李飞-Multi-Agent架构驱动的Data Agent路线与工程实践.pdf

《李飞-Multi-Agent架构驱动的Data Agent路线与工程实践.pdf》由会员分享，可在线阅读，更多相关《李飞-Multi-Agent架构驱动的Data Agent路线与工程实践.pdf（38页珍藏版）》请在三个皮匠报告上搜索。

1、演讲人：李飞0102030405Data Agent架构的演进路径Data Agent 的核心能力架构拆解与工程实现实践经验分享未来展望01Data Agent架构的演进路径单Agent到多Agent的进化单Agent多Agent单Agent无法精通所有的技能，各个领域的规划执行流程不同，使用的工具也不尽相同.多Agent降低工具和知识的搜索空间，保证任务聚焦和独立优化。Agent通过引入规划、记忆、工具使用这三个核心功能，提高大模型落地的稳定性，从好玩向好用迈进。中心化和去中心化智能体架构Coordinator统一接收所有Agent的信息，决策后再分发任务。所有Agent仅与中央节点通信。C

2、entral CoordinatorAgent2Agent1Agent3Agent1Agent2Agent3Agent独立决策，通过点对点通信协作，适合高实时性、隐私敏感场景。AWS Bedrock MAC，ReAct等斯坦福小镇，TAG等强于全局优化，但面临单点瓶颈，例如coordinator扩展性优异（如斯坦福小镇的开放交互），但需解决非平稳性问题Function Call vs MCP vs A2AFunction Call不是协议，是大模型提供的一种能力，允许模型根据自然语言指令自动调用预定义函数，实现与外部工具的连接，但它并非统一标准 不同厂商对其接口格式、参数定义等有独立实现。MC

3、P是跨模型、跨工具的统一交互标准，不仅规范了工具调用（如函数描述、参数格式），还整合了 Prompts、资源管理等上下文体系。但生态成熟度不足，企业引入可能会造成运维负担，其标准化设计难以满足垂直领域的定制需求（如安全审计、数据隔离）A2A则解决多个Agent如何协作，通过标准化Agent间通信，推动了多Agent系统的互操作和协作创新010203Function CallMCPA2A本质是快速“规模化”。Data分析的全流程Data SourceMetric ADataset C（Multi Metric/MultiDim）Data Model AData Source BData Sour

4、ce AData Source CData Source DData Source EData Source FData Model BMetric BMetric CMetric DMetric EMetric FDataset D（MultiModel/Multi Metric/MultiDim）Dataset A（Single Metric/Time-Series）Dataset B（Single Metric/MultiDim）Data ModelMetricDatasetInsightInsight A(Trend Analysis)Insight B(Attribution Ana

5、lysis)Insight C(Rank Analysis)ReportReport AReport BReport CMetric：解决业务语义构建与提取的问题Insight：解决数据到洞见的问题Report 解决洞见到结论/建议的问题“首先分析我们自己的收入指标增速，然后对比竞争对手的公开数据情况进行首先分析我们自己的收入指标增速，然后对比竞争对手的公开数据情况进行benchmarkbenchmark分析，然后结合分析，然后结合websearchwebsearch新闻，最后新闻，最后给我写一个给我写一个完整的调研报告完整的调研报告”ETL 解决数据清洗的问题能像分析师专家一样规划：Data

6、领域的“Multi-Agent”架构是如何运行的Expert RecruitmentExpert Recruitment查数专家画图专家检测专家解读专家规划专家Goal看下近7天基金申购人数，哪个渠道跌得最多，写个详细的总结报告GroupCollaborative DecisionCollaborative Decision-MakingMaking查数专家归因专家报告专家Action ExecutionAction ExecutionAgents:Agents:ActionsActions：要素识别逻辑识别维度归因因子归因报告填充可视化EvaluationEvaluation用户想要的Swi