这篇不先堆名词。我们把《大模型岗位变了数据分析工程师该补的还是算法吗》拆成几级台阶看完至少知道下一步该学什么、该练什么。摘要最近面试了几位从数据分析转大模型的同学发现一个有意思的现象很多人Agent项目能跑通但一问权限、日志、可观测性就卡住了。招聘JD上写着熟悉Agent开发实际要的却是能把Demo变成能上线的东西。今天把这件事拆开讲顺便给想转岗的同学指条路。目录一、数据分析的新机会二、自然语言 BI 的本质三、指标解释 Agent四、数据工具调用五、项目案例六、总结一、数据分析的新机会先说结论数据分析转大模型不是换个赛道是升级工具。你会写SQL、懂指标口径、知道业务逻辑这些在智能分析场景里比想象中值钱。大模型应用最缺的不是会调API的人而是理解数据、能把业务问题拆成可执行步骤的人。但招聘方也在变。2024年初的JD还写着会LangChain就行现在基本都加了一行有生产环境Agent开发经验关注权限控制和日志可观测性。这意味着什么Demo能跑不够了得能上线。我看过一个真实的JD对比# 2024年某公司Agent开发岗 - 熟练使用LangChain/LlamaIndex - 有RAG或Agent项目经验 # 同一公司2025年同期 - 熟练使用LangChain/LlamaIndex - 有RAG或Agent项目经验 - 熟悉Agent权限管理和执行日志设计 - 有生产环境部署和监控经验差别不大但面试时会问的东西完全不一样了。二、自然语言 BI 的本质很多人做NL2SQL上来就调用模型结果返回的SQL要么语法错要么查出来的数据对不上。问题出在哪出在没把数据这个环节想清楚。自然语言BI的本质是把业务问题翻译成数据库能执行的查询然后把结果翻译成业务能理解的结论。中间这个翻译过程才是数据分析背景的人真正能发挥的地方。我见过一个踩坑案例一个转岗的同学做了一个智能分析Agent用户问上个季度华东地区销售额下滑的原因模型返回了一段文字分析但数据根本查的是错误的表。为什么因为没有对表结构、字段含义、数据口径做校验。正确的做法是先建一个数据资产层把表、字段、口径写成结构化描述Agent调用的时候先查这个层再决定怎么生成SQL。# 数据资产描述示例 DATASET_SCHEMA { orders: { fields: { order_id: 订单ID, region: 销售区域华东/华南/华北, amount: 订单金额元, create_time: 下单时间 }, filters: { quarter: 按create_time计算季度 } } }这段描述看起来简单但面试时能看出你有没有数据治理的意识。三、指标解释 Agent数据分析转大模型最容易上手的一个方向是指标解释Agent。业务方问为什么DAU下降了Agent不能只返回一个数字要能解释下降了多少、哪个渠道降的、时间段是否异常、有没有关联事件。这种Agent的核心不是模型多强而是指标体系的构建能力。你会做报表就知道哪些指标是核心、哪些是辅助、哪些口径容易混淆。我推荐的学习路径是1. 先选一个业务域把核心指标写清楚2. 用模型做指标异常的自动检测3. 再接入原因分析比如同比、环比、分维度下钻4. 最后加权限控制不同角色看到的数据范围不同这个路径的好处是每一步都能验证不会像做复杂Agent那样一上来就崩。四、数据工具调用这是数据分析转大模型最容易忽视的一环。Agent调工具不是调完就完事了要考虑调用的结果对不对调用的日志有没有记录调用失败了怎么处理不同用户调用同一个工具返回的数据范围是否不同我见过一个生产环境的问题Agent调查询接口返回了全量数据但接口本身是有权限控制的普通用户不应该看到这么多数据。结果被安全团队查出来了项目直接被打回。所以工具调用这块面试时很可能会问你怎么保证Agent调用的数据安全你怎么记录每次调用的上下文回答的方向应该是调用前做权限校验调用时记录请求参数、返回结果、耗时调用后做结果校验比如返回的数据行数是否在预期范围内# 工具调用日志示例 def call_tool_with_logging(tool_name, params, user_id): start_time time.time() try: # 权限校验 if not check_permission(user_id, params): return {error: 无权限} result tool_registry[tool_name](**params) # 日志记录 log_entry { tool: tool_name, params: params, user: user_id, result_rows: len(result) if isinstance(result, list) else 0, cost: time.time() - start_time, timestamp: datetime.now().isoformat() } write_log(log_entry) return result except Exception as e: log_error(tool_name, params, str(e)) return {error: str(e)}这段代码看起来简单但涵盖了权限校验、日志记录、异常处理三个关键点。面试时能说出这三个点比背十个框架有用。五、项目案例说一个真实的案例。我一个朋友做了三年的报表开发转大模型后做的第一个项目是智能经营分析Agent。用户可以用自然语言问经营问题Agent返回分析和图表。项目Demo跑得很顺但上线前被卡住了。问题出在两个地方第一权限。不同城市的经理只能看自己城市的数据但Agent没有做数据隔离一个经理能查到全国数据。第二日志。Agent调了三次数据库才返回结果但没有任何日志记录出问题后完全不知道是哪一步错了。最后整改花了两周加了权限中间件和全链路日志。项目上线后运维团队第一次能追踪到每次查询的完整路径。这个案例说明一个问题数据分析背景的人做Agent技术门槛不高但工程化意识需要补。六、总结数据分析转大模型真正的门槛不是模型调用而是工程化能力。招聘方现在要的不是会写Prompt的人而是能把Agent变成可上线、可追踪、可维护的系统的人。给想转岗的同学三个建议1. 不要只练Demo要在Demo基础上加权限、加日志、加异常处理2. 面试时多讲你做过的项目里权限和日志是怎么设计的这比框架名称更重要3. 练习顺序先做指标解释Agent再做NL2SQL最后做复杂的多工具调用Agent大模型应用已经从能不能跑进入了能不能用的阶段。这个转变对数据分析背景的人不是坏事因为你们最懂数据也最该懂怎么用数据。总结本文完成了关键概念、工程实践和落地建议的梳理。资料展示下面是我整理的AI大模型学习资料和工具包预览适合收藏后按主题逐步学习。如果你想看完整资料目录可以在评论区留言「资料」也欢迎告诉我你更关注AI大模型里的哪类内容。