小节一:为什么 Data Agent 不是 Text-to-SQL 的“豪华版”——最大的区别是运行时连续决策

把普通 Text-to-SQL 与 Data Analysis Agent 并排看,会更容易理解这一节讨论的并不是模型能不能生成 SQL,而是查询结果是否会改变后续决策。

图片[1]-小节一:为什么 Data Agent 不是 Text-to-SQL 的“豪华版”——最大的区别是运行时连续决策-大赛人网

左边完成单次翻译、执行和回答;右边根据本轮结果选择下一轮验证方向。并不是每个问题都需要多轮分析,范围明确的简单查询仍然适合直接执行。

先把两个系统彻底分开。

普通 Text-to-SQL

最典型流程:

Question
 ↓
SQL Generation
 ↓
Execute SQL
 ↓
Result
 ↓
Answer

例如:

“昨天收入多少?”

非常适合。

因为用户的问题本身就是:

一次查询可回答。

Data Analysis Agent

用户问:

“为什么昨天收入下降?”

这个问题不是一个单一 SQL 问题。

而是:

一个分析目标。

第一轮 SQL 只负责:

建立事实。

第二轮 SQL:

验证某个假设。

第三轮 SQL:

进一步定位异常范围。

所以 Data Agent 更像:

Goal
 ↓
Hypothesis
 ↓
Query
 ↓
Observation
 ↓
Update Hypothesis
 ↓
Next Query

关键公式

传统 Text-to-SQL 可以抽象成:

SQL = LLM(Question)

Data Agent 更像:

NextQuery
=
LLM(
    Goal,
    AnalysisState,
    PreviousObservations
)

这是两者本质差异。

为什么一条“超级 SQL”也不够?

有人可能说,“那我一次 SQL 把媒体、广告位、请求、曝光、点击全部查出来不就行了?”

理论上有时可以。

但问题是:

你一开始并不知道哪些维度值得查。

如果每次都:

全维度
全指标
全明细

会导致:

扫描量巨大
返回数据巨大
Context 巨大
分析噪声巨大

所以成熟分析更像,先整体,再定位,再下钻。

这和经验丰富的数据分析师工作方式非常像。

Agent 的价值不是“多查几次”

真正价值是:

每次查询以后,
根据 Observation 决定下一次最有价值的查询。

不是机械:

总指标
→ 媒体
→ 广告位
→ 小时
→ 地域

全部查一遍。

如果总指标发现:

请求量 -40%
eCPM 稳定

那下一步就应该优先查:

流量来源
请求维度

而不是继续查:

价格。

这就是动态决策。

什么时候仍然适合 Text-to-SQL?

非常重要。

并不是有了 Data Agent,就不要 Text-to-SQL。

例如:

昨天收入多少?
上周点击率多少?
媒体 A 本月曝光量是多少?

这些问题:

单次查询就能回答。

直接 Text-to-SQL 更快、更便宜、更稳定。

只有:

为什么
异常在哪里
主要原因是什么
继续帮我定位

这种开放分析问题,Agent 才真正有价值。

© 版权声明
THE END
喜欢就支持一下吧
点赞11 分享
评论 抢沙发
头像-大赛人网
欢迎您留下宝贵的见解!
提交
头像-大赛人网

昵称

取消
昵称

    请登录后查看评论内容