9 月 22 日腾讯云数据智能体 TCDataAgent 升级发布新版本 AVA定位升级为“DataAI 数字员工”并演示了 TCDataAgent-AVA 与数据湖计算 DLC、弹性 MapReduceEMR、数据仓库 TCHouse、腾讯云 ElasticsearchES等大数据引擎结合后的能力围绕数据分析、数据工程和智能运维场景用户在腾讯 WorkBuddy 中以自然语言描述目标即可完成取数、分析与运维等具体任务。这个说法听起来像一次产品包装但它对应的问题很具体。企业最早把 AI 接进数据平台通常是让它写 SQL、查数、画图。模型能力变强之后麻烦开始出现在后半段报告发现指标异常谁去继续检查数据任务业务知道想做什么却不知道该进哪个控制台、填哪些参数集群告警了还要把指标、日志、运行上下文和历史经验放在一起判断再决定扩容、重启还是调配置。这些工作分散在分析、工程、运维几个团队也分散在多个控制台和流程里。腾讯云大数据这次做的是把这些断点接起来。用户在 WorkBuddy 中发起任务数据和语义先统一Agent 理解任务再通过 Skill/MCP 调用平台能力执行工程和运维操作最后用 Eval/Trace 验证结果并把上下文和经验继续沉淀下来。这些能力也可以在腾讯云控制台内使用。数据平台由此多了一个新的使用者除了人还要直接给 Agent 用。分析完以后谁来接着干传统数据工作的断点并不抽象。分析可以给出结论但往往停在报告数据工程依赖控制台、代码和参数配置业务目标和底层工具之间隔着操作门槛到了运维告警、日志、专家经验和处置记录又散在不同系统里。腾讯云把 TCDataAgent 的能力拆成两部分数据智能负责理解数据、交付洞察系统智能负责理解目标、完成操作目标是把“理解—洞察—执行—反馈”串起来。因此TCDataAgent-AVA 处理的已经不是一个单独的 NL2SQL 问题。数据智能侧它可以接数据库、数仓、本地文档、网页和 COS 文档等数据Document AI 负责文本解析、表格提取、智能分段、章节总结、图片和图表理解再把这些结果接到 AI Search、数据分析和报告生成。结构化分析加入统一语义层系统从元数据、数据概要和字段注释里形成增强语义再接入业务名词、业务规则和指标。Agent 选完表后根据数据源类型生成 SQL 或 DSL并结合执行结果、约束验证和上下文继续优化。非结构化内容则把 BM25、Vector Search、GraphRAG 和 TreeRAG 组合起来经过查询解析、多路召回、重排融合、上下文组装和生成引用尽量同时保留语义相关性、业务上下文和来源依据。再往上是 Multi-Agent 编排Planner 拆任务Retrieval 并行调检索、知识图谱和 NL2SQLAnalysis 做交叉验证和补充检索Report 负责生成文本、表格、图表与引用最后由 Eval Agent 做自动评估和归因。数据 Agent 的工作范围由此继续往后延伸找到数据之后还要把计算、分析、验证和交付一起做完。Agent要动系统光会调API不够数据智能解决“看懂数据”系统智能要解决的是另一个问题Agent 能不能在生产环境里安全地动系统。TCDataAgent-AVA 的控制链路是自然语言目标和业务上下文进入后Agent 先做意图识别、目标拆解、工具选择和动态定序执行前经过 Policy Guardrails 做权限校验、风险分级和确认随后调用实例、资源、索引、配置、查询、巡检和诊断等工具最后用 Eval Trace 检查结果并反馈复验关键动作仍然保留 Human-in-the-loop。TCHouse 的演示把这套方式落到了购买选型、数据建模和运行诊断。选型阶段TCDataAgent-AVA 根据数据量、写入方式、查询复杂度、并发量、响应时间、服务目标和成本约束通过 MCP 获取地域、可售规格、产品配置和实时询价给出候选方案和成本预估。建模阶段它会先结合业务口径再检查表结构例如“按天统计 GMV、按渠道分析变化”需要先明确订单状态、退款处理、日期和渠道字段再读取 TCHouse-C / D 的建表语句结合数据规模、写入方式和典型查询提出调整建议。进入生产运行后Agent 会先确认异常时间和影响范围再关联运行中查询、慢查询和 SQL 历史结合执行计划、Query Profile 与表结构形成证据链区分问题出在 SQL、任务限制还是资源竞争之后才给出 SQL 改写、模型调整、并发控制或资源隔离方案并要求用结果、耗时和资源变化重新验证。这里最明显的变化是 Agent 开始从查询层进入控制面和生产环节。它不只回答“发生了什么”还要继续处理“下一步怎么做”和“做完以后有没有生效”。MCP管执行Skill管判断在运维场景中仅会调用 API 远远不够。腾讯云 ES 团队总结了三个问题很多指标和阈值只存在于资深工程师的个人经验中经验难以复制告警出现之后下一步做什么没有统一顺序扩容、重启、改副本数、关闭索引等操作又有明确安全红线。难点不在“能不能调接口”而在什么时候调、调哪个、结果怎么判断。腾讯云 ES 因此采用 MCP Skill 双层架构。MCP 负责连接、取数和执行把 ES 管控面与数据面 API 封装成标准工具鉴权留在连接器宿主层Skill 本身不接触、存储或回显 SecretId、SecretKey。Skill 则承载判断和 SOP把指标分层、阈值、扣分档位、安全红线以及“症状 → 首选工具 → 深度诊断”的路由显式写进规则而不是让模型临场自行判断。目前腾讯云 ES 拆出了三个 Skill智能诊断 Skill 只有只读权限开放 29 个只读 Tool管控面变更 Skill 提供 8 个写 Tool可进行节点或磁盘扩容、滚动重启、Kibana 重启和容量预测数据面运维 Skill 也有 8 个写 Tool覆盖未分配分片、settings 调优、解除只读阻塞、别名切换和索引滚动等操作。三类 Skill 合计对应 45 个 MCP Tool、6750 行规则与文档。权限边界没有交给模型自行决定。诊断 Skill 永远不能执行变更写操作必须二次确认高风险动作还会进一步加码确认执行之后需要重新读取状态。Agent 一旦进入生产系统模型能力只是其中一层SOP 能否固化、权限能否约束、专家经验能否转成可执行规则会直接决定它能不能真正接手运维任务。Agent深入生产底层平台先得合并Agent 能不能完成这些工作最终取决于底层数据平台。腾讯云 EMR 团队将传统 DataAI 分离式架构的问题归纳为四个方面大数据和机器学习依赖两套资源体系数据在两套平台之间来回搬运结构化数据和多模态数据缺乏统一的元数据、权限、生命周期和血缘团队还要同时维护多套系统。新一代 EMR 因此被定义为 DIaaSData Intelligence as a Service一体化数据智能平台核心是四个统一TCLake 与 TCCatalog 负责统一存储与元数据统一调度把 CPU、GPU 资源放进同一套体系统一计算由 Meson 高性能计算引擎承担向下兼容 Spark、StarRocks、Trino、Tez 等大数据负载同时覆盖 Pandas、Scikit-learn、TensorFlow、PyTorch、MLflow、Ray 等机器学习与 MLOps 场景最上层再由 TCDataAgent-AVA 提供统一开发入口把 DataOps、MLOps 和 LLMOps 接起来。因此本次发布的 TCDataAgent-AVA 并未停留在单一产品而是同步接入了 DLC、EMR、TCHouse 和腾讯云 ES。Agent 越往生产系统深入底层平台越要把数据、计算、权限、Catalog 和 API 整理成机器可以理解和调用的能力MCP 暴露工具Skill 组织经验Semantic Layer 提供业务语义Guardrails 控制权限Eval 与 Trace 负责结果验证。从买资源到运维Agent开始跑全流程将上述能力放到数据平台完整生命周期中看TCDataAgent-AVA 的能力边界已经明显外扩。腾讯云给出的路线从购买选型开始一直延伸到迁移、日常使用和运维调优资源规划 Agent 根据场景推荐产品组合和规格迁移 Agent 配合自动迁移工具与校验机制完成上云数据分析与工程 Agent 负责查询、配置和平台管理进入生产后再由智能运维 Agent 做自动诊断、运维和调优。这套模式已在真实客户场景中落地。一家报业客户需要从大量新闻稿件中检索政府官员和活动信息完成分类统计并自动生成报告但数据分散在不同系统和不同模态中人工维护又容易产生更新滞后。接入 TCDataAgent-AVA 后数据更新时效保持在天级多个 Agent 自动完成任务拆解、检索、统计和报告生成用户通过同一对话入口即可完成从检索、分析到报告的全过程最终报告支持全链路溯源。从这些演示看写 SQL、画图表已经只是入口。Agent 真正进入数据工程和生产运维后平台要同时解决三件事既要看得懂企业数据也要能调用真实系统并且每一步操作都留在权限、规则和证据之内。TCDataAgent 从“大数据分析智能体”升级为“DataAI 数字员工”变化不只在产品定位上。腾讯云正在把原来给人使用的存储、计算、语义、权限和运维能力重新整理成一套 Agent 能理解、调用、执行和验证的基础设施。数据平台的服务对象开始从人扩展到人和 Agent。行业和客户需要的不只是谁能先把大模型接进数据平台更是谁能把企业数据、业务语义、系统工具和专家经验连成一条能持续运行的任务链。