在传统BI的世界里，数据分析遵循着一个固定的剧本：用户提出问题，系统返回答案。这个剧本已经上演了数十年，但它有一个根本性的缺陷——用户必须知道要问什么。

现实中，大多数业务问题并不是以“问题”的形式出现的。它们隐藏在数据的细微波动里，潜伏在指标的异常变化中，只有当问题已经造成影响后，用户才会意识到“应该问点什么”。这时候，往往已经错过了最佳干预时机。

衡石科技的Agentic BI试图改写这个剧本。它的核心是一个具备感知、思考、行动能力的AI代理。这个代理不等待用户提问，而是持续监控数据、主动发现异常、深入分析原因、自动推送洞察，并在需要时触发行动。本文将深入解密这一AI代理的技术架构，揭示“感知-思考-行动”闭环的实现原理。

一、整体架构：三层一体的代理大脑

衡石Agentic BI的AI代理采用三层一体的架构设计：

┌─────────────────────────────────────────────────────────────┐ │ 行动层（Act） │ │ (洞察推送、行动建议、API调用、工作流触发) │ └─────────────────────────────────────────────────────────────┘ ↑ ┌─────────────────────────────────────────────────────────────┐ │ 思考层（Think） │ │ (意图理解、任务规划、归因分析、决策生成) │ └─────────────────────────────────────────────────────────────┘ ↑ ┌─────────────────────────────────────────────────────────────┐ │ 感知层（Sense） │ │ (数据监控、异常检测、上下文捕获、用户行为分析) │ └─────────────────────────────────────────────────────────────┘ ↑ ┌─────────┴─────────┐ │ 数据源与语义层 │ │ (指标仓库、数据连接) │ └───────────────────┘

这三层形成一个完整的闭环：感知层持续捕获信号，思考层进行深度处理，行动层输出价值。同时，行动的结果又会反馈回感知层，形成持续优化的学习循环。

二、感知层：AI代理的“感官系统”

感知层的任务是让AI代理能够“看见”和“听见”业务世界的变化。它由四个核心模块组成：

2.1 实时数据监控

AI代理需要持续监控企业核心指标的变化。衡石的实时监控引擎基于流处理架构构建：

• 数据接入：通过Kafka或类似消息队列，实时接入业务系统的数据流

• 窗口计算：使用Flink等流处理框架，维护滑动窗口内的指标聚合

• 基线维护：为每个指标建立历史基线，包含趋势性、周期性等特征

监控引擎的性能指标：

• 单节点可监控10万+指标序列

• 端到端延迟控制在5秒以内

• 支持秒级、分钟级、小时级多粒度监控

2.2 智能异常检测

监控只是收集数据，真正的挑战是识别什么值得关注。衡石的异常检测模块采用集成算法策略：

算法一：统计方法（3-sigma、IQR）

• 计算历史数据的均值和标准差

• 将超出均值±3倍标准差的数据点标记为异常

• 适用于分布相对稳定的指标

算法二：时间序列分解（STL）

• 将时间序列分解为趋势项、季节项和残差项

• 在残差项上检测异常，排除周期性和趋势性波动

• 适用于有明显周期性的指标（如日周期、周周期）

算法三：机器学习模型（孤立森林）

• 对于分布复杂、无明显规律的指标，采用无监督学习

• 通过随机切割特征空间，识别容易被“孤立”的点

• 适用于高维度和复杂分布场景

算法四：预测偏差检测（Prophet）

• 先用Prophet模型预测指标当前值

• 如果实际值超出预测区间，则触发异常

• 适用于有较强趋势性和季节性的指标

集成策略：多种算法并行运行，采用加权投票机制决定是否触发异常。算法权重根据历史准确率动态调整。

2.3 上下文捕获

异常本身只是一个信号，要理解异常的意义，需要结合上下文。衡石的上下文捕获模块持续收集：

• 业务上下文：当前时间、季节、业务周期（如大促期间）

• 用户上下文：谁在关注这个指标？他们的角色和权限？

• 关联上下文：哪些其他指标也在发生变化？

• 历史上下文：过去类似异常的处理结果？

这些上下文信息会与异常信号一起，传递给思考层进行深度处理。

2.4 用户行为分析

除了数据监控，AI代理还需要理解用户的行为模式：

• 用户经常查看哪些指标？

• 在什么时间查看？

• 收到洞察后是否采取行动？

• 对哪些类型的预警反馈“有用”？

这些行为数据用于构建用户画像，指导后续的推送策略和个性化服务。

三、思考层：AI代理的“大脑”

感知层收集了原始信号，思考层的任务是理解这些信号并决定如何应对。这是整个架构中最复杂的部分。

3.1 意图理解

当感知层触发一个异常事件，或用户主动发起提问时，思考层首先需要理解“发生了什么”。衡石的意图理解引擎基于大语言模型构建，但针对分析场景进行了专门优化：

实体识别：从问题或事件中提取关键实体

• 指标实体：“销售额”、“客单价”、“活跃用户”

• 维度实体：“华东区”、“手机产品线”、“新客户”

• 时间实体：“上个月”、“去年同期”、“最近7天”

• 条件实体：“超过10%”、“排名前5”、“低于平均值”

意图分类：判断用户或事件想要什么

• 查询类：“销售额是多少？”

• 对比类：“和上个月比怎么样？”

• 归因类：“为什么下降？”

• 预测类：“下个月会怎样？”

• 行动类：“需要做什么？”

歧义消解：处理业务术语的模糊性

• “客户”可能指“成交客户”或“潜在客户”

• “销售额”可能含税或不含税

• 系统结合用户画像和历史行为进行消歧，必要时主动反问确认

3.2 任务规划

理解意图后，代理需要规划如何实现目标。衡石的任务规划引擎采用分层规划策略：

宏观规划：将复杂任务分解为多个子任务

• 例如：“分析销售额下降原因”分解为：

  • 计算总销售额变化

  • 多维度下钻（区域、产品、渠道）

  • 相关性分析（广告、库存、竞品）

  • 因果推断

  • 生成报告

微观规划：为每个子任务选择最优执行路径

• 哪些计算可以下推到数据库？

• 哪些需要调用算法模型？

• 哪些可以复用缓存结果？

动态调整：根据中间结果实时调整后续规划

• 如果维度下钻发现主要问题在华东区，后续分析聚焦华东

• 如果相关性分析发现高度相关的指标，深入探索该指标

3.3 归因分析

归因是思考层的核心能力。衡石的归因分析引擎综合运用多种技术：

多维度下钻

• 系统自动遍历所有相关维度，计算每个维度组合对整体异常的贡献度

• 输出贡献度排名，定位主要问题所在

相关性分析

• 计算异常指标与其他指标的相关性系数

• 识别高度相关的指标，提供潜在原因的线索

因果推断

• 采用格兰杰因果检验，判断指标间的时序因果关系

• 结合业务知识图谱，优先考虑已知的业务因果关系

• 输出最可能的因果路径，如“广告预算缩减 → 广告点击率下降 → 流量下降 → 销售额下降”

同期群分析

• 对于用户行为类指标，构建异常发生前后的同期群

• 对比不同群体的行为差异，定位问题是否集中在特定用户群体

3.4 决策生成

归因分析得出“为什么”，决策生成回答“怎么办”。衡石的决策引擎基于规则和模型的混合架构：

规则库：预定义业务规则

• “当库存低于安全线时，建议补货”

• “当客户活跃度连续下降时，创建跟进任务”

• 规则可由业务人员通过可视化界面配置

模型推荐：基于历史数据训练推荐模型

• 学习过去类似场景下哪些行动最有效

• 输出带有置信度的行动建议

风险评估：评估每个行动的风险等级

• 高风险行动（如大额折扣）需人工确认

• 低风险行动（如发送提醒）可自动执行

最终输出的决策包包含：

• 洞察结论（发生了什么、为什么）

• 行动建议（建议做什么）

• 置信度评分（有多确信）

• 可解释信息（为什么这样建议）

四、行动层：AI代理的“手脚”

思考完成后，代理需要将决策转化为行动。行动层负责执行和反馈。

4.1 洞察推送

洞察不是简单的文本，而是结构化、可交互的智能卡片：

{ "insight_id": "insight_12345", "title": "客户流失风险预警", "summary": "客户'XX科技'近30天登录次数下降80%，3个售后工单未解决", "severity": "high", "confidence": 0.92, "details": { "metrics": ["登录次数", "工单数"], "dimensions": ["时间", "客户"], "attribution": "主要原因是近期系统故障导致用户体验下降" }, "actions": [ { "label": "创建跟进任务", "type": "api_call", "endpoint": "/api/tasks", "payload": { "type": "customer_followup", "customer_id": "c12345", "priority": "high" } }, { "label": "查看详细分析", "type": "navigation", "url": "/analytics/customer-risk/c12345" } ] }

推送支持多通道：

• 产品内通知：在工作台、看板顶部展示

• 即时通讯：通过钉钉、飞书、企业微信推送

• 邮件：生成每日/每周洞察摘要

• 移动推送：通过App推送重要预警

4.2 行动执行

当用户点击行动按钮，或系统触发自动执行时，行动层负责：

API调用：调用SaaS产品的业务API

• 创建任务、发送通知、调整配置

• 支持动态参数注入（如自动填充客户ID）

工作流触发：启动预定义的业务流程

• 审批流程、采购流程、挽回流程

• 与BPM系统深度集成

指令下发：向其他系统发送指令

• 调整广告出价、触发弹性扩容、锁定风险账户

4.3 反馈收集

行动的终点不是执行，而是学习。衡石的反馈收集模块记录：

• 用户是否查看了洞察？（隐式反馈）

• 是否点击了行动按钮？（采纳率）

• 行动后的结果如何？（效果评估）

• 用户是否标记了“有用”/“无用”？（显式反馈）

这些反馈被持续用于优化：

• 异常检测阈值调整（减少误报）

• 归因算法权重优化（提高准确率）

• 推送时机和渠道优化（提升转化率）

• 个性化模型更新（更好地理解用户偏好）

五、闭环的生命周期：从感知到学习的完整循环

让我们通过一个具体案例，追踪AI代理完成一次“感知-思考-行动”闭环的全过程：

场景：某电商SaaS平台的AI代理监控着数千家店铺的销售数据。

第一阶段：感知

• 凌晨2点，感知层监测到店铺A的“支付转化率”在1小时内从5%骤降到2%

• 异常检测模块确认：偏离基线超过4倍标准差，置信度95%

• 上下文捕获：今天是工作日，没有大促活动，店铺A是重点客户

• 事件触发，传递给思考层

第二阶段：思考

• 意图理解：这是一个“异常归因”任务

• 任务规划：

  • 计算总转化率变化

  • 按渠道、设备、地域等多维度下钻

  • 相关性分析（广告、流量、竞品）

  • 生成归因报告

• 归因分析：

  • 维度下钻发现：下降主要集中在“来自今日头条广告的流量”

  • 相关性分析：广告点击率同步下降85%，高度相关

  • 因果推断：广告系统接口超时，导致落地页加载失败

• 决策生成：

  • 洞察结论：转化率下降由广告系统故障导致

  • 行动建议：切换广告渠道、发送预警通知

  • 置信度：92%

第三阶段：行动

• 系统生成洞察卡片，通过企业微信推送给店铺运营经理

• 卡片附带两个行动按钮：“查看详细分析”、“暂停头条广告”

• 运营经理点击“暂停头条广告”，系统自动调用广告平台API暂停投放

• 同时生成“故障复盘”任务，指派给技术团队

第四阶段：反馈

• 系统记录：洞察被查看、行动被采纳

• 1小时后，监测到转化率逐步恢复，记录“行动有效”

• 将这次事件的完整数据存入案例库，用于未来优化模型

六、技术挑战与解决方案

6.1 实时性与深度分析的平衡

挑战：实时监控需要低延迟（秒级），但深度归因需要复杂计算（可能需要秒到分钟级）。

解决方案：

• 分层计算：实时层做轻量级检测，只识别“可能异常”；深度层异步计算，结果缓存复用

• 流批一体：采用Lambda架构，流处理保障实时性，批处理保障深度分析

• 优先级调度：重要客户的请求优先处理，普通请求排队执行

6.2 误报控制

挑战：过于敏感的异常检测会产生大量误报，导致用户“狼来了”效应。

解决方案：

• 集成算法：需要多种算法一致判定才触发告警，降低误报率

• 动态阈值：根据用户反馈自动调整检测阈值

• 分级预警：设置提示级、警告级、严重级，只有严重级才推送

6.3 因果推断的准确性

挑战：相关性不等于因果性，错误归因可能误导决策。

解决方案：

• 多证据融合：结合维度贡献度、相关性、因果检验、业务规则等多重证据

• 置信度评分：标注归因结果的置信度，让用户知道哪些结论可靠

• 可解释设计：展示推理过程，用户可以验证和质疑

6.4 大规模并发

挑战：当监控的指标达到百万级，同时有大量用户在线时，系统可能过载。

解决方案：

• 水平扩展：无状态设计，支持横向扩展

• 缓存策略：多级缓存，热点数据内存缓存，次热点Redis缓存

• 服务降级：高负载时，优先保障核心客户的监控质量

七、未来演进：从单代理到多代理协同

衡石对Agentic BI的下一阶段想象是多代理协同：

专业分工：不再是一个通用代理，而是多个专业代理协同工作

• 销售代理：专注于客户、商机、业绩数据

• 客服代理：专注于工单、满意度、服务时效

• 供应链代理：专注于库存、采购、物流

跨域协作：代理之间可以相互对话

• 销售代理发现业绩下滑，主动询问营销代理：“最近渠道流量有异常吗？”

• 营销代理回复：“广告点击率下降20%，可能影响”

• 两者共同生成综合报告，推送给运营总监

自主决策：对于确定性高、风险可控的场景，代理可以自主执行

• “检测到服务器资源使用率持续超过90%，已自动触发弹性扩容”

• “识别到恶意刷单行为，已自动锁定账户并发送通知”

这种多代理协同架构，将让AI代理从“单个助手”进化为“整个团队”，为企业提供全方位的智能决策支持。

八、结语：从“工具”到“伙伴”的进化

Agentic BI的“感知-思考-行动”闭环，标志着数据分析从“工具”到“伙伴”的进化。它不再是等待指令的被动工具，而是能够主动观察、深入思考、果断行动的智能伙伴。

对于SaaS厂商而言，这意味着可以为自己的产品注入真正的“智能基因”。当产品中的AI代理能够7×24小时守护客户的业务，在问题发生的第一时间发现、分析、解决，产品就从“记录工具”进化为“决策伙伴”，从“功能平台”进化为“智能环境”。

衡石科技的Agentic BI架构，正在让这一愿景成为现实。通过构建完整的“感知-思考-行动”闭环，衡石让AI代理真正具备了“看见”业务、“理解”问题、“推动”行动的能力。而这，正是智能分析的下一个十年。