案例分析二:如果第一步发现请求量下降 40%,Agent 为什么不应该继续照固定流程去查 eCPM?

场景背景

另一天。

用户同样问,“为什么收入下降?”

Query 1:

income -38%
request -41%
impression -39%
eCPM +2%

如果系统是固定 Workflow:

总指标
→ 媒体 eCPM
→ 广告位 eCPM

就会走错方向。

因为:

价格基本稳定。

真正异常是:

流量。

所以 Agent 应该改变 Hypothesis:

主要调查请求量下降。

下一步 Query:

dimensions = media
metrics = request, impression

发现:

media_c request -80%

再进一步:

media_c
→ position

发现:

某个入口请求几乎归零。

这时结论是:

收入下降主要由流量丢失导致,
不是价格问题。

这个案例特别能说明,Agent 和固定 DAG / 固定分析脚本的区别。

如果下一步永远写死:

查媒体价格

那只是 Workflow。

真正 Agent 是:

Observation
→ 改变下一步分析路径。

常见误区

误解: Data Analysis Agent 就是 Text-to-SQL 再加一个循环。
正解: 循环只是形式,真正关键是 Analysis State 和 Observation-driven Decision。Agent 每次查询后都应该更新已经确认的事实、当前假设和剩余问题,再决定下一次查询是否有价值。如果只是把固定的 10 条 SQL 依次执行,即使外面套了 while,也仍然更像 Workflow,而不是真正动态分析 Agent。

误解: 为了让 Agent 更聪明,应该直接给它任意 SQL 执行权限。
正解: 任意 SQL 能力太强,尤其在生产数据环境。更稳的做法是让模型输出结构化 Query Plan,由 Query Tool 校验表、指标、维度、时间范围、Limit 和只读权限,再由后端生成和执行 SQL。模型负责提出分析意图,Harness 负责安全执行,这和整门课程的 Tool Calling 思想一致。

误解: 第一次查询结果已经异常,就应该马上给用户结论,不用继续查。
正解: 第一次查询通常只能确认“发生了什么”,不一定能回答“为什么”。例如收入下降 24% 只说明结果异常,还要继续判断请求、曝光、eCPM 哪个变化,再定位媒体和广告位。Data Agent 的价值就是从总体异常继续构造证据链,直到结论有足够支撑。

误解: Data Agent 查询得越多,分析就越专业。
正解: 查询过多会增加数据库资源、Token、Latency 和 Context 噪声,还可能让模型被次要波动带偏。真正专业的分析不是“什么都查”,而是每次查询都回答一个明确问题,并且在主要异常指标、主要贡献维度和证据链已经足够时及时停止。Stop Condition 是 Data Agent 质量的一部分。

误解: Query Result 正确,就能保证最终分析结论正确。
正解: Tool 正确只是第一步。模型仍可能错误解释结果,例如 request 只降 1%,eCPM 降 30%,却总结成“流量下降”。所以 Trace 必须保留 Query Result 与最终判断,Analysis Skill 也应该要求结论引用关键指标。必要时还可以增加 Evidence Checker,防止解释层错误。

误解: 有了 Data Agent,以后所有数据问题都不需要 Text-to-SQL。
正解: 单次查询问题仍然非常适合 Text-to-SQL,例如“昨天收入多少”“媒体 A 曝光是多少”。这类任务不需要多轮 Main Loop,Agent 只会增加成本和延迟。真正适合 Data Agent 的是“为什么”“异常在哪里”“下一步应该查什么”这种需要多轮观察和动态决策的开放分析任务。

© 版权声明
THE END
喜欢就支持一下吧
点赞5 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