面向 Agent 应用开发的易用 API 抽象与平台化建设

课题背景 在大数据平台中，用户完成一次业务分析通常需要经历需求表达、数据理解、指标定义、任务开发、质量校验、结果分析和报告输出等多个环节，整体链路长、技术门槛高、跨角色沟通成本大。业务人员往往难以准确描述数据需求，数据开发人员需要反复理解业务口径、确认数据来源并编写处理逻辑，导致分析效率与交付质量受到影响。 LLMs 与 Agent 技术为重构大数据业务工作流提供了新路径。通过自然语言交互、元数据理解、数据血缘分析、智能任务生成和结果解释能力，AI 可以辅助用户从“提出问题”开始，自动完成需求理解、数据识别、分析方案生成、数据处理逻辑编写、质量校验与报告产出。因此，本课题聚焦 AI 驱动的大数据全流程智能助手建设，探索从“提出问题”到“拿到结果”的端到端智能化工作流，降低数据使用门槛，提升大数据平台的分析效率与产品化体验。 课题挑战

1. 01

   自然语言到数据任务的准确转化：面向用户模糊、非结构化的自然语言需求，构建需求理解、意图识别与任务拆解能力，将业务问题准确转化为可执行的数据查询、指标计算或数据处理任务，解决业务语言与数据开发语言之间的鸿沟。

2. 02

   数据血缘、元数据与指标语义理解：结合数据表、字段、口径、血缘关系和历史任务信息，构建面向大数据平台的元数据理解能力，支持 AI 自动识别相关数据资产、推荐合理指标口径，并保障生成方案与真实业务语义一致。

3. 03

   结果质量校验与异常解释闭环：围绕数据处理结果，设计自动化质量校验、异常检测、结果一致性验证和可解释分析机制，确保 AI 生成的数据任务和分析结论可信、可追溯，避免因口径偏差、数据异常或逻辑错误导致错误决策。 具体工作 你将结合前沿 LLMs、Agent 技术与大数据工程能力，参与智能化大数据助手原型系统建设，重点工作：设计自然语言到数据任务生成方案；构建基于数据血缘与元数据的智能数据理解能力；研发指标识别、指标建模与分析方案自动生成模块；实现数据处理逻辑生成、结果质量校验与异常解释能力；搭建分析结论与报告自动生成链路，最终形成一个从“提出问题”到“拿到结果”的智能化大数据助手原型，降低用户使用大数据平台的门槛，提升数据分析、开发与交付效率。

1. 01

   包含但不限于计算机科学与技术、人工智能、软件工程、数据科学与大数据技术、信息管理与信息系统、管理科学与工程、统计学、应用数学、自动化、电子信息等相关专业的博士和优秀硕士；

2. 02

   了解数据开发、数据分析、数据仓库、SQL 或大数据平台基础，熟悉数据处理链路、指标口径、元数据管理或数据质量相关知识者优先；

3. 03

   对自然语言生成数据任务、智能数据分析、LLMs/Agent 在大数据平台中的应用有浓厚兴趣，愿意探索 AI 驱动的数据工作流自动化；

4. 04

   具备较强的问题拆解、业务理解、结果验证和逻辑分析能力，能够结合业务目标判断分析结果的合理性，有数据产品、数据开发或智能分析相关项目实践经验优先。