精选今天0 投票
从“提问优先”到“分析师优先”：领域专家技能与验证知识编译，实现主动式企业分析
传统对话式分析系统假设用户已经有一个明确的问题，但面对不熟悉的企业数据模式，非专家用户往往面对空白查询框无从下手。商业化的“主动式”工具仅能通过分析师预设的指标层检测统计异常，而学术界的“下一问题”推荐依赖查询日志，新数据集却往往没有这些日志。针对这一痛点，一项新研究提出了一种生产级的分析系统，将交互模式从“提问优先”倒转为“分析师优先”。
该系统的核心是两个耦合的架构理念。第一个是可插拔的领域专家技能抽象：一个基于文件夹、不依赖数据库的领域知识包，包含清单、各阶段的提示词片段、关键词路由参考、报告模板和可选计算模块。系统通过确定性模式匹配，针对每个（客户，数据集）自动选择技能包，并将其作为横切关注点注入智能体流水线、模式探索器和报告引擎的每个阶段。若技能包缺失，系统则退化为严格的无操作。由于技能包是自包含的文件夹，且确定性地解析，因此目录是开放式的，可以扩展为领域专家的市场。
第二个是离线知识编译循环：一个智能体通过DuckDB探测数据集的parquet文件（对生产环境零负载），运行带有自我修复重试的、按表收敛的批评门控过程，并通过值重叠来验证连接的数据有效性。这一过程生成持久化的模式知识，驱动常驻专家报告，其中每个发布的指标都通过重新执行其证据SQL来验证，同时生成与报告议程对应的建议问题。这形成了一个主动循环：报告呈现数字，数字引发问题，点击即可启动验证过的深度分析，这一切都在用户使用查询框之前发生。
作者强调，该研究提供了正式模型和单租户的说明性证据，但并未进行用户研究或基准测试声明；其贡献在于架构本身及其可辩护性。这一设计为企业分析领域带来了新的思路，有望降低非专家用户的分析门槛，提升数据洞察的效率和准确性。