先把问题想清楚
需求分析、指标口径、技术方案、数仓分层、表结构、数据链路、调度依赖和维度模型设计。
03
AI Data Workflow & Product
智小数 AI 数据平台
一个面向数据研发全流程和数据使用场景的 AI 能力系统。它把数据工程经验拆成可复用的专家 Skill，再通过自动工作流、Web 平台和协作机器人进入真实工作现场，并经过真实需求与团队使用验证。
能力底座20 个数据研发专家 Skill
验证方式真实需求与实际工时对比
产品形态Web 平台 × 自动工作流 × 协作触达
01 / Why
通用大模型会聊天，但不天然懂数据团队
数据研发里大量高价值工作依赖少数有经验的人。真正的挑战不是让 AI 写一段 SQL，而是让它理解流程、规范、上下文和交付标准。
- 如何把业务需求转成可执行的数据方案。
- 如何设计数仓分层、模型、表结构和任务依赖。
- 如何生成、优化和审查 SQL 与调度任务。
- 如何配置数据质量规则并治理元数据。
- 如何诊断任务失败、卡住、延迟和运行异常。
- 如何把数据结果转成业务能理解的报告并主动分发。
智小数要解决的是：如何把数据工程经验拆成可复用、可审查、可落地的 AI 工作流。
02 / Skills
四类专家 Skill，覆盖数据研发生命周期
整体能力由我规划、拆解和主导实现，部分 Skill 由团队成员共同完成。当前形成 20 个可复用能力单元，并按真实研发流程组合使用。
把方案落成资产
表结构、SQL、Python、调度任务、规范检查、性能优化、数据倾斜处理、发布和验证。
让结果可信可管
注释补全、资产标签、血缘解析、隐患扫描、质量规则、DQC、测试计划和测试结果。
让异常更快定位
任务诊断、瓶颈识别、日志错误分析、智能告警摘要、自动巡检和数据异常归因。
01需求与架构
02SQL 与调度
03测试与质量
04血缘与治理
05上线与运维
03 / Validation
AI 的效果，用真实开发工作来验证
项目没有停留在演示和主观判断，而是选择实际数据需求，对 AI 工作方式与传统人工方式进行工时对比。
20个专家 Skill
14个真实需求
13位参与成员
40%+整体提效
全部验证需求都取得正向收益，说明这不是只对少数高手有效的个人工具，而是一套可以在团队中复用的工作方式。
从验证中得到的三个判断
- 模型设计、SQL 开发和质量配置等重代码环节，AI 带来的收益最明显。
- 需求越复杂、重复步骤越多，Skill 化工作流越能放大专业经验。
- 对于耗时很短的简单任务，AI 收益有限，不需要为了使用 AI 而使用 AI。
04 / Workflow
把数据结果主动送进协作现场
智小数的一条重要链路，是让数据不再只停留在大数据平台里，而是自动加工成报告或图表，再进入团队日常使用的协作工具。
01连接大数据平台并获取数据
02组装报告、图表或分析结果
03按任务与规则自动执行
04通过“我的秘书”飞书机器人分发
这条链路证明的不是“会发一条机器人消息”，而是能把数据获取、分析加工、内容生成、任务调度和协作分发组织成完整工作流。
05 / Platform
从会话工具走向可运营的生产系统
平台把模型、Skill、工作流、多端触达和后台治理组织在一起，不只服务数据开发者，也让产品和运营人员能够直接使用。
Model模型接入自助配置与私有模型
Skill专家能力架构、开发、治理、运维
Workflow任务编排问数、报告、文件、定时执行
Channel多端触达Web、协作机器人、邮件
Governance运营治理用户、权限、审批与审计
一套代码支持多个平台实例
通过配置区分品牌、模型和界面，配合独立部署隔离，让功能升级和缺陷修复集中完成。
让用户按场景选择模型
支持模型源录入、审批、切换和私有模型接入，在灵活性与数据安全之间建立边界。
结果可以继续执行和交付
一次问数或分析可以继续生成报告、创建定时任务，并通过协作工具或邮件自动分发。
平台能力需要完整治理
会话、文件、用户、模型、菜单、权限和关键操作统一管理，保证平台能够长期运行。
06 / Proof
这个案例证明什么
把个人经验变成团队能力
把架构、开发、治理和运维方法拆成可复用、可评审、可持续迭代的 Skill。
用真实需求检验 AI 价值
通过实际工时和多人使用结果判断收益，也明确简单任务不必强行 AI 化。
把能力做成可运营系统
把模型、任务、文件、多端触达、权限和审计组织成完整的平台闭环。
让工作方式能够被复制
既辅助数据研发，也让产品和运营人员能够直接使用问数、报告和自动任务。