数据智能组AI建设与落地分享 · 刘艳茹

AI 正在改变工作方式

多人围桌开会并与 AI 同事协作的办公室插画
01 AI 的能力边界正在变化

AI 已经从“回答问题”，开始走向“参与工作”

过去我们更多把 AI 当作问答入口；现在它正在进入具体工作环节，连接系统、理解数据、调用工具，并参与任务执行。

过去：问答式使用

  • 在豆包、通义千问、DeepSeek、ChatGPT 等平台提问
  • 主要产出解释、总结、改写、思路建议
  • 价值依赖个人是否会问、是否会追问
聊天问答 知识解释 文本生成
→

现在：进入工作链路

  • 跨平台、跨服务器跳转，承接重复性操作
  • 大模型结合业务数据，完成智能分析与归因
  • 从波动识别、异常预警，延伸到任务闭环处理
任务执行 工具调用 自动化办公 智能分析
能问 回答问题、生成内容、解释概念
能懂 理解业务口径、数据含义、代码逻辑
能做 调用工具、执行流程、完成重复任务
能沉淀 形成 Agent、Skill、工作流和团队资产
02 AI 在日常工作中的提效方式

个人侧提升执行效率，组织侧沉淀可复用能力

个人用 AI 工具改变工作方式；团队把高频、重复、判断标准明确的工作封装起来，让能力从个人经验变成组织工具。

个人视角：把 AI 当作工作伙伴
适合处理代码、文档、分析框架、资料整理、重复操作和跨工具协作。
Codex 能力覆盖更全面，可作为 AI 办公助理理解任务目标、操作本地文件与工具、跨应用执行流程，并辅助完成从分析到交付的复杂工作。
Claude Code 更适合工程开发场景，擅长长上下文代码库理解、复杂需求拆解、跨文件改造、重构建议和问题定位，适合处理需要持续推理的开发任务。
WorkBuddy / QoderWork 适合国内工作环境下的办公提效、代码辅助、流程处理。
Cursor / Trae 适合开发过程中的代码补全、重构、调试和工程理解。
组织视角：把经验封装成 AI 资产
不是每个人各自摸索，而是把规则、经验、标准口径沉淀下来，做成可以持续调用的能力。
业务场景 高频、重复、有明确判断标准
专家经验 业务规则、策略口径、分析方法
能力封装 Agent、Skill、工作流、MCP
团队资产 可复用、可迭代、可治理的 AI 工具
快减少重复处理和等待时间
准统一判断口径与执行标准
稳把流程、校验和兜底固化
复用从一次使用变成持续能力
03-1 我们的来时路

AI 应用能力逐步上升，从工具探索走向业务真实工作流

从验证工具可用性，到模型私有化、低代码应用搭建、Skill 与工具调用，再到面向风险全链路的超级机器人，能力逐步贴近真实工作。

25 年初

CybotStar 探索

验证 AI 工具在真实工作中的可用性，完成早期工具探索与应用可行性判断。

  • AI 工具可用性验证
  • 真实工作场景试用
  • 后续私有化和应用搭建的基础探索
25 年
4 月

Ollama
私有化部署

完成本地模型部署，让数据安全可控，并通过 API 调用支撑 AI 应用。

  • 智能告警
  • 智能值班系统（OPC）
  • QueryHub（OPC）
  • 数据质量分析（OPC）
  • 智能归因平台（OPC）
25 年
7 月

Dify

从工作流编排和低代码搭建进入业务应用，Doris MCP 接入后开始承接数据和风险场景。

  • AI 数据资产
  • 模型分析/推荐
  • 风险变量查询
  • 特征平台查询
  • 策略自动化开发
  • Applist分析
  • 策略查询&部署
26 年
3 月

QwenPaw

开始面向具体业务流程，使用 Skill、上下文连续和工具调用承接任务。

  • 自然语言查询&部署策略
  • 智能问数(风险)
  • 机构风险监控归因
  • 策略开发
  • 智能周月报
  • L 标签扩量分析
26 年
5 月

AutoRisk
超级机器人

沉淀自动化与智能协作统一入口，把风险工作中的查询、解读、执行、分析串起来。

  • 智能建模
    • 智能取样
    • 特征回溯
    • 自动建模
    • 模型打分
  • 智能策略
    • 策略开发
    • 策略查询&部署
  • 智能分析
    • 智能周月报
    • 机构风险监控与归因
    • L标签扩量分析
  • 提效工具
    • jupyter&hive文件互传
这条路径的变化不是“工具越来越多”，而是能力从可用性验证，逐步走向可部署、可调用、可执行。
03-2 我们的实践场 / 01

AI 数据资产：让数据资产从“能查到”走向“能理解、能定位”

面向数据资产查询、定位和答疑场景，把传统人工查找和反复沟通，转化为更智能的资产检索与使用入口。

采集自动化、更新实时化、应用智能化

重点解决传统数据资产工具滞后、表名查询不准、开发答疑成本高的问题。

表名查询 Comment 理解 Web 入口 小D 钉钉机器人
场景痛点表多、同名表多、口径分散，业务查找目标数据表时容易依赖人工询问。
核心能力基于表 Comment 增强表名查询能力，帮助精准定位目标数据表，减少同名不同表混淆。
落地价值将数据管理和定位耗时从“小时级”降至“分钟级”，释放开发答疑成本。
AI 数据资产应用示意
图片位预留：将图片放到对应路径后，可在这里切换展示。
应用入口与数据资产检索链路：从人工查表，转向智能定位和统一入口。
03-2 我们的实践场 / 02

小黄蜂：围绕 AppList 建立标签推理与差异计算链路

小黄蜂 AppList 标签推理和差异计算流程
03-2 我们的实践场 / 03

智能分析、告警与归因：把人工巡检前移为自动监控和主动归因

围绕数据波动监控、大模型归因分析、钉钉告警通知和处理记录沉淀，形成异常事件闭环。

智能分析告警与归因闭环概念图
图片未找到：请确认文件已放到 assets/data-intelligence-ai/ 目录，并使用按钮对应命名。
先发现把核心指标巡检前移为系统监控，异常波动不再完全依赖人工主动查看。
再解释用大模型聚合事件、拆解维度、生成可能原因和验证建议，降低排查成本。
后沉淀通过告警触达、处理记录和复盘结论，持续沉淀团队可复用的分析经验。
03-2 我们的实践场 / 04

数仓开发助理：把需求转成可跟踪的开发闭环

基于本地 Codex 调用能力，将钉钉中的自然语言需求转化为 JOB、代码分支、初版修改和 review 流程。

从“找人沟通需求”到“机器人承接任务”

过去数仓需求往往需要先找开发同步背景，再确认表、字段、口径和边界条件；现在可以把自然语言需求、材料中心文档和后续补充统一关联到一个 JOB 中，过程可追踪，结果可复核。

钉钉直接提需求 自动建任务与分支 材料中心关联 Review 后合并
1发起需求需求方在钉钉机器人里说明表名、字段、口径或材料 ID。
2创建 JOB系统识别需求上下文，生成任务编号并承接后续补充。
3自动改代码拉取代码、创建 review 分支，并调用 Codex 完成初版修改。
4复核上线代码 owner review 通过后自动合并，需求方收到完成通知。

优先适配的需求类型

先覆盖数仓里最常见、边界相对清晰、容易验证的需求，把高频小改动从人工排队推进，转成标准化任务流。

字段逻辑调整单字段计算规则、分支判断、默认值或空值兜底修改。
指标口径修订逾期率、转化率、活跃人数等统计口径或范围变化。
过滤条件补充新增渠道、状态、业务线、时间范围等过滤规则。
字段新增/下线新增派生字段、保留兼容字段，或明确废弃旧字段。
控制点：代码不会直接进入主分支，仍保留 owner review；复杂需求可先上传材料，再用 Material ID 关联到当前任务。
03-2 我们的实践场 / 05

AutoRisk 超级机器人：把风险全链路 AI 能力沉淀为统一入口

从任务机器人，走向风险业务智能工作台

AutoRisk 的价值不只是替人执行命令，而是把模型、策略、分析和数据流转沉淀到同一个入口：统一口径、统一流程、统一权限、统一留痕，让风险能力可以被持续复用和治理。

统一入口 能力编排 标准流程 权限治理 结果沉淀 持续运营

过去：风险工作被拆在不同环节

模型、策略、特征、变量分散在不同系统和脚本里 结果依赖人工串联，过程容易断点、口径容易不一致 经验停留在个人操作里，复用和治理成本高
AutoRisk
统一承接

现在：沉淀为可复用的风险业务能力

模型样本、特征、训练、打分形成模型生产链路
策略分析、开发、评估、查询修改形成策略闭环
特征 / 变量逻辑解读、加工口径、数据源和元数据可追踪
智能分析周月报、扩量分析、机构监控、波动归因主动输出
提效工具Hive、CSV、Jupyter 等数据流转标准化
使用指南autorisk.pages.dev/#sample 使用现状bi-ai-service.shurongdai.cn/autorisk/jobs
04 落地方法：场景、工具、流程、治理

一个 AI 想法能不能落地，关键在于能否走完一条可控路径

从场景出发，不急着选模型；先判断价值和可行性，再封装能力、上线运行，并把治理要求贯穿全过程。

1 找场景 优先选择高频、重复、耗时、依赖人工经验的工作。
2 判可行 确认权限可控、风险可控、输入输出明确、结果可验证。
3 选形态 根据任务特点选择 Skill、Agent、工作流、MCP 或接口。
4 跑起来 小范围试跑，保留人工复核和异常兜底，逐步上线。
5 沉淀下来 留下场景说明、样例、测试集、日志、版本和责任人。
治理贯穿： 权限边界 数据范围 输出校验 日志留痕 效果评估 版本管理
场景不是所有工作都适合 AI，优先找可验证、可复用、有明确边界的场景。
工具工具选择服务于任务，不为了用 Agent 而用 Agent。
流程把触发、执行、复核、异常处理和迭代节奏固定下来。
05 让 AI 能力沉淀为组织资产

AI 真正的价值，不止是一次提效，而是形成团队可持续复用的能力底座

个人会用 AI 是起点；组织能把 AI 能力标准化、资产化、治理化，才会形成长期复利。

01

场景资产

沉淀高频业务场景清单，记录目标、边界、输入输出、适用条件和责任人。

02

能力资产

形成可复用的 Agent、Skill、Prompt、工作流和 MCP 能力，避免重复建设。

03

知识与数据资产

把业务口径、策略经验、元数据、样例集、测试集接入到统一知识体系。

04

运营治理资产

建立权限、日志、版本、评估、复核和异常处理机制，让能力可控可管。

最终目标：让 AI 从“谁会用谁提效”，变成“团队共同建设、共同复用、持续进化”的组织能力。