从"搜索数据"到"对话数据"：重新定义企业智能助手
企业数据的痛点从来不是"没有数据"，而是"找不到数据"和"读不懂数据"。工程师面对百亿级日志，需要先想清楚字段名、写对查询语法，再等待聚合结果——这条路过去依赖大量专家经验，门槛极高。
ES Agent Builder 的定位正是打破这道门槛。它不是一个普通聊天机器人，也不是传统搜索框的简单升级，而是面向 Elasticsearch 数据的企业级 AI Agent 构建平台。用户通过自然语言提出问题，Agent 在企业真实数据环境中调用工具、读取上下文，把查询结果转化为业务可理解的结论。
简单说：过去我们在"搜索数据"，现在可以进一步做到"对话数据、分析数据，并驱动下一步行动"。
三类高价值场景：你的业务适合在哪里落地？
在规划 Agent Builder 应用时，建议优先从以下三类场景切入，这是经过多家企业客户验证的高价值入口。
日志分析助手 工程师不再需要先打开索引、查字段、写查询语句，而是直接问：“过去一小时最慢的 API 是哪些？” Agent 自动选择相关索引，生成 ES|QL 查询语句，完成聚合、排序和异常识别，并把关键指标总结成业务可读的结论。 |
知识问答助手 企业把产品文档、FAQ、操作手册、运维规范和故障案例接入 ES 后，通过 RAG 方式先检索最相关资料，再让大模型基于召回内容生成回答。既减少关键词检索带来的查找成本，也降低模型脱离企业资料自由发挥的风险。 |
运维排障助手 当告警出现时，助手解释告警含义，联动日志、指标、链路和历史故障记录，判断影响范围，分析可能原因，并给出下一步排查建议。把分散在个人脑中的排障经验沉淀为可复用能力，降低专家依赖，缩短 MTTR。 |
适合场景：
|
适合场景：
|
适合场景：
|
架构全貌：三层能力 × 四个组件
理解 ES Agent Builder 的架构，有助于在搭建时做出正确的组件选择。整体分为三层：
第一层：数据层
阿里云 Elasticsearch 承载企业日志、文档、监控指标、告警事件和业务记录，为 Agent 提供可信、实时、可检索、可分析的上下文。数据层是整个方案的根基——Agent 的回答必须建立在 ES 的实时数据和权限控制之上，才能保证结果可靠、可追溯，适合生产环境使用。
第二层：模型层
模型层支持接入 AI 搜索开放平台模型、百炼 AI 大模型、Inference API 自定义模型等，负责理解自然语言意图、规划分析步骤，并对检索结果进行总结、推理和生成回答。
第三层：分析执行层
由 Agents、Tools 和 Skills 组成：
- Agents：理解用户目标并编排任务，判断这是日志分析、知识问答还是排障请求，拆解问题、规划步骤
- Tools：连接 ES 数据，执行检索、查询、聚合分析或外部动作，把模型推理结果转化为可落地的数据操作
- Skills：沉淀不同领域的标准流程和经验，例如日志排查步骤、告警分析方法、知识问答规范，让不同 Agent 复用一致的处理方法
Agent Chat、Agents、Tools 和 Skills 这四个组件构成完整闭环：用户问题 → 模型推理 → 工具调用 → 企业数据 → 结论输出。
搭建流程：5 步完成最小可用验证
以下是基于阿里云 ES 的完整搭建路径，建议在正式场景上线前先完成此流程验证。
第 1 步：准备 ES 实例
登录阿里云 Elasticsearch 管理控制台，确保实例版本为 9.3.2 及以上，这是使用 Agent Builder 的最低版本要求。建议提前准备好目标索引（日志索引、知识文档或业务数据），方便后续直接验证分析效果。
第 2 步：进入 Kibana
在实例页面点击 配置与管理 > 可视化控制，确认已添加 Kibana 公网访问白名单，点击公网入口登录 Kibana。Kibana 是后续所有 Agent Builder 操作的主要入口。
第 3 步：创建 AI Connector
在 Kibana 中进入 Elasticsearch > Agents 页面，点击连接器 > 创建连接器 > AI Connector，按以下配置填写：
字段 |
填写说明 |
Connector name |
自定义，建议含模型名称，便于区分 |
服务类型 |
选择 OpenAI（AI 搜索开放平台兼容 OpenAI 接口） |
Model ID |
填写模型名称，如 |
URL |
|
API Key |
从控制台 AI 服务中心 > 模型管理页面复制 |
Task Type |
选择 chat_completion |
第 4 步：验证连接器
点击保存并测试，依次通过"创建操作 → 运行测试 → 结果"三个步骤。当结果提示"执行测试时，连接器运行成功"时，表示连接器配置正确。
第 5 步：进入 Agent Chat 发起对话
连接器创建成功后，返回 Agents 页面刷新，出现 "How can I help you?" 对话界面，底部显示已连接的 Connector，即可开始使用。
使用指引：阿里云 ES Agent Builder 使用指引
效果示例：自然语言驱动的数据分析闭环
以一个真实使用场景说明 Agent 的完整推理链路。
问题输入：分析一下历史请求，找出历史 RT 最低、性能最快的 API 接口
Agent 推理过程：
- 识别任务类型：API 性能分析
- 调用
platform.core.search定位相关索引（如api_access_logs） - 自动生成 ES|QL 查询：按 API 名称分组，计算平均 RT、最大 RT、请求次数，按平均 RT 升序排列
- 执行查询，获取结构化结果
- 总结结论：指出 RT 最低的 API 是
getUserInfo（最低 RT 120ms），并生成所有 API 的性能对比柱状图
Agent 输出价值：不只返回查询结果，还将结果转化为结论、图表和排序，帮助用户在无需任何 ES|QL 知识的情况下，快速判断接口性能并确定优化方向。
这正是 ES Agent Builder 的核心：大模型不再脱离企业数据泛泛回答，而是基于实时、可信、可追溯的数据完成智能检索、分析和决策辅助。
核心价值总结
综上所述，ES Agent Builder 的价值可以概括为六点：
- 数据即上下文：直接基于 ES 中的日志、文档、指标、告警和业务记录进行检索分析，回答建立在实时数据基础上
- 工具即能力：通过内置工具和自定义工具完成检索、查询、ES|QL 分析和动作执行，把推理结果转化为可落地操作
- 低门槛构建：通过 UI 或 API 创建 Agent、工具和技能，快速组合自然语言交互、模型调用、数据检索和结果总结
- 可扩展集成：支持 MCP、A2A、REST API，既能连接外部工具，也能嵌入企业已有业务系统
- 安全可信：继承 Elasticsearch 的检索能力、索引管理和数据访问控制，在企业权限边界内使用数据
- 云上托管：依托阿里云 ES，复用实例、Kibana、网络、安全、运维和弹性能力，减少自建成本
总体来看，ES Agent Builder 的价值不是简单增加一个 AI 对话入口，而是把企业数据、模型推理、工具调用和云上托管能力统一起来，让企业以更低成本、更短路径构建可用、可信、可扩展的智能助手。
延伸阅读
- 官方文档：Elastic Agent Builder
- 使用指引：阿里云 ES Agent Builder 使用指引
- AI 搜索开放平台：AI 搜索 MaaS 能力介绍
