AI热榜 在大模型技术蓬勃发展的背景下，企业数据消费正从传统的 BI 报表和自助式分析，迈向 AI 原生的 Agent 时代。
然而，将学术界看似成熟的 Text-to-SQL 技术落地到复杂的 OLAP 场景中，其准确率可能从纸面上的 90% 骤降至 10%。
本文整理自 Shopee 技术专家 王新波 在 QCon 全球软件开发大会 2026 北京站 的分享《从 AI 取数到智能分析：企业级数据 Agent 的多阶段演进与工程化落地》。
王新波详细复盘了过去两年其所在团队在打造企业级 Data Agent 过程中的实践与反思。
他系统性地揭示了从解决找表不准、语义错误到引入 Multi-Agent、语义模型与 Skill 机制的完整技术演进路径，并分享了如何通过工程底座与运营闭环，将一个简单的取数工具逐步雕琢为支持个性化与场景化智能分析的可靠生产力工具。
以下是演讲实录（经 InfoQ 进行不改变原意的编辑整理）。
背景与挑战：从 BI 演进到 AI 原生数据消费 数据消费的发展通常被划分为四个阶段。
1.0 时代是传统 BI 时代，以 SAP 等系统为代表，报表交付高度依赖 IT 团队通过编写 SQL 来实现。
2.0 时代迈入了自助式 BI，Dashboard 成为主流。
以我所在公司的数据平台为例，Dashboard 的月活大约有两万多，但在这两万多用户中，只有不到百分之十是数据的生产者，也就是报表的编辑者。
这说明绝大部分人的数据消费，依然要指望着少数的 BI 同学进行手工操作。
到了 3.0 的增强分析时代，开始引入 AI 作为辅助，但主要的分析流程依然由人驱动。
而现在，我们正大踏步跨入 4.0 ——AI 原生 Agent 时代。
在这个阶段，数据消费者终于可以直接通过自然语言提交需求，Agent 则能够自主完成从取数到智能分析的全过程。
我们团队对 AI 取数的探索始于 2024 年。
起初，我们对 Text-to-SQL 这条路信心满满，因为学术界当时的 Benchmark 数据非常亮眼。
在 Spider 这类榜单上，一些 State-of-the-art 的解决方案准确率可以达到 85% 到 91%，这甚至已经接近了人类标注员的水平。
基于这份信息，我们设计了一个初代 Text-to-SQL 的 Demo 架构，不到一周就完成了搭建。
当时的技术方案采用了典型的 RAG 链路：我们把平台上近三十天内有访问记录的大约一百万张表做了 Embedding 索引，用户提问后，系统通过向量近似检索召回相关的表，然后利用这些表的元数据构造 Prompt，交给大模型一步生成 SQL。
🔗 原始来源
如果你要核对细节，可以再看原文： InfoQ AI原文链接