数据Agent拼到最后，拼的是缰绳

过去一年，几乎所有数据团队都被问过同一个问题：接个大模型，能不能让业务自己查数？答案往往是：Demo惊艳，上线翻车。错的不是模型，是模型外面那层东西。业内最近流行一个词——harness，可以译作「套件」，我更愿意叫它「缰绳」。我的判断很直接：数据Agent的胜负手不在模型，在缰绳；谁先把缰绳工程化，谁先拿到可信数据的入场券。

🚗 引擎再猛，装不上方向盘就上不了路

没有人会买一台裸发动机，开去上班。

想象一台放在车间台架上的发动机：动力十足，但哪儿也去不了。只有装上转向、刹车、油路、仪表盘和驾驶座，它才成为一辆汽车。这是 Addy Osmani 在他那篇被广泛转引的 harness engineering 文章里给出的核心比喻，他还给出了一个极简公式：Agent = 模型 + harness。

模型是发动机。它推理快、写查询快。harness 是整车的其余部分：它读什么指令、能用哪些工具、被允许碰什么数据、步骤之间记住了什么、产出必须通过哪些校验、哪些节点必须等人批准才能继续。

放到数据行业看，这个划分戳中了要害。过去两年，大家卷的是模型在 Text-to-SQL 基准上的准确率；但模型能力差距在快速收窄，开源与闭源模型生成一段合格 SQL 的水平越来越接近，可用性的差距却越拉越大。差距在哪？就在套件上。模型是商品化最快的环节，harness 才是差异化的护城河——这个逻辑，对模型厂商、对数据平台厂商、对每一个企业数据团队，都成立。

📏 通用缰绳，管不住数据这匹马

通用Agent工具出厂自带一套缰绳，但那是给「什么都干一点」准备的。

设想一个典型场景：业务同事用某个通用Agent问「上季度华东区毛利率为什么降了」。它能查数、能算、能写一份漂亮报告。问题是——毛利率用的哪个口径？含不含返点？分母是含税还是不含税收入？它不说，你也不敢追问，因为问了它也答不上来。一个没有出处的数字，比没有数字更危险。

原文给出的解法是：做数据工作，必须自己加上五件东西——

1. 规则文件：Agent 必须遵守的说明书，写清它能干什么、不能干什么；

2. 指标定义：每一个数，都必须能引用官方口径，回答要带上出处；

3. 只读权限：只准访问数据副本，且是只读，从物理上杜绝「顺手改数」；

4. 完成校验：在答案被算作「完成」之前，必须过一遍简短的检查清单；

5. 止步询问：当没有任何定义覆盖当前问题时，停下来问人，不许编。

这五件事，本质上把数据治理从「躺在文档里的规定」变成了「运行时的强制约束」。语义层工具（比如 dbt 的指标定义）做了前半段工作，Agent 套件把它们接进了执行链路。据几位在企业数据平台团队的朋友私下说，他们过去写的口径文档，业务从来没人看；现在成了 Agent 必须引用的上下文，才真正「活」了过来。这大概是治理团队这几年最扬眉吐气的事。

📈 四象限里，看懂谁在裸奔

判断一个数据Agent产品靠不靠谱，先问一句：它的缰绳在哪儿。

沿着「技术门槛 × 商业价值」两条轴，可以给当前市场上的各类玩家画一张站位图：

右上角的两个位置值得多说两句。语义层/指标平台（如 dbt、Looker 一系的口径能力）技术门槛在于把业务口径抽象成机器可引用的定义，商业价值在于它是 Agent 可信回答的前提；而自建套件的领先企业，把五件套与自身数据资产绑定，形成了对手难以复制的组织能力。左下角的通用聊天助手，Demo 很好看，落地最惨烈。右下角的存量玩家——那些坐拥客户但只把大模型包在旧看板外面的产品——窗口期正在关闭。

据业内流传的说法，已经有企业在采购数据 Agent 产品时，把「回答能否自动引用指标定义」「是否支持只读副本隔离」直接写进了验收条款。这不是刁难供应商，这是买家被翻车教育过之后的成熟。

🛠️ 五件套别一次上，按顺序长大

套件建设是长肌肉，不是堆配置。

很多团队看到清单就热血上头，五件套全线上马，三周后烂尾。原文特别强调：按顺序加，随公司成长。这个顺序本身就是一条建设路线：

为什么是这个顺序？因为每一步都依赖前一步的组织成熟度，这不是技术偏好，是治理依赖链：

• 规则文件没人维护、写了就过期，等于没写——所以它必须最先、也最轻；
• 指标定义不统一，Agent 只会把混乱自动化，把错误放大十倍——所以第二步是接口径，而不是加模型；
• 没有口径共识就收紧权限，业务会集体反弹——权限收紧要放在信任建立之后；
• 校验清单和止步询问是「信任的最后一公里」，放在前面跑通后再补上，团队才有能力维护它。

一位做过湖仓平台的朋友总结得很到位：先让Agent在轨道上跑，再逐步松缰绳。反过来做——先放权再补规则——就是拿生产数据赌运气。

💡 缰绳工程，数据团队的下一个必修课

显性的是模型答题，隐性的是缰绳在兜底。

水面上的是大家愿意为之付费的东西，水面下的才是让水面上那些东西「敢用」的东西。数据团队的价值曲线正在移动：过去的核心资产是数仓和看板，未来的核心资产清单里，必须加上这五件套——它们决定了 AI 能不能安全地替业务干活。

对厂商来说，信号同样清晰：把权限、审计、语义层打包成「Agent-ready」能力，正在成为 Databricks、Snowflake 这类平台厂商的共同叙事方向；而纯做模型接入壳层的工具，护城河趋近于零。对从业者来说，「提示词工程师」之后，懂得指标体系、权限模型和评估校验的 Agent 工程能力，正在成为数据团队的硬通货。

结语

模型会持续贬值，缰绳会持续增值——这是本轮数据智能体浪潮里最确定的判断。下次评估数据 Agent 产品时，别只看 Demo：翻开它的规则文件、追问指标引用机制、确认权限隔离、索要校验清单。谁把缰绳做扎实，谁产出的数字才敢进董事会。五件套，一件都不能省，顺序也不能乱。