最近在做數(shù)據(jù)分析時發(fā)現(xiàn)一個問題，那就是智能體的能力確實(shí)很有限，智能體也沒有想象中的那么強(qiáng)大。

以數(shù)據(jù)分析為例，之前在做數(shù)據(jù)分析時需要DBA根據(jù)業(yè)務(wù)需求對任務(wù)進(jìn)行拆解；然后編寫SQL或其它分析語句，最后統(tǒng)計(jì)出結(jié)果。而現(xiàn)在由于大模型的出現(xiàn)，因此想利用大模型的能力去做數(shù)據(jù)分析，但理想很豐滿，現(xiàn)實(shí)很骨感。

以我們平常開發(fā)為例，不論是系統(tǒng)架構(gòu)還是表結(jié)構(gòu)，都會隨著業(yè)務(wù)的變遷或設(shè)計(jì)的缺陷進(jìn)行不斷的調(diào)整和完善；因此，有些時候設(shè)計(jì)的表結(jié)構(gòu)和最初的設(shè)想已經(jīng)面目全非，甚至設(shè)計(jì)人員自己都弄不清楚其中的邏輯和關(guān)系。

而基于智能體做數(shù)據(jù)分析，由于智能體不知道系統(tǒng)迭代的過程，只基于數(shù)據(jù)庫做數(shù)據(jù)分析會存在很大的問題和難點(diǎn)；比如說不知道表結(jié)構(gòu)的字段是啥意思，而且很多字段根據(jù)值的不同會有完全不同的含義；而這對大模型來說是不可接受的。

特別是對數(shù)據(jù)面板或大屏業(yè)務(wù)，其展示的數(shù)據(jù)雖然看起來很簡單，但事實(shí)上都經(jīng)過技術(shù)人員的精心設(shè)計(jì)，以及復(fù)雜的業(yè)務(wù)邏輯處理；而這種情況直接讓大模型來做，說句實(shí)話確實(shí)有點(diǎn)太為難它了。

所以，為了彌補(bǔ)這種缺陷，最好的方式是結(jié)合人力與大模型的能力，進(jìn)行人機(jī)合一；比如說在復(fù)雜的數(shù)據(jù)分析中，可以由技術(shù)人員先對數(shù)據(jù)進(jìn)行處理，整合完畢之后再交由大模型去處理，這樣就可以避免由于大模型不理解業(yè)務(wù)需求導(dǎo)致其胡亂發(fā)揮。

原因就在于，在實(shí)際的業(yè)務(wù)場景中，完全依靠SQL語句進(jìn)行數(shù)據(jù)分析是很困難；其中肯定會經(jīng)過復(fù)雜的邏輯處理和代碼實(shí)現(xiàn)，而如果讓大模型同時完成SQL語句和代碼的處理相對難度較高，效果也不太好。

1?? 為什么智能體能力有限？

即便當(dāng)前大模型與智能體已可：

• 理解自然語言
• 自動調(diào)用工具、執(zhí)行 SQL、生成報(bào)表
• 流式對話分解復(fù)雜問題

但在 復(fù)雜真實(shí)場景中常見的限制：

?? 理解邊界

• 無法完全理解項(xiàng)目上下文、歷史背景、組織規(guī)則。
• 無法準(zhǔn)確揣測隱含業(yè)務(wù)邏輯和決策偏好。
• 無法處理模糊需求和“半結(jié)構(gòu)化”的現(xiàn)實(shí)場景。

?? 工具調(diào)用限制

• 需要結(jié)構(gòu)化輸入，但用戶常給出模糊描述。
• SQL生成、圖表生成等可能因字段歧義、異常值導(dǎo)致錯誤。
• 智能體很難在未知邊界條件下做“正確推理”。

?? 合規(guī)與安全

• 自動執(zhí)行可能造成不可逆后果（如誤刪、誤修改數(shù)據(jù)）。
• 涉及敏感財(cái)務(wù)、人事數(shù)據(jù)時需要人工二次校對。

?? 上下文碎片化

• 用戶連續(xù)提問但無統(tǒng)一目標(biāo)時智能體難以跟蹤上下文。
• 多輪決策需要根據(jù)外部人力實(shí)時反饋微調(diào)路徑。

2?? 為什么需要人機(jī)協(xié)同？

智能體擅長：? 快速執(zhí)行規(guī)則化、可結(jié)構(gòu)化、重復(fù)性、檢索類任務(wù)? 快速生成 SQL/Pandas 分析草稿? 自動化報(bào)表、對賬、周報(bào)、項(xiàng)目進(jìn)度匯總? 數(shù)據(jù)問答、概括、初步建議

人力擅長：? 最終決策、責(zé)任兜底? 理解復(fù)雜業(yè)務(wù)流程、潛規(guī)則? 處理模糊問題、沖突和跨部門協(xié)調(diào)? 補(bǔ)充背景知識與灰度處理

3?? 人機(jī)協(xié)同的最佳實(shí)踐

? 分工模式

? 工作流（面向你的開發(fā)/應(yīng)用場景）

示例：建設(shè)項(xiàng)目智能問數(shù)場景（以 Vanna 或 LangGraph 問數(shù)智能體 + 人力）

1?? 用戶提出模糊問題（“今年市政類項(xiàng)目進(jìn)度慢的有哪些”）2?? 智能體理解并生成SQL → 查詢 → 返回列表3?? 用戶在表格中二次篩選（過濾某些不需要的項(xiàng)目）4?? 智能體根據(jù)用戶篩選繼續(xù)生成可視化圖表5?? 用戶確認(rèn)關(guān)鍵項(xiàng)目 → 決定是否下發(fā)督辦6?? 人力執(zhí)行后，結(jié)果反饋給智能體更新上下文。

? 技術(shù)落地建議

• 配置“二次確認(rèn)”節(jié)點(diǎn)：智能體生成SQL或報(bào)表先發(fā)送人審閱，點(diǎn)擊確認(rèn)后再執(zhí)行。
• 設(shè)計(jì)“多輪對話澄清”機(jī)制：對復(fù)雜問題分解提問澄清用戶意圖。
• 使用“人機(jī)協(xié)作面板”：在 NiceGUI、Notion AI、BI系統(tǒng)等中嵌入智能體交互，結(jié)果同步到人工審批流程。
• 分層權(quán)限控制：智能體可查詢、分析、標(biāo)記，但關(guān)鍵修改、刪除需人工確認(rèn)。
• 持續(xù)反饋循環(huán)：智能體記錄“本次分析與最終執(zhí)行差異”，不斷調(diào)整提示詞與工具調(diào)用邏輯，提升準(zhǔn)確率。

4?? 結(jié)論

? 智能體能力有限是事實(shí)，它們并非接管一切，而是“放大人力的生產(chǎn)力”。

? 最優(yōu)解是人機(jī)協(xié)同：讓智能體做“快速自動化處理”，人力做“復(fù)雜判斷和責(zé)任兜底”。

? 落地到你的實(shí)際項(xiàng)目時：

• 在智能體做數(shù)據(jù)分析、問數(shù)、任務(wù)梳理等前臺高效運(yùn)行，
• 但在數(shù)據(jù)核對、異常處理、最終執(zhí)行、跨組織協(xié)調(diào)上由人力介入，
• 形成“混合智能流水線”。

本文轉(zhuǎn)載自??AI探索時代? 作者：DFires