腾讯云 on DataAgentX

腾讯云 DataBuddy：Data Agent 的 RSI 初现

Tue, 20 Oct 2026 00:00:00 +0000

腾讯云 DataBuddy 团队在 DataFunTalk 视频号直播发布了新版 DataBuddy。资料未明确直播日期，本文于 2026 年 10 月 20 日整理。

最值得注意的是两点：DataBuddy 可以接入外部已有的数据源，而不只是腾讯云上的数据源；模型未来也可以接入自有 API，比如 Claude、ChatGPT 的模型。

本文基于发布会直播内容整理。厂商自述的准确率和上线周期未做独立评测，文中区分了发布信息与编辑判断。

四类任务

发布会把 DataBuddy 的能力分成四类：

类别	做什么
数据工程	从自然语言需求生成、编排数据管道
数据治理	巡检元数据、血缘、质量和安全
数据分析	对话取数、报表、看板和异动归因
数据科学	把数据准备接到模型训练与部署

前三类在 Data Agent 产品里比较常见。第四类值得单独注意：它把分析结果直接接到模型构建和线上服务，而不是停在看板和报告。

工程和治理之间还有一条迭代链：随着任务执行与治理变更，系统自动更新相关的数据血缘、Catalog 等信息，让数据上下文跟着实际工作持续更新，再服务后续任务。

发布会演示链路

演示围绕“经营怎么样、复购为什么弱、接下来做什么”展开，串起三段：

数据工程：构建 ETL 数据流，为分析和建模供数。
经营分析：配置经营报表，分析复购等业务问题。
数据科学：构建模型，部署线上推荐服务。

这个顺序说明了产品的定位：不是单点问答工具，而是把发现问题、验证假设和落地改进接在一条链上。

三块基石

Unity Semantics

用 Catalog、指标与维度、本体模型，把数据结构和业务口径连起来。

这与语义层建设的通用思路一致：元数据负责找到资产，语义层负责统一口径，本体负责表达关系和约束。

Agent Runtime

包括用户身份绑定、高危 SQL 拦截、行列权限、动态脱敏、沙箱隔离与审计。

安全能力的介绍值得关注，但不能等同于安全认证。评估时仍应设计冲突任务，观察系统是在计划阶段阻止、工具阶段拒绝，还是执行后才过滤。

OneOps

把 DataOps、MLOps、AIOps 接在同一底座，减少分析与模型开发之间的搬数和衔接。

这一块是“数据科学”能力的基础：如果分析和建模分属两套环境，改进点很难顺畅地走到线上。

两条接入路径

发布会给出两种方式：

直连已有 OLAP：接入企业现有数据系统，从分析切入，沿用原有存算。
迁入统一存算：覆盖更完整的四类任务。

这个选择本身反映了产品的现实定位：不是要求所有客户先做数据平台改造，而是允许从分析场景逐步进入。

DataBuddy 架构拆解：Agent 为什么需要一套数据底座

Tue, 29 Sep 2026 00:00:00 +0000

分析 Agent 算出“新增用户 12 万”，经营看板却显示 10.8 万。两边都能解释自己的 SQL，也都声称使用了最新数据。此时团队面对的并不是一次问答错误，而是一个更根本的问题：Agent 和传统数据产品是否建立在同一套资产、语义和权限之上？

这正是 DataBuddy 架构里最值得研究的部分。它表面上提供数据工程、数据分析和数据治理三类 Agent，底层设计却不是给三个聊天入口分别接工具，而是把数据接入、湖仓、Catalog、统一语义和 AI-Ready 知识组织成一条共享主链，再用 Agent Harness 把上下文、工具、安全和评估接起来。

如果只关注“三个 Agent 能做什么”，很容易错过这个产品真正的架构主张：先把数据平台改造成 Agent 可以理解、调用和约束的系统，再让 Agent 参与生产。

先读懂官方架构图

腾讯云 DataBuddy 产品架构图。图中 OLAP 引擎在 2026 年 8 月版本标注为规划中，实际可用范围应以当前产品控制台和文档为准。点击查看原图。来源：腾讯云产品文档

这张图可以沿两个方向阅读。

纵向是一条数据主链：多模态数据接入后进入湖仓和资产管理体系，经 Catalog、统一语义与知识加工，最终由 Agent 或看板消费。横向是两组贯穿能力：Agent Harness 负责上下文、记忆、工具、安全和评估，数据治理 Agent 则让标准、质量、元数据和权限不再只是后台配置。

图的上半部分是业务交付，中间是能力平台，底部是引擎与存储。它们不是三个彼此独立的产品层，而是同一次任务的不同责任边界。

数据主链：从“能接入”到“能被 Agent 正确使用”

企业数据通常散在数据库、消息系统、文件、日志和业务应用里。把数据同步到湖仓，只解决了可访问性，并没有解决可理解性。Agent 还需要知道表之间如何关联、字段代表什么、哪个指标定义被批准、某项资产是否新鲜，以及当前用户能否使用它。

DataBuddy 把这条加工链连续画出来：多模态集成、资产管理、统一语义、AI-Ready 数据知识，再到 Agent 与看板。这里的顺序很重要。

所谓 AI-Ready，不应该被理解为“把文档转成向量”这么简单。对数据任务而言，它至少包括四类对象：

结构知识：表、字段、血缘、分区、数据质量和更新状态；
业务知识：指标、维度、实体关系、同义词和适用范围；
执行知识：可信查询、工具参数、工作流和失败处理；
治理知识：所有者、权限、敏感级别、用途与审计要求。

只有这些对象能被检索、引用并约束执行，Agent 才不是在一堆 Schema 名称上猜答案。