最近在做数据分析时发现一个问题，那就是智能体的能力确实很有限，智能体也没有想象中的那么强大。
以数据分析为例，之前在做数据分析时需要DBA根据业务需求对任务进行拆解；然后编写SQL或其它分析语句，最后统计出结果。而现在由于大模型的出现，因此想利用大模型的能力去做数据分析，但理想很丰满，现实很骨感。
以我们平常开发为例，不论是系统架构还是表结构，都会随着业务的变迁或设计的缺陷进行不断的调整和完善；因此，有些时候设计的表结构和最初的设想已经面目全非，甚至设计人员自己都弄不清楚其中的逻辑和关系。
而基于智能体做数据分析，由于智能体不知道系统迭代的过程，只基于数据库做数据分析会存在很大的问题和难点；比如说不知道表结构的字段是啥意思，而且很多字段根据值的不同会有完全不同的含义；而这对大模型来说是不可接受的。
特别是对数据面板或大屏业务，其展示的数据虽然看起来很简单，但事实上都经过技术人员的精心设计，以及复杂的业务逻辑处理；而这种情况直接让大模型来做，说句实话确实有点太为难它了。
所以，为了弥补这种缺陷，最好的方式是结合人力与大模型的能力，进行人机合一；比如说在复杂的数据分析中，可以由技术人员先对数据进行处理，整合完毕之后再交由大模型去处理，这样就可以避免由于大模型不理解业务需求导致其胡乱发挥。
原因就在于，在实际的业务场景中，完全依靠SQL语句进行数据分析是很困难；其中肯定会经过复杂的逻辑处理和代码实现，而如果让大模型同时完成SQL语句和代码的处理相对难度较高，效果也不太好。
1️⃣ 为什么智能体能力有限？
即便当前大模型与智能体已可：
-
理解自然语言
-
自动调用工具、执行 SQL、生成报表
-
流式对话分解复杂问题
但在 复杂真实场景中常见的限制：
📌 理解边界
-
无法完全理解项目上下文、历史背景、组织规则。
-
无法准确揣测隐含业务逻辑和决策偏好。
-
无法处理模糊需求和“半结构化”的现实场景。
📌 工具调用限制
-
需要结构化输入，但用户常给出模糊描述。
-
SQL生成、图表生成等可能因字段歧义、异常值导致错误。
-
智能体很难在未知边界条件下做“正确推理”。
📌 合规与安全
-
自动执行可能造成不可逆后果（如误删、误修改数据）。
-
涉及敏感财务、人事数据时需要人工二次校对。
📌 上下文碎片化
-
用户连续提问但无统一目标时智能体难以跟踪上下文。
-
多轮决策需要根据外部人力实时反馈微调路径。
2️⃣ 为什么需要人机协同？
智能体擅长：
✅ 快速执行规则化、可结构化、重复性、检索类任务
✅ 快速生成 SQL/Pandas 分析草稿
✅ 自动化报表、对账、周报、项目进度汇总
✅ 数据问答、概括、初步建议
人力擅长：
✅ 最终决策、责任兜底
✅ 理解复杂业务流程、潜规则
✅ 处理模糊问题、冲突和跨部门协调
✅ 补充背景知识与灰度处理
3️⃣ 人机协同的最佳实践
✅ 分工模式
|
|
|
|
|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
✅ 工作流（面向你的开发/应用场景）
示例：建设项目智能问数场景（以 Vanna 或 LangGraph 问数智能体 + 人力）
1️⃣ 用户提出模糊问题（“今年市政类项目进度慢的有哪些”）
2️⃣ 智能体理解并生成SQL → 查询 → 返回列表
3️⃣ 用户在表格中二次筛选（过滤某些不需要的项目）
4️⃣ 智能体根据用户筛选继续生成可视化图表
5️⃣ 用户确认关键项目 → 决定是否下发督办
6️⃣ 人力执行后，结果反馈给智能体更新上下文。
✅ 技术落地建议
-
配置“二次确认”节点：
智能体生成SQL或报表先发送人审阅，点击确认后再执行。 -
设计“多轮对话澄清”机制：
对复杂问题分解提问澄清用户意图。 -
使用“人机协作面板”：
在 NiceGUI、Notion AI、BI系统等中嵌入智能体交互，结果同步到人工审批流程。 -
分层权限控制：
智能体可查询、分析、标记，但关键修改、删除需人工确认。 -
持续反馈循环：
智能体记录“本次分析与最终执行差异”，不断调整提示词与工具调用逻辑，提升准确率。
4️⃣ 结论
✅ 智能体能力有限是事实，它们并非接管一切，而是“放大人力的生产力”。
✅ 最优解是人机协同：让智能体做“快速自动化处理”，人力做“复杂判断和责任兜底”。
✅ 落地到你的实际项目时：
-
在智能体做数据分析、问数、任务梳理等前台高效运行，
-
但在数据核对、异常处理、最终执行、跨组织协调上由人力介入，
-
形成“混合智能流水线”。
（文：AI探索时代）