模型压缩+算子优化全公开，Open-AutoGLM手机部署难点一次说清
2025/12/25 17:16:42
2025年，既是公认的智能体（Agent）落地元年，更是数据智能发展的关键拐点。
作为AI技术在数据领域的核心应用，数据分析Agent在这一年实现了突破性能力飞跃与企业级项目落地。回溯技术演进脉络，从2023年LLM打破自然语言理解的桎梏，到2025年Agent技术赋予数据应用自主规划、执行、反思的闭环能力，数据分析的演进始终围绕降低使用门槛、提升分析效率、深化数据价值的核心目标。数据分析Agent的落地，标志着企业数据消费的主逻辑，将从依赖专家经验的“集中式解读”，转向由AI智能体赋能的“普惠式生成”，真正破解数据规模与决策效能之间的长期矛盾。
作为系统性解读AI数据分析领域的研究报告，阿里云智能集团旗下的瓴羊最新发布的《2025数据分析Agent白皮书》 致力于厘清技术架构、梳理落地路径、展示行业实践，为这场正在发生的数据变革提供一份关键的指向路标。
本白皮书总共分成7大章节，从理论到实践，深入浅出地解析数据分析Agent的演进、实践和未来演进路径。以下为《2025数据分析Agent白皮书》的部分精彩概要：
01
演进路径
从“人人都是数据分析师”转向“人人都是数据消费者”
数据分析Agent是AI技术在数据领域的核心应用，也是当前AI Agent落地的核心形态。其技术核心是以大模型为智能中枢、多Agent协同为执行架构，实现“数据获取-分析结论-策略输出-报告撰写” 的自动化全流程。
除了AI技术带来的革命性突破以外，数据分析Agent的出现也是数据分析行业数十年技术迭代与业务需求升级的必然结果。行业发展历程可划分为三个阶段，每一轮演进都围绕着降低使用门槛、提升分析效率、深化数据价值的核心目标展开，最终指向了Agent驱动的智能助手。
随着 AI 技术与数据体系的深度耦合，数据分析Agent正告别产品创新功能的初期探索阶段，进入规模化落地周期。这一阶段的产品打磨将围绕让更多人用起来、在更多场景跑起来、为企业带来实在价值三大目标。通过低门槛打破推广壁垒、多场景拓宽应用边界、实用性夯实落地根基，三者共同推动AI数据分析逐渐转变为企业必备的分析决策基础设施。
02
技术解构
三层智能体架构驱动深度分析
数据分析Agent、ChatBI、NL2SQL、Data Agent等诸多的专业词汇及新兴概念让人目不暇接。而涉及到多源、动态且庞大的复杂数据以及专业化、领域化的技术实践，即使是数据产品经理或者AI产品经理，也很难对当前AI数据分析领域的技术与产品发展做出深度解读与判断。
- 什么是NL2SQL、NL2DSL、NL2Code？非技术人员如何快速理解这些技术路线的优劣势？
- ChatBI、Data Agent、数据分析Agent是一个东西吗？
- 数据分析Agent在技术上做了什么创新？和把数据传到通义千问里分析相比，有什么本质上的差异？
在本篇白皮书中，我们尝试用简洁易懂的语言概括以上问题，并将数据分析Agent的技术内核拆解为多个不同能力组合的Agent能力。
- QueryAgent：准确的数据获取及统计的能力，这是基础，我们称之为取数
- DocumentAgent：非结构化数据分析的能力，这是扩展，我们称之为理解
- DeepAnalyzeAgent：复杂问题理解并输出分析报告的能力，这是升阶，我们称之为分析
除了技术内核，要解决取数类问题、分析类问题并广泛落地，必备一个强大的端到端应用框架。因此需要搭配用户级交互体验的工程能力，比如数据可视化展示与交互、企业级加速引擎、数据安全的管控及稳定性保障。
03
行业实践
业务场景+智能体驱动带来可量化价值
短期内，数据分析Agent将作为“超级辅助”，在自动报告生成、智能归因分析、预测性洞察等方面大幅提升效率。长期看，它将与企业的业务系统深度集成，推动“人驱动流程”转向“智能体驱动流程”，实现“洞察即行动”的自动化闭环，真正重塑企业的决策和运营模式。
本篇白皮书中详细介绍了目前数据分析Agent在能源、制造、零售等多个行业头部企业的落地实践。
04
落地之路
场景选准、数据筑基、工具配强、组织拉通
瓴羊基于与上百家头部企业的合作经验，发现数据分析Agent项目成功落地需具备四大特征：场景选择需与用户价值期待对齐并循序推广；数据准备是准确性与深度的基石；工具选择需要找到稳定可靠的企业级方案；组织上必须实现业务、数据与技术团队的深度协同。
同时需避免三大陷阱：管理期望与项目目标要对齐清晰；始终关注业务价值而非过度追求技术；与业务方共创而非对抗测试，以迭代思维推进落地。
05
未来展望
准度、深度、广度不断加深，AI重构数据消费
展望未来，数据分析Agent的演进之路清晰而坚定：它正在系统性地突破数据准度、分析深度与消费广度三大核心挑战，引领数据消费范式发生根本性转变。
在准度层面，需要综合性的体系化方案，从根本上夯实可信分析的基石——从专项模型训练、高质量基础数据集的构建，到完备的企业级数据语义与知识库的建立。
在深度层面，数据知识化是明确趋势。这意味着不仅要连接高频业务数据，更要通过面向AI的数据工程、大小模型的协同与高质量非结构化数据的融合，将原始数据转化为可指导行动的策略知识，实现从描述现状到诊断归因、甚至预测推演的跨越。
在广度层面，要真正实现从被动的“人找数”进化为主动的“数找人”，并最终抵达流程化的“智能行动”，这要求数据分析深度融入业务肌理，与企业现有的OA、CRM等系统无缝结合，并配备完善的安全、权限与主动推送能力，使数据洞察能在恰当的时间、以合适的方式，自动触达需要它的人与流程。
我们正见证一个更本质的变革：AI正在消融传统工具的形态，让数据智能如同流水般，自然渗透到每一个业务场景之中。想象这样的未来：生产线主管一句话便可获知良率波动的自动归因报告；财务总监步入会议室时，现金流预测看板与决策建议已同步呈现；一线员工通过语音对话即可完成深度分析，管理层基于实时洞察敏捷调整战略。
站在 2025 年的节点回望，这场以AI重构数据消费的旅程，才刚刚启航。向前看，随着Agent技术突破，垂直能力深化与治理体系完善，数据不会再受到技术门槛束缚，而是成为每个员工触手可及的能力，数据产品将推动决策效率转化成为企业真正的竞争优势。而在开启这一未来的过程中，这份《2025数据分析Agent白皮书》希望能对关心AI数据分析发展的读者们有所启发。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。