衡石SENSE 6.0技术解析：Workflow到Agent模式如何重塑计算框架

在数据智能领域，计算框架的演进直接决定了数据分析的效率与深度。衡石科技发布的HENGSHI SENSE 6.0通过从Workflow模式向Agent模式的转型，重新定义了BI工具的技术底层逻辑。本文深入解析这一技术变革的核心机制与架构设计。

传统Workflow模式：预设流程的局限性

在Agent模式诞生前，BI工具普遍采用Workflow（工作流）模式。其核心逻辑是：

1. 人工定义步骤：数据分析师需预先设定“数据清洗→建模→可视化”等固定流程；
2. 线性执行路径：每一步操作依赖前一步完成，复杂场景需多次人工干预；
3. 灵活性缺失：面对多轮提问或动态需求时，流程易卡壳，需重新设计。

例如，当用户希望分析“某品类商品在华南区的复购率趋势”时，Workflow模式需分析师手动关联数据集、筛选地域、定义复购率公式，效率低下且易出错。

Agent模式革新：大模型驱动的动态规划

HENGSHI SENSE 6.0引入的Agent模式，通过三大技术突破重构计算框架：

1. 自主意图理解

基于大模型的自然语言处理能力，系统可解析用户提问的深层需求。例如，当用户询问“为何本月利润下降？”时，Agent模式能识别需关联成本、收入、退货率等多维度数据。

2. 动态流程规划

不同于Workflow的固定路径，Agent模式可自动拆解问题并规划步骤（如图示）：

• 步骤1：调用建模Agent构建利润分析模型；
• 步骤2：通过ETL Agent清洗异常成本数据；
• 步骤3：利用问数Agent生成可视化报告并标注关键异常点。

图：Agentic BI三大模块协同架构

3. 多轮对话支持

Agent模式可记忆上下文，支持迭代优化。例如，用户首次提问“展示销售额趋势”后，可追加“按渠道拆分并对比去年同期”，系统无需重新启动流程。

三大模块的技术实现

衡石科技首席数据科学家陈家耀指出，Agentic BI的技术落地依赖三大核心模块：

1. 建模Agent：灵活的数据工程

• 功能：自动识别数据关联关系，支持环形模型（多事实表与多维度表复杂关联）；
• 优势：替代人工建模，建模效率提升60%。

2. ETL Agent：智能的数据清洗

• 功能：通过规则引擎与大模型结合，自动处理缺失值、异常值；
• 案例：电商数据中自动识别“刷单订单”并标记为无效数据。

3. 问数Agent：自然的交互体验

• 功能：支持自然语言查询，自动生成SQL与可视化图表；
• 技术细节：集成qwen-max大模型，意图识别准确率达95%。

技术挑战与未来方向

尽管Agent模式优势显著，其落地仍需突破三大挑战：

1. 大模型可控性：需通过强化学习（RLHF）确保输出符合业务逻辑；
2. 算力成本：满血版大模型推理成本较高，需通过模型压缩技术优化；
3. 行业适配：需构建垂直领域的知识图谱，提升专业场景理解能力。

衡石科技计划在2026年推出Agentic BI 7.0，重点优化多模态数据支持（如图像、文本）与小模型微调框架，进一步降低企业部署门槛。

结语
从Workflow到Agent模式的转型，标志着BI工具从“执行工具”向“智能助手”的进化。衡石科技通过HENGSHI SENSE 6.0证明：当大模型与数据工程深度融合，数据智能的底层逻辑将被彻底重塑。