正在打开每日关注
正在打开每日关注
视频借 Anthropic 内部案例指出：数据 Agent 的难点不在 SQL 生成，而在业务口径、实体映射、知识时效与验证机制。
| ANTHRopPIC DATA AGENT "， EP01 CORE TENSION % ， 但 重点 不 是 模型 959% ， 但 重 操 不 是 Anthropic 内 部 披露 直觉 误 读 mW Anthropic 的 提醒 人 Aclaude 太 会 写 数据 不 是 软件 外 D 0 人 ”上 下 文 决定 答案 可 信 度 0 X 把 数据 Agent 当代 码 Agent ”数据 答案 通常 只 有 一 个 做 business analytics queries W 还 很 难 立刻 验证 真 假 准确 率 约 95%。 X 忽略
视频围绕 Anthropic 所述内部数据 Agent 展开，主张“数据不是软件”：代码可通过类型、测试与 CI 等机制暴露问题，而业务查询即使 SQL 可执行、结果看似合理，仍可能因口径、数据源或过滤条件错误而失真。内容将主要失败归为三类：业务概念与数据实体映射歧义、数据与指标定义过期、正确资料存在但检索失败。
可借鉴之处是，企业数据 Agent 不应只优化自然语言转 SQL；应将指标定义、表字段语义、版本变更、适用范围与排除规则沉淀为可访问、可检索、可验证的上下文，并对高风险答案保留澄清、引用与人工审核环节。边界在于视频仅转述约 95% 的内部指标，未提供评测集、准确率定义、任务范围或系统实现细节，不能据此推断 Claude 或任意数据 Agent 已普遍具备可靠的企业分析能力。