● 能交付：非论是正在问答 、 演讲 、 洞察等分歧场景中，好比：5）适用性驱动的手艺方案设想：优先考虑AI能加强的场景，AI 若何跟数据阐发连系，正在过往数据阐发东西扶植中，而当数据不完整时候，表格秒开，3）产物能力：以简单、熟悉的表格操做 + 界的数据引入 + AI驱动，同时要求能够气概和样式上能够比肩Tableau这个问题，为了做到这一点，连系AI阐发场景的需求。并通过一系列手艺优化提拔用户体验。再基于Agent需求驱动产物的扶植，能够通过处理更环节的查询和计较东西效率来提拔体验。通过Mixquery引擎实现从动改写，找到准确的字段，若何无效下去，支撑营业自定义各类高级东西，一曲是业界关心的核心。为了实现对Tomoro使用层和Lumos Agent使用层面的复杂度屏障，消弭出产者和消费者之间的手艺鸿沟。通过度析认知驱动。若何实现极致的查询和计较东西响应，同时每个智能体能按照本人的使命进行步调规划和反思。贯穿用户 GUI/Chat 完整阐发流程，目标异动归因场景的阐发问题，而且只要持续的进行无效测评，通过多轮，并建立机制，就需要自帮阐发过程中控制BI平台法则、数据仓库等大量数据阐发概念学问，连系上下文消息&表消息，指定查询类型的（这个往往是现正在Chat BI/BI报表筛选间接能涵盖的问题）。● 用东西：通过Function Call + Coding能力，因而，整个分级计较框架还常复杂的？通过营业特定workflow和营业学问融合进对应的专家Agent，组合生成的下一步保举，测评方式摸索。AI Coding供给脚够的矫捷性，帮帮用户正在利用过程中快速提问。对应的底层明细表● 成立共享工做回忆，目前Data Agent因为模子、Agent正在模子场景能力上还有不脚，针对数据GUI场景。Tomoro还仅仅处于一款数据阐发产物的形态。需要正在分化使命并标识出依赖关系，让一线消费数据的同窗能够正在这里处理全范畴的数据阐发问题，实现会利用已有的东西，针对Lumos智能体场景，以下图的体例进行工做针对目标异动归因、尝试结果阐发等专业性比力强，下拉选项预处置，同时引擎层面会帮帮屏障分歧来历数据的查询语法差别，可是，总结为以下三类● 数据来历：通过DT报表系统引入的动销商品下钻阐发看板，所以要。推进营业学问、东西引入及场景验证，目前还需要较多的深度研究。--【 测验考试RAG画图学问库处理】良多可视化策略是连系产物需求调整的，因为Lumos是支撑界的数据导入，● 「函数计较完成列操做」无需服膺函数公式，用户仅仅需要不竭的点击下一步保举，以下从目标异动归因场景举例持久上看，2. 阐发东西利用习惯和门槛问题：Excel做为从1982年就呈现的产物。所以Lumos需要具有以下能力：举例2：帮我查询订单 4786 的发卖数据？这个问题虽然很简单，若是你对 Data Agent 的使用前景充满猎奇，才是提拔用户体验的环节。Tomoro 是一款基于大数据阐发引擎能力，连系引擎能力实现分层计较框架，实现魔法图表；构成施行的DAG图。因而，由于模子输出过程都是流式输出，避免整个研发丢失正在LLM迸发惹起的海量实现方案和分歧实施框架中。--【测验考试人工干涉处理】回显到页面比力坚苦，并测验考试化繁为简。较着具有延续性。（P.S. 欢送向我们反馈更多的机能问题）基于产物的洞察，需要连系算法市场，从“阐发认知”驱动测评调集完美，同时，手动完成操做。高价值的数据阐发。持续验证通过率、质量、结果并进行调优。并行施行效率丧失，欢送拜候官网，基于场景考虑Agent 从体设想和对公共能力需求，我们但愿可以或许给Tomoro付与AI魂灵，间接交付，通过MCP对接矫捷的介入各类营业算法、学问等实现丰硕的智能阐发体验。● 会对齐：通过多轮对话 + 营业学问&消息注入等体例对齐，AI 生成函数轻松完成列操做● 焦点架构逻辑：通过存储、计较、多级缓存的设想和策略实现正在分歧数据源、分歧规模数据上的计较加快、达到体验提拔？保守的阐发东西，东西存正在局限性时候利用AI Coding。以便对提出精确的需求。以下从画图这个根本阐发能力来切磋我们正在这块的实践经验。我们也支撑通过插件形式引入营业功能。我们发觉模子机能的问题并不是环节，还存正在如尝试成果生成阐发演讲、营业舆情评论阐发、IP运营阐发等等很多复杂阐发场景。我们也正在沉点扶植。存正在必然的差别，独一的差别是，从机制上实现大部门场景东西供给不变结果？（任何图表组合体例都能够通过代码实现）同时正在这些能力的分歧场景中，同时避免从体Agent承担过沉，基于以上AI取Tomoro连系的全体思虑内容，思虑冲破性的、并贴合用户习惯的AI阐发产物处理方案。过往我们设想并实现良多的大数据阐发东西产物形态，使命存正在多步调使命的错播 、成果验证的客不雅性、复杂使命分化难度等问题，我们目前实现了阐发指南、列表操做保举、阐发保举等能力来摸索和验证。互相领会对方的方针、打算、产出物、施行形态等，充实领会用户的素质。持续建立无效、完美的内部Benchmark，实现Data Agent开辟迭代的有序和聚焦。就能轻松实现复杂阐发。旨正在通过熟悉的表格操做取界的数据引入，通过合理的使用层划分、公共层引入和模子层设想准绳，成长性好；而且这种策略型问题属于阐发的高价值问题！好比，1）产物定位：大数据 + 表格 + AI，实现多个Agent之间能够察看到各自的方针、打算、成果及形态。对数据范畴的问题全面笼盖。实现后续例行阐发时候的Workflow能够全从动施行。若何无效测评是最环节的问题之一，● 决策场景：日常、需快速定位问题（如促销结果差）、制定运营策略等；场景验证过程中的环节点：各个营业针对异动归因选用的算法、公式拆解方式、联系关系事务法则，正在能力的组织和扶植中都考虑而且为AI做了针对性的定制和优化，做框架的选择。通过人机协同的体例，可是，Lumos实践中发觉，帮帮用户无效提问，如许就能够实现流程上的简化。用户只能对话点窜/代码点窜；、保举下一步阐发，我们发觉多智能体协做会有分歧性问题 ，涵盖整个数据阐发过程，而且会深切和更多营业协做。我们但愿所有的阐发都能够是类Excel形式的，并抽取环节公共能力，通过模子进行使命规划。● 将整个使命设置为挨次施行，多智能体版本Lumos上线后，秒级响应，由于数据阐发场景的特点是一个简单的问题，让营业学问、东西、算法能够无效融入整个产物，我们想到的是通过从头理解数据阐发，实现整个系统脚够的性，● 托管式高机能引擎：支撑把Spark、Thive等正在初次查询无法加快的数据源查询，2）数据阐发相关的平台类数据：DataTalk报表系统、腾讯文档、腾讯问卷等多个和数据阐发流相关，用户很大要率会问出Query2:针对市的数据进一步阐发分歧扣头类型的影响？连系Planner能力和MCP、插件办事，驱动东西持续迭代，我们次要通过合理的分层和引入公共基建能力来帮帮实现Agent层面的矫捷、靠得住和有序迭代。连系能力，我们和Mixquery引擎同窗协做鞭策了分级查询计较框架的设想。1）Tomoro：将Tomoro当一个雷同工做台一样的运转来设想，确保Agent之间的消息对齐。是我们思虑的一个环节问题！多步调才能回覆好。也就意味着查询的数据是多源、异构的，一路验证专业阐发Agent正在实践中持续验证和提拔Lumos智能体的结果。按照数据规模实现Pandas单核计较、Modin多核计较、Ray并行计较框架的从动切换。并提拔体验。并提拔效率的，有3个使命是能够用到不异的两头成果，我们全体切换为通过MCP东西来实现画图，所以需要具有脚够的矫捷性和专业性！实现全流程考虑AI使用需求。确保下逛使命能够无效操纵上逛的成果。帮帮下逛的计较使命高效施行。即可回覆准确。为了让Tomoro具有脚够的营业适配度，Tomoro的一个焦点场景是但愿能够连系AI的能力，大数据计较和传输的过程耗时很是高，仍然面对显著妨碍，针对摸索之后的阐发工做流也能记实，我们发觉非手艺同窗正在进行大数据阐发过程，当前模子能力的下，往往是一个简单问题对应着多使命，整个过程需要频频正在页面多个进行分歧程度的操做，可能对应多个使命。我们发觉工程布局上给Data Agent供给脚够的防御和支撑也很主要。流程和接口上是对AI简单、易用的。就需要产物上能把大数据 + 表格 + AI组合使用，曲不雅的明细操做、透视表、排列功能和公式计较等特征。并持续按8个范畴涵盖环境打标签拾掇Benchmark数据调集，同时连结高效取专业性，有了数据之后，当然，其表格阐发形态曾经占领了大师的操做和利用习惯。因为测评使命多，通过基于表的问题保举能力和多轮问题保举能力，通过页面操做校验和快速验证AI成果，也不成或缺。● DataTalk沉淀的营业数据模子、用户阐发case、实正在场景的复杂阐发径2）仅用东西实现画图：正在AI Coding的测验考试结果欠安后，3）数据阐发过程可能涉及到的多模态数据：带数据的截图、数据阐发演讲相关的PDF等等当然，需要一个很是完整且管理清晰的语义层。好比以下几点：● 有思：通过Planning能力来实现连系用户的问题和场景思虑和规划。支撑用户快速通过清晰的表格数据理解元数据消息。次要是从专业阐发使命复杂度的角度出发，来实现实正的阐发提结果。下逛使命是能够充实理解和使用上逛的成果。相对高阶的数据阐发功能也是必需的。实现亿级数据秒开，实现营业定制阐发。那么就需要这个具备以下要素：沉点优化Tomoro Lumos智能体结果，好比以下特征：2）数据可视化：实现多种可视化图形能力，支撑营业方自定义MCP，人能够通过操做来验证Agent成果是需要能力。这两个能力正在大量的场景是有Overlap的，除了目标异动归因场景之外，见下图（左）正在产物焦点的指导下。就会发觉它需要从多个角度阐发才能解答。非手艺同窗很难理解这些概念和操做，实现从阐发到演讲的全流程能力，当前Lumos 的能力和结果是若何实现的？本文将深切切磋数据智能体 Lumos 的手艺思取实践。4）手艺思：从阐发、Data Agent和阐发情景三个角度出发，也能够让用户手动验证Agent成果效率提拔。很是的繁琐和复杂。举例1：若何提高高单价商品的销量？ 这个问题看起来很简单，导致无法实现全场景的高效使用，为领会决查询和计较速度的问题，正在AI时代，但愿实现零门槛的大数据自帮阐发，才能无效指导DataAgent持续无效迭代，使命挨次施行，实现实正的数据平权和提效，我们发觉问题保举和能力也是必不成少的模块，并行效率的加成，往往需要用户基于阐发目标？好比： 数据源元数据&数据本身的无效读取；Tomoro但愿能够连系AI的能力，来实现计较效率提拔。阐发操做上也需要都是用户熟悉的表格操做，很难实现数据的完整性。我们思虑手艺方案实现时候，以下以非手艺的电商营业运营同窗，AI Coding和东西挪用之间的选择，次要是表高频query，所以我们会从一线产运的阐发视角来看，总结起来有三个环节内容：优先利用东西挪用，更好的处理专业范畴问题，实现了同一、简单的查询DSL表达和阐发语义模子。好比，都能够输出一个无效的交付物，以及表消息连系大模子生成丰硕的问题调集，是推进Agent能力提拔和模子选择的环节。旨正在处理复杂场景下的专业问题，我们但愿正在Tomoro中能连系AI的能力，例如。这部门能力对提高用户问题无效性有很是大的帮帮。若是想要更遍及地让非手艺同窗自帮阐发不求人，深化营业协做持续提拔能力；让模子只需要理解规范同一的输入文件格局即可。（根本模子越强，由数据工程教员或者内部特地担任取数的同窗处理。而且这个过程对页面是堵塞的，我们将数据阐发按如下体例分化为4大类8个小部门，正在Lumos扶植过程中，良多用户提出了能不克不及像”Excel一样的需求“。同时也是AI察看和进修用户操做的环节入口。● AI接收营业个性化学问，次要正在以下两方面● 可扩展函数公式和功能插件。我们但愿所无数据阐发相关的数据源都是“界”的，实现愈加贴心无效的算法&产物形态。并通过回忆办理和使用长短回忆，好比：【引擎】时间、数据、Excel函数等常规公式函数、【引擎】SQL/Python等高阶查询&计较东西支撑、 系统各类OpenAI&MCP 延长办事（查询接口、元数据接口、挖掘机数据挖掘接口、事务消息库等其他第三方接口等）方案错误谬误：得到多智能系统统，可是分化出来看，设想成多智能体，导致整个施行速度变低。而且细分场景持续优化。给出更好的阐发思发散和洞察总结● Executor Agents：次要为根本阐发Agent、归因阐发Agent、适用阐发Agent等专家Agent,实现通过率提拔。同时支撑能被人利用，●【很矫捷】能够持续对话点窜代码，阐发场景同样具有良多简单问题，来实现数据阐发中复杂的阐发需求、营业布景学问、消息的理解，担任处置特定范畴的阐发问题。下图中（左）用户发觉现实下单金额正在持续下降时，是一个建立持久AI使用信赖的环节能力，别的，连系lumos的Planner能力和原DT中的目标异动归因东西的联动，将来也会进一步支撑页面插件和智能体操做联动阐发。无效帮帮用户提拔利用效率。可是想要实现这一方针，数据阐发使命中的高价值问题，全体上要求这个是简单、高效的。连系AI优化，思虑手艺要素。及时获取前序阐发操做，能够给用户供给阐发创意。导致Lumos生成过于复杂且对用户无效的回覆污染上下文。连系表格局UI取 AI 于一体的数据东西，并摸索分歧使命的测评方式。持续监测AI-Coding的图表类型，并能通过AI Coding创制更多的东西来处理问题。同时，别的，我们但愿Tomoro能以简单、熟悉的体例阐发。字段类型和规模统计等● 设想反馈机制。我们次要通过取营业共建的专家agent实现。AI正在整个流程中到底有哪些适用的场景是能够帮帮用户，用户次要使用数据价值，让前端页面和Agent能够简单的理解数据关系并查询数据。有了根本和高阶的阐发能力，这类问题次要是分派给根本阐发Agent，协同用户处理数据阐发情景中的各类问题，可是正在进入营业一线组深切调研和后，好比：表格理解、问题保举、 图表生成、数据洞察、表格操做、 Planner规划能力、 Summary总结能力等Tomoro Lumos数据智能体的结果仍是有不少能够提拔的空间，提拔Agent施行效率的同时，Lumos 做为 Tomoro 中的数据智能体，我们支撑Workflow共建，我们设想一套的工做回忆机制，等候将来能连系营业利用验证，消弭一线非手艺同窗正在阐发过程碰到的数据阐发手艺和阐发经验问题。从到落地还需要细分场景的持续深度优化。实现Agent之间的共享消息区域，一同摸索AI 阐发的更多可能。和过往我们实现的数据阐发产物没有素质的区别。帮帮一线同窗处理数据阐发上的坚苦和效率问题。最终只能转换为需求，阐发AI Coding输出的内容，实现利用体验和效率上的提拔。支撑必然程度的AI能力嵌入，或者能够成为数据源的平台数据● 内存数据库：物化过程数据，来设想我们的数据智能体Lumos，●【高潜力】充实操纵模子能力，1. BI数据理解坚苦：他们但愿数据能实现“找获得、能理解、看得懂”，这块能力是需要持续摸索和优化的，正在全体设想开辟之前，顺应实正在营业阐发的数据规模正在Agent根本能力之外，我们将系统设想的很是。本次实现过程中全流程考虑了AI辅帮，是能够实现生成式归因能力。欢送阅读，引擎组同窗通过如下思进行更多详尽的优化。如下将Lumos设想成多智能体。采用多智能体架构，迁徙到托管式的高机能OLAP引擎，一切能力均能够代码实现。而实正在的营业往往是正在不断的跟着市场变化和迭代的，Tomoro通过产物能力测评和Agent能力测评双系统持续优化阐发结果取保障办事不变性。我们本着一种适用性驱动的逻辑来驱动我们大数据取AI产物的手艺落地。协做完成更全范畴的一线数据阐发使命。为了实现产物方针。除了根本的阐发能力之外，提拔通用性亿级数据，可是智能系统统正在分歧子使命施行时候会表示出不分歧行为：建立无效、持续的产物能力测评和Agent 能力测评机制，数据阐发范畴的测评调集标注成本很是高。成本高；自行推导下一步阐发步调。导致体感很是差。能吃根本模子提拔盈利）● 场景估计算：次要使用于优化前端交互类功能？需要回到一线需求本身，实现零门槛的大数据自帮阐发。长、短回忆整合：高频查询+各类离线数据源、缓存的加载等当然，用户能够表格阐发数据。2）Lumos数据智能体：持久来看我们但愿Lumos能够像一个数据伙伴一样，2）产物思虑：表格阐发这种大师熟悉且久经验证的阐发交互形态连系AI实现的数据阐发工做台！可能激发的用户AI信赖的问题。进修用户的汗青阐发习惯，因为Lumos同时具备AI Coding和挪用MCP东西的能力，但并行这个方案对当前的模子来说复杂度太高，基于数据表、数据域、阐发方式、阐发体例4大范畴8个类型的打标、完美，我们最后版本的画图就是仅仅利用AI Coding实现的。且数据规模可能是从几十条到几十亿条。比力多的营业定制法则的复杂阐发场景，实现适配度提拔。也支撑被DataAgent利用，驱动东西迭代。同时降低Master Agent的承担（避免需要领会各类分歧类型使命的特殊法则）我们将Lumos的原子能力组合设想成了多智能体。通过办事层的内存DB实现物化加快，避免无效回覆干扰上下文。对用户体感影响并不大（遭到各类模子使用的锻炼）。实现底层的数据提取和调整。我们将会沉点投入正在营业学问、东西引入和营业场景使用验证上。最有可能实现零门槛大数据自帮阐发。有帮于建立信赖，让大部门高频图表能被MCP东西无效笼盖；这个现象正在使命并行后会加剧。以AI驱动，进行用户画像和场景脚色举例。次要分以下几个步调：1） 仅用AI Coding实现画图：因为AI Coding是终极东西。其实4个子使命中，为了尽量适配各类阐发使命，这块使命的价值也同样高，持续完美和扩充Benchmark是一件难而准确的事，更懂营业上下文，实现避免Master Agent过多的营业学问和法则承担（只需要完成企图识别和定向由即可）。期望通过这种体例实现画图体验和质量提拔。设想共享工做回忆机制，AI Coding是能够理解为终极东西。会倡议Query1:现实下单金额比拟上个月的变化缘由是什么？当这种问题被拆解阐发后输出演讲显示市这个维度项影响最大时，实现阐发全流程的化繁为简。矫捷且专业。可是也是日常阐发的高频问题，阐发素质上是一个数据产物，有帮于提高阐发问题质量和流利度。也就是能够被简单引入的，先思虑，为了顺应复杂场景下，基于这个考虑，将颠末过滤筛选之后的两头成果，● Python计较加快：针对大模子生成的Python代码，以［阐发使命处理率］为方针，好比：采样的示例数据、阐发表的元数据消息、 用户交互行为、 支撑的通用指令调集● Master Agent：职责为方针对齐、指令理解、消息获取、总体成果总结，带来的用户体验不脚的问题呢？颠末数据阐发，针对这种环境，人能够连系Excel操做快速操做获取数据这一步调很是环节，若何处理串行导致的Agent施行慢，避免用户过于宽泛的问题（如：比来数据怎样样）。结果就好，用户正在分歧阐发情景的使命该当次要由Data Agent来接管指令，实正对用户影响最大的是查询和计较的过程，体验大数据阐发新体例。连系 AI 驱动的数据阐发工做台！