第 30 课 | 场景二交付：数据问答 Agent 效果验证
从第 21 课到第 29 课，我们完成了场景二「数据问答 Agent」的完整闭环。这节课复盘全部成果，量化效率提升，沉淀可复用经验。
一、场景二全流程回顾
每课核心能力
| 课次 | 主题 | 核心能力 | 技术栈 |
|---|---|---|---|
| 21 | 需求拆解 | 明确数据分析师痛点 | 业务分析 |
| 22 | Tool Calling | Agent 学会调用工具 | Function Calling |
| 23 | Text-to-SQL | 自然语言→SQL | SQLAlchemy + LLM |
| 24 | ReAct 推理 | 多步思考+自我纠错 | Thought-Action-Observation |
| 25 | 记忆系统 | 记住上下文 | ConversationBufferMemory |
| 26 | LangGraph | 状态图编排 | StateGraph |
| 27 | Plan-and-Execute | 先规划再执行 | Planner + Executor |
| 28 | 可视化 | 交互图表 | plotly |
| 29 | Human-in-the-Loop | 关键步骤人工确认 | LangGraph interrupt |
二、系统能力全景
2.1 支持的查询类型
类型一：简单查询 用户：「华东区上个月销售额是多少？」 Agent：查数据库 → 返回结果 → 可视化 类型二：对比分析 用户：「对比华东和华南各品类销售情况」 Agent：Plan → 并行查询 → 对比排序 → 生成图表 类型三：趋势分析 用户：「分析过去半年的销售趋势」 Agent：查询12个月数据 → 计算环比 → 识别拐点 → 趋势图 类型四：异常检测 用户：「为什么3月份销售额下降了？」 Agent：查询3月数据 → 对比2月 → 按维度下钻 → 归因分析2.2 Agent 工作流
三、效率对比
3.1 耗时对比
| 任务类型 | 人工操作 | Agent 系统 | 提升倍数 |
|---|---|---|---|
| 简单查询（单表） | 15 分钟 | 3 秒 | 300x |
| 复杂分析（多表 JOIN） | 1 小时 | 30 秒 | 120x |
| 多维度对比 | 30 分钟 | 10 秒 | 180x |
| 趋势分析报告 | 2 小时 | 20 秒 | 360x |
| 异常归因分析 | 3 小时 | 1 分钟 | 180x |
| SQL 技能要求 | 必须精通 SQL | 零门槛（自然语言） | - |
3.2 质量对比
| 质量维度 | 人工 | Agent | 说明 |
|---|---|---|---|
| 准确性 | 95%（熟练分析师） | 90%（带 HITL） | 人工审核 SQL 提升准确率 |
| 一致性 | 因人而异 | 100% 一致 | 同样的查询永远返回相同格式 |
| 可追溯性 | 依赖分析师记录 | 每一步有日志 | 可审计、可复现 |
| 并发能力 | 1 人同时做 1 件事 | 无限制 | 天然支持并发 |
四、ROI 计算
4.1 人力成本节省
假设场景：中型企业，2 名数据分析师 - 每个分析师每天处理约 10 个查询请求 - 简单查询占 60%，复杂查询占 30%，深度分析占 10% 人工耗时： - 简单查询：10 × 60% × 15 分钟 = 90 分钟/天 - 复杂查询：10 × 30% × 60 分钟 = 180 分钟/天 - 深度分析：10 × 10% × 120 分钟 = 120 分钟/天 - 合计：390 分钟/天 = 6.5 小时/天 Agent 耗时： - 简单查询：10 × 60% × 3 秒 = 18 秒 - 复杂查询：10 × 30% × 30 秒 = 90 秒 - 深度分析：10 × 10% × 60 秒 = 60 秒 - 合计：168 秒/天 ≈ 3 分钟/天 日节省：6.5 小时 - 3 分钟 ≈ 6.4 小时/天4.2 年度 ROI
月人力节省: 80 小时 × 100 元/时 = 8,000 元 年人力节省: 96,000 元 技术成本: 约 1,800 元/年（LLM API + 服务器） 年净节省: 94,200 元 ROI: 94,200 / 1,800 = 52x五、踩坑与经验
5.1 技术踩坑
| 问题 | 表现 | 解决方案 |
|---|---|---|
| SQL 幻觉 | LLM 生成不存在的表名 | 在 Prompt 中提供完整 Schema |
| 参数注入 | 用户输入恶意 SQL 片段 | 输入过滤 + 参数化查询 |
| 图表选择 | 自动选择的图表不合适 | 让用户可选图表类型 |
| 记忆溢出 | 长对话后上下文丢失 | 使用 SummaryMemory 压缩 |
| 步骤遗漏 | ReAct 漏掉关键步骤 | 改用 Plan-and-Execute |
5.2 上线前检查清单
- 所有 SQL 查询都经过 HITL 人工审核
- 数据库连接使用只读账号
- 查询超时设置（30 秒）
- 结果集大小限制（最多 1000 行）
- 错误处理：SQL 错误不暴露给用户
- 日志记录：每次查询记录到审计日志
六、展望场景三
场景三「多智能体决策支持」将引入多个专业 Agent 协作：
- 市场研究员 Agent：负责信息收集
- 竞品分析师 Agent：负责竞品对比
- 风险评估师 Agent：负责风险识别
- 报告撰写 Agent：负责综合输出
四个 Agent 在 Supervisor 的协调下，完成单个 Agent 无法完成的复杂决策任务。这是 Agent 技术的终极形态——从「一个人」到「一个团队」。
七、本课小结
- 场景二从需求到交付共计 9 课，构建了完整的 Text-to-SQL Agent
- 效率提升 120-360x，ROI 达 52x
- 关键技术：Tool Calling、ReAct、LangGraph、Plan-and-Execute、HITL
- HITL 是准确率的关键保障，在关键步骤加入人工确认
本课为复盘课，无代码。
