随着数据量爆炸式增长，数据科学家将大量时间耗费在数据清洗、建模与可视化等重复性工作上。我们团队探索“AI for Data Science”的新方向，提出并开源了全球首个面向数据科学的Agentic LLM——DeepAnalyze。不同于传统的workflow-based方案，DeepAnalyze通过真实场景下的agentic training，使模型具备“自主思考与行动”的能力，可像人类分析师一样独立完成数据准备、分析、建模与洞察。项目开源后迅速获得社区关注，GitHub Star超1500，显著提升数据分析效率与智能化水平。我们相信，DeepAnalyze标志着数据科学正从“自动化工具”迈向“智能协作伙伴”的关键进化。

本次报告将全面解析 DeepAnalyze 的核心技术路线，展示其如何让 AI 真正成为数据科学家的智能助手，并为AI驱动的数据分析未来带来全新启发。

演讲提纲：

一、业务背景与研究动机

1. 数据科学的瓶颈：分析师时间大量消耗在数据清洗、特征工程与可视化等低效环节。

2. 现有自动化方案的局限：Workflow-based Agent 需精细prompt工程、缺乏泛化能力与适应性。

3. 研究愿景：构建能够自主理解、决策与执行数据分析任务的 Agentic LLM，实现从“自动化”到“智能化”的跃迁。

二、方案选型与系统设计

1. 理念提出：以“Agentic LLM”替代传统workflow，让模型具备自主规划与任务执行能力。

2. 技术架构：Agentic LLM

3. 训练策略：在真实环境中进行强化学习式训练。

4. 数据合成：覆盖结构化与非结构化数据分析任务。

三、落地挑战

1. 复杂任务拆解与上下文依赖：如何让模型在长链推理中保持一致性与可解释性。

2. 数据安全与隐私保护：在开放环境下处理真实业务数据的安全策略。

3. 性能与资源权衡：平衡自主决策能力与计算成本。

四、核心解决思路

1. 任务自演化机制：通过自我反思与重规划（replanning），实现多阶段数据任务的自主推进。

2. 可微调的领域适配框架：允许在金融、医疗等垂直领域进行轻量化再训练。

3. 工具协同体系：构建统一的“数据科学工具API层”，提升Agent与外部分析环境的协作效率。

五、应用成效与社区反馈

1. 开源成果：模型、代码、Demo 全面开放，支持本地部署。

2. 社区反响：GitHub Star 超1500，形成多领域开发者生态。

3. 效果验证：在多类真实数据分析任务中，DeepAnalyze 显著优于传统自动化Pipeline方案。

六、未来规划

1. Agentic LLM范式研究：推动AI从任务执行者向智能研究者演进。

2. 跨领域协同分析：拓展至多模态数据（文本、表格、时序、图像）的统一分析。

3. 开放协作生态：与高校、企业共建Agentic数据科学平台。

七、总结与启发

1. 关键观点：DeepAnalyze 展示了AI驱动数据科学的“自主智能”方向。

2. 技术启示：Agentic训练是LLM走向专业领域能力化的关键路径。

3. 愿景展望：让AI真正成为数据科学家的合作伙伴，而非仅仅是工具。

听众收益：

1. 认知升级：理解“Agentic LLM”的范式转变

听众将深入理解从传统“Workflow-based Agent”到“Agentic LLM”的演进逻辑，认识AI如何从被动执行工具进化为具备自主规划与反思能力的智能体，为AI在数据科学中的角色转型提供全新思路。

2. 方法启发：掌握AI驱动数据分析的新路径

通过DeepAnalyze的技术路线与训练框架，听众能系统性了解如何构建具备数据理解、建模、分析和可视化全流程能力的智能系统，为企业或研究机构探索AI自动化分析方案提供可复用的技术参考。

3. 实践借鉴：获得可落地的系统实现经验

听众可借鉴DeepAnalyze在落地过程中的架构设计、Agentic training策略及任务自演化机制，提升对AI在真实业务场景中“从原型到产品”的实现路径的理解，助力自身项目在智能化方向上突破。

演讲提纲：

- AI时代数据工程的挑战

- Datus agent的架构设计

- Datus agent的实战与落地

- Data engineering agent的未来发展

听众收益：

- 理解Data engineering agent 的核心理念与价值，认识数据工程从“建表和跑数”向“可交付的SubAgent”转变的趋势。

- 学会如何从表、指标、SQL历史中自动构建数据上下文（Data Context），提升 NL2SQL / 分析问答的准确性与可落地性。

- 理解如果通过feedback loop持续构建可提升的 Data context 和 模型。

在传统的数据分析流程中，分析师需要在复杂的报表、SQL 与图表工具间切换，体验割裂、效率低下且门槛高。AskTable（察言观数）基于 Agent 技术，重构了数据分析交互：通过自然语言提问、AI 自动生成 SQL、表格与图表，并以沉浸式的「AI 数据画布」界面，带来连续、直观的分析体验。

演讲提纲：

- 传统分析体验的痛点与局限
- AskTable 的 Agent/Data 技术基建
- 沉浸式 AI 数据画布的设计理念
- Vibe Analyzing 的落地案例