都不同机器人是新的沟通节点数字员工是新的执行主体。我们把第三种形态称为数字替身Agent 读取本人的工作上下文、在授权范围内代为执行最终的表达、承诺和责任仍归本人。围绕这种方式我们开发了 cc-stand 并把它开源一个连接钉钉、飞书与 Agent 的协作工具。在这次任务里cc-stand 按预设策略读取群消息、引用和上下文判断这是普通讨论还是要继续处理的任务确认后把相关信息整理成 Agent 可执行的输入并记录四件事谁提问、需要什么资料、结果发到哪里、由谁确认。任务识别和上下文筛选不再只存在经办人脑子里。Agent 读完消息会确认指标定义、查询数据、拆解变化、判断原因再依据现有规则形成调整建议。先懂企业怎么用数据数据库里的表名、字段名和一句自然语言之间并不存在天然对应。同一个成交可能按下单、支付或完成计算同一个区域可能按用户位置、商家归属或组织分区划分看似清楚的最近也可能是自然日、业务日或某个活动周期。把这些直接丢给大模型Agent 很容易得到一段逻辑完整、业务上却用不了的分析——它未必算错只是从第一步就理解错了问题。AIDBS 用 Meta Agent 解决这个问题。Meta Agent是面向数据资产管理的智能体从表结构、字段说明、历史 SQL、业务文档和样本数据中提取数据知识并持续维护 DataWiki记录业务术语、指标算法、字段对应关系、数据关联方式以及定义适用的时间和规则版本。业务 Agent 在分析前先查询这些知识再把自然语言问题映射成可执行的数据对象。回到这次任务Agent 先对齐了指标定义、统计周期、区域与品类的关系和需要排除的异常情况才开始生成查询和分析步骤。这里有一条重要边界DataWiki 不替业务人员创造口径。已确认的知识直接引用遇到缺失或冲突由人确认后补进 DataWiki并保留来源和适用范围Agent 不该每次分析都把企业口径重新猜一遍。但理解正确只解决了“它知不知道”的问题。接下来还要回答它能不能使用这些数据懂数据 ≠ 能用数据在人工流程里数据权限常以申请、导出、转交的方式存在业务人员提问数据同学确认范围再把结果交回。当 Agent 开始直接使用企业数据这种人工转交很难再承担全部控制。AIDBS 的 Agent 数据网关Agent Data Gateway统一处理 Agent 的数据查询。Agent 不再借公共账号查全部数据而有自己的身份实际访问范围同时受 Agent 权限、发起人权限和任务范围三重约束任一范围不满足系统都不会放开。于是同一句业务问题不论交给哪个 Agent 都对应同一套指标口径换一个发起人能看到的数据范围可能不同。数据网关还负责脱敏、审批和审计只需区域汇总时 Agent 没必要读更细的敏感字段下钻超出当前权限时系统暂停并进入授权任务完成后谁以什么身份访问了哪些数据、做了哪些操作都能追溯。这些不直接产出结论却决定 Agent 能否在企业里长期稳定地用数据而不是一次次依赖人工导出和临时判断。数据语义和访问边界确定后Agent 才完成后续查询、维度拆解和原因分析并生成一版带有证据和待确认项的调整方案。答案已经有了但工作仍然没有结束。分析完成只是工作的一半我们先确认分析结论、调整方向、要沟通的对象以及 Agent 可继续执行的范围。确认后Agent 把分析过程、指标口径、主要证据和调整建议写入钉钉文档cc-stand 再按角色分发提问的人看结论和证据区域或品类负责人关心自己范围内的变化上下游团队要知道为什么申请资源、需要配合什么。Agent 据此发起资源申请、补齐材料并持续跟踪新反馈出现后连同原有分析、文档和未完成事项放回当前任务继续判断下一步。但这里的自动化并非无限授权已确认的沟通对象、信息范围和任务动作可以自动执行一旦涉及新增预算、资源优先级变化、新的协作对象或要对其他团队作出新承诺系统就停下来请人确认。判断自动化的边界不能只看 Agent 会不会做还要看这一步的责任能不能转移。工作要继续系统必答五问回看这次任务系统必须回答五个具体问题。边界这项工作需要回答的问题工作周期session一项工作到分析完成就结束还是要持续到文档、资源和任务有了明确结果上下文与记忆memory群聊、指标口径、分析证据、沟通记录和未完成事项保存在哪里什么时候更新或失效身份与权限permissionAgent 以什么身份使用数据发起人权限和任务范围如何共同限制访问消息流转message I/O谁读取消息、触发执行、发送结果哪些内容只能保存为草稿哪些可以按策略正式发送责任归属responsibility谁确认业务结论、预算、优先级和承诺系统在哪些位置必须暂停这五个问题共同决定 Agent 能把工作推进到哪里、又该在哪里停下。它们并不限于数据分析产品经理整理需求、销售准备跟进材料、财务解释指标波动、研发从一条报错进入排查——岗位会变工作对象会变但数据、权限、协作和责任始终都在。工作向前责任留人再回到开头那个问题企业有了 AI 助手为什么工作还在人手里因为模型虽然能分析工作却仍要人来推进每一段衔接都靠人。企业 AI Native 要减少的正是这些重复动作确认后的查询、整理、发送和跟踪交给 Agent业务判断、预算、优先级、承诺和最终责任仍由人承担。在这里协作层让消息和上下文进入 Agent、让确认后的结果回到文档与人员AIDBS 则让 Agent 读懂企业数据并在身份、权限、脱敏和审计的边界内安全使用数据。AI 助手证明了模型能回答问题而当 Agent 能在明确的边界内把工作继续做下去企业使用 AI 的方式才真正开始改变。免费试用Agent数据网关在公测期间每个用户可享1个实例14天免费试用立即体验内置体验数据源开箱即用 数据管理 DMS 控制台了解产品详情https://help.aliyun.com/zh/document_detail/3041356.html