随着大模型和AI Agent能力不断提升，AI agent能力在企业业务分析中应用需求越来越高。通过AI的数据智能分析与营销智能化，跟业务分析和运营工作方式和效率带来了深刻的变革。然而Agent在一些细节上，任然面对诸多挑战，如业务领域知识不足、模型幻觉产生，如何保证准确找回，数据安全，以及多Agent间如何协同等，这些问题都直接影响用户使用体验和系统落地效果。

周涛是同程旅行 研发与云赋能中心大数据专家，长期深耕大数据领域，擅长大数据应用平台建设和AI for Data 和 Data for AI 数据平台体系建设和落地，目前专注Data+AI，帮助业务提升数据赋能效率，驱动业务决策。在2026年1月16-17日即将举办的Agentic AI Summit智能体系统架构大会上，周涛将分享《DataAgent在同程分析和营销场景的智能化建设探索》话题，他将分享同程旅行在DataAgent建设实践，包括分析任务拆解规划、知识、记忆、归因分析，以及结合分析结论的智能营销建议和智能营销流程建设优化等能力的关键技术和实现细节。

在会议召开前，我们列了几个问题，请周涛老师来回复。

DACon：在演讲中您提到“多智能体的架构演进”，请问在同程的DataAgent系统设计中，是什么关键因素推动了从单一智能体向多智能体架构的演进？在多智能体协同的场景下，您是如何设计Agent之间的任务分配、通信与冲突解决机制的？

周涛：在我们的实际业务中，推动从单一智能体向多智能体架构演进的核心动因有三方面：

1.任务复杂性提升：单一Agent难以同时胜任数据理解、归因推理、策略生成、执行反馈等多阶段任务；

2.领域专业化需求：不同业务线（如酒店、机票、用户增长）对分析逻辑和知识体系差异显著，需专业化Agent支持；

3.容错与可维护性：多Agent解耦后更易迭代、监控和替换，降低系统整体风险。

在多智能体协同方面，我们采用“分层+角色化”设计：

1.任务分配：通过一个主agent（master Agent）接收用户原始请求，基于语义解析和任务类型识别，动态拆解为子任务（如“数据查询”“归因建模”“策略建议”），并路由至对应功能Agent（如Query Agent、Insight Agent、Action Agent）。

2.通信机制：采用标准化消息协议（基于JSON Schema）传递上下文、中间结果与状态，支持同步/异步混合通信模式。关键信息通过共享记忆池（Memory Pool）持久化，确保上下文连贯。

DACon：面对DataAgent在实际业务中遇到的“模型幻觉”“领域知识不足”“数据安全”等挑战，同程在技术层面有哪些具体的应对策略？例如，在知识增强、检索准确性保障、以及数据权限隔离方面，有哪些创新性的工程实践？

周涛：好的，这里分类回复一下：

1.知识增强与幻觉抑制：

● 构建领域知识图谱（覆盖产品、用户、营销规则等实体关系），作为RAG的知识源；

● 采用不确定性量化（Uncertainty Quantification）技术，对低置信度输出自动标注“需人工复核”。

● 引入强化学习，持续优化决策实现闭环反馈。

2.检索准确性保障：

● 设计混合检索策略：结合向量检索（语义匹配）与关键词/结构化过滤（精确匹配），并通过用户行为日志持续优化检索排序模型；

● 建立分析意图分类器，精准识别用户是“趋势查询”“异常检测”还是“归因分析”，从而调用不同检索与推理路径。

3.数据安全与权限隔离：

● 实施字段级权限控制：在Agent访问数据前，通过统一权限网关动态注入行/列级过滤条件；

DACon：您提到DataAgent具备“洞察归因分析和数据分析的深度研究”能力。能否结合具体业务场景，解释系统是如何实现复杂分析任务的自动拆解、规划与执行的？在归因分析中，如何让Agent不仅描述现象，还能提供可解释、可落地的因果推断？

周涛：任务自动拆解：该过程由规划Agent（Planner）驱动，每一步调用专用分析Agent执行，并通过记忆机制保留推理链路：

➢ 如：用户输入“为什么上周酒店订单下降了？” → 系统识别为“异常归因”任务 → 拆解为：

步骤1：定位异常时间窗口与指标（订单量 vs 历史同期）；

步骤2：按维度下钻（渠道、城市、用户群、价格带）；

步骤3：识别显著变化因子（如某渠道流量骤降30%）；

步骤4：关联外部事件（是否该渠道广告暂停？竞品促销？）。

➢ 最终生成行动建议卡片：“建议恢复渠道A预算，并监控未来3天转化率变化”。

➢ 行动建议还可以与营销Agent打通，进行营销流程。

DACon：智能营销闭环是DataAgent落地的重要一环。请问系统是如何将分析结论（如用户行为洞察）自动转化为可执行的营销策略，并进一步驱动营销流程的自动化执行？在这个过程中，如何平衡自动化决策与人工干预，确保营销动作的精准性和安全性？

周涛：我们的智能营销闭环分为“洞察→策略→执行→反馈”四阶段：

1. 洞察到策略转化：分析Agent输出结构化洞察（如“高价值用户流失风险上升”） → 触发策略Agent，基于预设营销知识库（含优惠券规则、触达渠道策略、文案模板）生成候选人群圈选以及建议动作（如“发放8折券+APP Push提醒”）；

2. 自动化执行：通过与营销中台API对接，自动创建活动、配置人群包、调度触达任务；

3. 人机协同与安全控制：内置人工干预节点，将AI拿不准的问题进行人工确认，并收集对应信息，确保影响动作的精准性和安全性。

DACon：演讲中特别提到“将分析图表与BI系统打通”是重要的落地挑战。请问同程在DataAgent与现有数据平台、BI工具的集成中，遇到了哪些具体的技术或架构瓶颈？又是通过怎样的设计（如API架构、标准中间层、可视化嵌入等）实现分析结果与业务系统的高效融合？

周涛：核心瓶颈主要分为这两部分：

语义鸿沟：自然语言生成的分析结论难以映射到BI报表的固定维度/指标体系；

可视化割裂：Agent生成的图表无法嵌入现有BI看板；

我们的解决方案包括：

a. 从传统的Text2SQL转换到Text2DSL上；

b. 搭建标准化 API 中间层，适配不同系统接口，实现数据格式自动转换；

c. 设计通用可视化组件，支持分析图表一键嵌入现有 BI 工具，实现“分析即看板”。

【DACon 2026 上海站演讲招募】

目前DACon上海站大会策划了15个分论坛，包含【Data+AI一体化架构，赋能BI/AI】【Agentic RAG：从检索增强到自主决策】【非结构化数据工程：文档/图像/视频的AI化处理】【企业级本体工程：从Palantir方法论到实践】【Data+AI在金融领域的实践】【AI for Data：数据治理智能化升级】【Data+ AI在新消费的实践】【LLM+研发效能：从代码生成到智能研发】【Agentic AI开发框架与工具链】【大模型应用成本优化实战】【AI驱动的数据开发与分析一体化】【AI搜索：从关键词到智能对话】【Agent应用安全与可控性】【Agent Ready数据架构：下一代数据基础设施】【上下文工程——大模型应用落地的核心工程实践】，如果您有兴趣来演讲，欢迎在这里填写话题内容 https://qr18.cn/A4cYOz ，也可以直接联系会议编辑 17338147501。