正在打开文章正文正在加载，请稍候…

大模型驱动多Agent构建ChatBI数据分析系统 | JOTO AI 智库

企业 FDE

大模型驱动多Agent构建ChatBI数据分析系统

2025 年 3 月 4 日

大模型技术革新，引领数据分析新纪元。核心内容： 1. DataLab平台：基于大语言模型的多智能体协作框架 2. 自然语言交互：简化BI流程，实现端到端分析 3. 性能突破：在企业级BI任务中显著提升准确率和降低成本

最近看到了腾讯大数据团队发布论文《DataLab: A Unified Platform for LLM-Powered Business Intelligence》，提出基于大语言模型的多智能体协作框架，打造统一 BI 平台 DataLab。Meta AI 研究员评价其重新定义了数据工作流的协作方式，英伟达工程师更直言这是大模型落地企业级 BI 的最优解。

DataLab 为何备受关注？

传统 BI 工具（如Power BI、Tableau）依赖人工操作，涉及数据工程师、分析师、科学家等多角色协作，流程繁琐且易出错。而 DataLab 通过 LLM 驱动的多智能体系统，将 SQL 生成、数据清洗、可视化等任务自动化，用户只需用自然语言提问，即可在统一环境中完成端到端分析。

定位：AI时代的数据分析超级助手

DataLab 不仅是工具，更是连接 Python、SQL、PySpark 等多语言的智能分析平台。它让非技术用户能像对话一样操作数据，技术用户则能深度定制分析逻辑，真正实现“人人都是数据分析师”。

DataLab 在各种流行研究基准的 BI 任务上实现了最先进的性能。它还在企业特定 BI 任务中实现了高达 58.58% 的准确率提升和 61.65% 的 Token 成本降低。

传统BI痛点：协作低效，工具割裂

一个典型BI流程需经历数据准备、分析、可视化三阶段，涉及多角色切换：

数据工程师：写SQL/Python清洗数据；
数据分析师：用Tableau制作图表；
业务决策者：反复沟通需求……

问题直击：

1. 工具割裂：不同角色使用不同工具，信息传递易失真；

2. 知识断层：业务术语、字段含义需人工解释，效率低下；

3. 迭代成本高：分析结果需多次返工，沟通成本飙升。

腾讯DataLab的破局之道：用大模型多智能体框架统一BI全流程，将复杂任务拆解为“智能体协作网络”，用户只需提问，系统自动规划任务、调用工具、生成结果。

DataLab架构揭秘：多Agent如何“分工打配合”？

DataLab的架构设计围绕三大核心模块展开：

架构示意图：LLM Agent框架+多模态Notebook

1. 领域知识注入：让大模型“听懂业务黑话”

知识生成：基于数据表Schema、历史脚本、血缘关系，自动提取字段含义、业务逻辑；

知识组织：构建库-表-字段三级知识图谱，支持语义检索；

知识利用：用户提问→改写为清晰指令→翻译为BI专用DSL（领域特定语言）。

案例：用户问“展示腾讯BI今年收入”，系统自动关联字段prod_class4_name（产品类目）、shouldincome_after（税后收入）、ftime（时间），生成DSL指导后续分析。

2. 多智能体协作：任务拆解如“流水线”

工具调用Agent：执行SQL查询、Python代码、图表渲染；

角色扮演Agent：模拟数据工程师、分析师等角色，优化问题理解；

代理规划Agent：拆解复杂问题，分配任务并监控进度。

协作机制：

通信协议：智能体间传递结构化信息单元（含数据源、动作、时间戳等），避免自然语言歧义；

状态管理：用**有限状态机（FSM）**控制流程，确保任务有序推进。

3. 多模态Notebook：All-in-One分析界面

支持SQL、Python、Chart、Markdown四类Cell，技术与非技术用户无缝协作；

上下文管理：基于DAG动态追踪Cell依赖关系，仅推送相关上下文，Token成本降低61%。

实验结果：工业级场景下的性能碾压

DataLab 在学术基准和腾讯内部业务数据上全面验证：

关键突破：

领域知识加持：通过知识图谱+RAG，模糊查询准确率提升近40%；

多Agent协作：复杂任务成功率提高28%，耗时减少50%；

成本优化：自适应上下文管理，避免无效Token消耗。

挑战与创新：如何攻克企业级BI难题？

1. 脏数据处理：自动推断字段类型，填补缺失值

DataLab集成Pandas、PowerBI等工具链，支持：字段类型自动推断（如日期、金额）；缺失值填充（均值、插值）；异常值检测（基于统计或LLM规则）。

2. 动态知识适配：企业级数据表的“百科全书”

实时更新：每日处理2.6万张表、270万字段，单表知识生成仅45秒；自校准机制：LLM生成知识后自我评分，低质量结果自动重生成。

结语：BI的未来是“对话式分析”

DataLab 的诞生，标志着大模型从“技术玩具”迈向“生产力工具”的关键一步。其价值不仅在于效率提升，更在于降低数据分析门槛，让业务人员直接与数据对话。

正如论文作者所言：“未来的BI系统将像ChatGPT一样自然——你提问，它思考，并给出洞察。”而DataLab，正在让这一愿景照进现实。

腾讯内部透露：DataLab已初步应用于广告投放、用户增长等场景，分析效率提升超3倍。或许不久后，这款“ChatBI”工具将开放给更多企业，掀起新一轮数据生产力革命。

立即咨询 JOTO

JOTO 提供覆盖企业智能体规划与搭建、AI 平台私有化部署、RAG 知识工程、AI 安全治理、FDE 驻场共创及持续运营优化的全周期 AI 落地服务，帮助企业把验证中的 AI 能力转化为安全、可控、可持续迭代的生产力。联系 JOTO 获取 AI 落地咨询

想把这些做法用到你的业务里?

留下你的场景和痛点,我们帮你判断从哪一步开始。

联系我们

开启企业级 AI 落地

留下你的行业、部门和当前痛点，我们会在 1 个工作日内与你联系，帮你判断适合先做什么、需要准备哪些数据、适合什么平台。

微信咨询

扫码添加，一对一沟通

JOTO 微信咨询二维码

致电我们

+86 (021) 6566 1628

发送邮件

jotoai@jototech.cn