本文为您介绍配置智能分析Agent的数据集时，在前期规划、数据处理、数据集的配置等方面的操作思路与场景实践。

• 数据集数量限制：为保证性能和准确率，建议一个智能体关联的数据集数量不超过 5 个。
• 字段数量限制：一个智能体关联的总字段数建议不超过 300 个。
• 字段清晰度：智能体内部的数据集字段和维值需要经过治理，减少或消除二义性冲突（如同名但含义不同的字段）。
• 尽量前置做好数据ETL，避免实时多表关联计算；如无法避免，参与多表关联的数据集数据行数建议不超过 10000 行。

完成初步智能体应用场景和用户角色的梳理规划后，您需要结合各个用户角色的典型问题，分析梳理需要使用的数据集、业务指标等，以下为一个简单的示例。

1. 基于初步智能体应用场景规划，梳理涉及的数据源、指标。
   
2. 依次梳理各个数据集数据表名称、对应表的特殊说明等表信息。
   
3. 梳理当前智能体的应用场景下，各数据表中会涉及到的关键字段、字段数据类型、字段的业务含义（是否需要额外知识释义该字段等）。
   
4. 梳理当前智能体的应用场景下，高频维度字段的维度值、维度字段说明等信息。
   

完成数据集规划和梳理后，您需结合梳理后的业务指标、维度字段等结果，对数据提前进行必要的处理，保障接入智能体的数据集满足通用原则中的数据集/字段的数量、含义的要求。

ETL规范与限制

高质量的数据是DataAgent-分析Agent成功的基础。以下ETL规范旨在确保输入数据的标准性和可用性，是实现准确分析的前提。

要点1：不支持跨表筛选逻辑

• 问题：不支持在一个查询中，先从A表查询出一个条件（如时间范围），再用这个条件去B表进行筛选。
• 解决方案：这种复杂的跨表逻辑需要通过ETL预先将相关信息关联到一张宽表中。

要点2：禁止多事实表直接拼接

• 问题：直接拼接不同颗粒度的多张事实表会导致数据重复计算（笛卡尔积），造成结果错误。
  
• 解决方案：应先将各事实表按共同维度进行聚合，统一颗粒度后，再进行拼接。
  

要点3：不要在明细表中添加聚合结果

• 问题：在明细数据行上直接加入预先计算好的聚合值（如平均值），会导致二次聚合（如总计）时结果错误。
• 解决方案：保持明细表的原始性，聚合计算应在查询时动态进行，或在专门的聚合层处理。

要点4：禁止使用透视表作为底表

• 问题：透视表是人为定义的、用于展示的格式，其结构（如行列转换）大模型无法理解，不能作为稳定的数据源。
  
• 解决方案：应使用规范的、未经过透视的二维表作为数据源。

要点5：数据源应为BI数据集而非可视化图表

• 问题：客户有时会提供BI工具中已经可视化、处理过的图表或其数据，这些数据往往经过了复杂的加工，不适合作为Agent的原始输入。
• 解决方案：必须使用BI系统底层的、原始的数据集。
• 示例：

  • 示例表1：活动明细表

    活动名称	开始时间	结束时间	人数
    活动1	2025.1	2025.7	37
    活动2	2025.3	2025.8	43

  • 示例表2：营销总表

    时间范围	人数
    2025.1	130
    2025.2	560
    2025.3	270

  • 示例场景说明：以上有两张表（活动明细表、营销总表）。使用智能分析Agent时，想通过“活动明细表”查询到活动1的时间范围，然后通过这个范围再到“营销总表”查询这个时间范围内参与营销的总人数，这种数据查询方式是不支持，因为智能分析Agent的跨表查询的逻辑不是ETL拼表，而是跨表筛选。

要点6：关注时点余额类指标

• 问题：对于余额这类“时点型”指标，按时间段进行常规的加和汇总（SUM）是无意义的。

• 解决方案：在提问时，需要明确指出查询的是特定时间点的余额，而不是一个时间段的汇总。

• 示例：

  时间	业务类型	余额	亏损金额	盈利金额
  1月	信用卡	50000	400	100
  2月	信用卡	40000	-300	-200
  1月	理财基金	1000000	600	300
  2月	理财基金	1200000	200	-400

  这种表，每个月的数据本身就是累计数据，没法进行合并计算，正常情况下所有指标都是需要合并计算的，比如算1-2月整体余额

  业务类型	余额（sum）
  信用卡	90000
  理财基金	2200000

  这种数据就是错的，真正的提问，应该用户直接问2月的余额是多少，所以这种表不适合做问数，或者说问数场景下要知道表本身的业务含义，直接问具体时间点

其他

• 符合上述规范的ETL，尽量做合表处理，不然一个Agent里面数据集过多会影响智能体的性能和准确率。
• 所有ETL的标准参考BI数据集，而不是BI可视化的图表，很多客户把BI可视化后的表拿来当底表，是错误的。

实践1：数据清洗算子使用示例

智能分析Agent为您提供了可视化建模能力，支持多种数据清洗算子（字段设置、多表连接、合并行等），您可以在可视化建模页面通过拖拽对应算子来灵活处理数据，以下为您介绍常用的算子与适用场景。

实践2：时间字段（业务日期、创建时间等）处理实践

• 时间字段通用处理建议
  • 关于「时间」、「日期」相关字段，请务必用 date、datetime 类型，避免使用 int、string 类型。
  • 建议所有的时间维度按照最细颗粒度展现，例如指标最细颗粒度到日层级的，那季度、月、年不需要单独的字段，有「日期字段」即可，模型会使用日期函数来实现。但是如果最细颗粒度只能到月层级的，就按照月层级展现。
• 示例场景：
  • 客户新智能体有一个"工单-节点明细"的数据集；工单场景下有业务时间字段：T1；节点场景下的业务时间字段：T2缺失，只能用 pdate字段代替。
  • 使用智能体时，业务提问会T1、T2混合提问，且常常缺失具体时间字段的名称，导致数据查询准确率不高。
• 错误的处理思路：
  希望通过配置智能体的知识，让模型知道：
  • 按照问题结构和指标，通过知识配置，自动识别应该用T1字段或T2字段去过滤数据集的数据。
  • 问到节点指标场景时，希望通过知识配置，让模型对时间字段进行自动识别处理，实现节点指标场景下将pdate字段处理为T2字段，且指标统计要额外去重。
    此种方式下，对模型理解数据集字段、理解业务逻辑提出了很高的要求，效果不好。
• 正确的优化思路：ETL处理+优雅提问
  • 通过智能分析Agent的可视化建模能力，将增量表的时间字段进行清洗处理，处理逻辑：节点场景下的pdate字段写入T2字段。
  • 使用智能体提问时候，问题描述中明确查询的业务场景和指标名称。

实践3：多表处理实践

当完成智能体数据集规划梳理后，如果应用的业务场景可能会出现多表场景时，各个阶段可能出现的问题与处理实践经验如下。

实践4：场景指标定义和计算公式参考

基础指标定义

高阶指标定义

同环比计算方法

环比增长率：$$ 环比增长率 = \frac{本期数值 - 上期数值}{上期数值} \times 100%$$
同比增长率：$$ 同比增长率 = \frac{本期数值 - 去年同期数值}{去年同期数值} \times 100%$$