从"人工规划、人工实施"，到"人工为主、AI 为辅"，再到"AI 为主、人类辅助"——数据开发与治理的工作主体正在发生改变。这篇文章聊聊我们对 AI 数据开发治理模式的思考，以及 Dataphin AI 治理工作台的架构设计与实现。
一、传统人工开发模式：交付效率被人力上限锁死
在传统的模式里，数据开发与治理是典型的"人工规划，人工实施"。
以数据研发为例，一个需求要完整走过五个环节：
需求分析 → 架构设计 → 代码开发 → 测试 → 部署发布
每个环节都由人预先规划"做什么、怎么做"，再由人逐一实施和交接。其中架构设计、代码开发、测试这三个环节在整个流程中的时间占比极高：
- 架构设计：难度大、维护成本高，依赖少数资深工程师；
- 代码开发：工作量大、个体能力差异明显，交付质量不稳定；
- 测试：任务繁多、流程进展缓慢，往往成为上线前的瓶颈。
这套模式的根本约束在于：高耗时环节随需求复杂度线性增加人力投入。需求越复杂、口径越多，投入的人天就越多，交付效率被人力上限牢牢锁死。
二、AI 时代的常见模式：人工为主，AI 为辅
进入 AI 时代后，目前市面上最常见的数据开发与治理模式，是"通用 Agent 平台 + 数据开发治理平台 Skill"的组合：把数据平台的能力封装成一个个 Skill，挂到一个通用 Agent 上，用户通过单 Agent 的自然语言对话给出需求，AI 交付最终产出。
这个模式确实有效——对比纯人工，局部效率有很大提升。但它有三个绕不开的结构性问题。
2.1 人仍然是效率瓶颈
每一件事情，依然需要人先规划好做什么、每一步怎么做，再由人判断做的结果是否正确，Agent 始终在人的注视下工作。人的规划与判断带宽，就是整条链路的效率上限。AI 只是把"实施"加速了，"规划"和"验收"这两个真正的瓶颈环节并没有被解决。
2.2 单 Agent 对话式交付的三大瓶颈
① 没有中间过程交付，缺少人工干预窗口。
人给出需求，Agent 端到端跑完才交付结果。一旦中途跑偏，没有纠偏机会，只能调整原始需求输入、重头再来。而数据开发治理是典型的长链路工作——需求理解、数据集成、模型开发、测试验证、发布运维，每一段都有判断点，偏差会沿着链路一路继承和放大：在中间某步发现，只需重跑这一步；到终点才发现，前面所有工作整体重来。
② 上下文极其庞大，运行浪费严重。
单 Agent 需要一次性挂载所有知识和所有工具。任务越长，上下文越臃肿，大量 token 消耗在与当前步骤无关的信息上，既浪费又降低了执行质量。
③ 无法提供精细的权限控制。
一个 Agent 持有全部工具的权限，无法按步骤约束行为边界，不能把权限作为护栏来防止 AI Agent 误操作。对于生产环境的数据平台来说，这一点几乎是致命的——AI 有能力一条 SQL 更新错一张核心表。
一句话总结：局部提效 ≠ 生产可用。缺少中间交付与权限护栏的单 Agent 模式，很难真正托付生产级的开发与治理。
三、Dataphin AI 治理工作台：AI 为主，人类辅助
Dataphin AI 治理工作台选择了一条不同的路线：AI 为主，人类辅助。
底层架构是：专属数字员工（专用 Agent）+ SOP + 数据开发治理平台 Skill，由多 Agent 根据 SOP 自主运行。
3.1 SOP 沉淀为工作流模板
把用户团队的 SOP（标准作业程序）沉淀为工作流模板，作为 AI Agent 的作业指引。模板将一项工作拆分为多个步骤，每个步骤有明确的输入、输出和处理逻辑（做什么、一步一步怎么做、遇到问题如何解决），还可以在关键步骤要求人工审核产出物。
这样一来，Agent 不再需要人逐步指挥：需求录入后自主匹配模板、自主编排工作流、逐节点自主运行，只有在需求不明确或缺少信息时才需要人工介入补充。
3.2 每一步都由专属数字员工处理
工作流中的每一个步骤，都由专门的数字员工（专属 AI Agent）来处理，而不是一个全能 Agent 包打天下。这带来两个直接收益：
- 上下文规模大幅缩减：每个数字员工只加载当前步骤所需的知识和工具，专注节点任务，按需读取上下文；
- 权限收敛到步骤边界：每个数字员工只绑定该步骤必要的工具和最小权限，误操作的影响面被权限体系限定在单步之内。
3.3 阶段性产出，人随时可以纠偏
每个步骤都有独立的产出物，全部保存留痕。人工可以随时查看 Agent 的运行过程，通过设置审核闸门确认是否跑偏，也可以直接用自然语言与 Agent 对话做信息补充或方向纠正。
纠偏发生在步骤交界处，而不是终点验收时——这是对 2.2 中"偏差沿链路放大"问题的直接回应。
四、三种模式对比
| 对比维度 | 传统人工模式 | 常见 AI 模式 | Dataphin AI 治理工作台 |
| 工作主体 | 人规划、人实施全部工作 | 人工为主，AI 为辅 | AI 为主，人类辅助 |
| 规划与编排 | 人逐环节推进与交接 | 单 Agent 对话，一次性交付 | 多 Agent 分步编排，自主匹配 SOP 模板 |
| 过程可见性 | 进度靠口头同步与逐个询问 | 无中间交付，难以干预 | 阶段产出全程留痕，可随时纠偏 |
| 上下文与消耗 | 人力线性投入 | 全量知识工具一次灌入，上下文庞大 | 每步专属 Agent，上下文精简 |
| 权限护栏 | 平台账号权限体系 | 缺乏精细的权限护栏 | 岗位 / 空间 / 工具最小权限多重护栏 |
| 效率上限 | 受人力上限约束 | 仍受人的判断带宽约束 | 突破人力上限，人只做把关 |
五、深入介绍：架构、实施与核心特性
5.1 产品架构
工作台自上而下分为四层：
┌─────────────────────────────────────────────┐ │ 用户入口：独立的 AI 治理工作台 │ │ （待办审批 / 工作项进度 / 产出 / 空间资料） │ ├─────────────────────────────────────────────┤ │ Dataphin 数字员工 + SOP │ │ （研发、数据分析、运维、治理、平台管理等岗位） │ ├─────────────────────────────────────────────┤ │ 多 Agent + Agent 编排 + Runtime │ │ Dataphin Skills + CLI │ ├─────────────────────────────────────────────┤ │ 底层基座：Dataphin 数据开发与治理平台 │ │ （建模 / 调度 / 质量 / 安全 / 资产目录） │ └─────────────────────────────────────────────┘
平台能力通过 Skills 和 CLI 逐级复用，AI 的每一个动作最终都落在可审计的平台操作上。
5.2 部署实施与使用：七步跑通人机协同
实施路径与现实团队的组织方式一一对应，分为配置期和运行期共七步：
设置岗位 → 创建团队协作空间 → 引入数字员工（基于岗位）→ 配置工作流模板（SOP）→ 录入需求（工作项）→ 响应待办 → 收获产出
① 岗位：与现实团队设置对应
岗位 = 职责范围 + 权限范围（知识库/资料权限、工具权限），是约束 AI 行为的基本单元。数据开发与治理的典型岗位有七类：
| 岗位 | 职责 |
| 需求分析师 | 接收需求，判断可行性，确认数据来源、指标口径、计算逻辑 |
| 数据架构师 | 数据公共层模型设计和最终产出的模型定义 |
| 开发工程师 | 编写代码，创建任务 |
| 测试工程师 | 测试任务 |
| 运维工程师 | 任务部署发布和日常运维 |
| 治理工程师 | 标准、质量、安全治理 |
| 管理员 | 平台管理 |
② 协作空间：一个空间对应一个现实团队
一般对应某一块独立业务。每个空间的工具授权不同，空间内成员分角色管理。
③ 数字员工：岗位在协作空间下的实例
岗位职责不变，权限受协作空间本身的权限范围约束。同一个"开发工程师"岗位，在不同空间里实例化为不同的数字员工，能碰到的数据和工具各不相同。
④ 工作流模板：把 SOP 固化为 AI 的作业指引
将 SOP 拆解为多个步骤，每个步骤定义明确的输入、处理逻辑、输出，还可以要求人工审核产出物——"人工确认"节点就是质量闸门。典型的模板：
- 研发：需求分析 → 架构设计 → 代码开发 → 测试 → 部署发布
- 运维：问题分析并分类 → 执行运维操作（重跑、补数据）→ 同步信息给团队
- 临时取数：需求分析 → 取数代码开发 → 执行取数 → 结果审核 → 发送
⑤ 需求（工作项）录入：形态不拘一格
需求可以是：
- 业务方给的一个 Excel 表格、Word 文档，列举所需指标和口径说明；
- 数据产品经理编写的规范 PRD；
- 一句话描述某个任务的问题，并附带修改建议。
在工作台录入并排产后，Agent 自主匹配工作流模板、自主编排工作流，每一个节点按步骤定义自主运行。
⑥ 响应待办：把人该拍板的事汇成一张清单
工作项运行过程中遇到信息不完善或需要人工判断时，发送待办给用户。用户不需要盯着 Agent 干活，只需要关注是否有待办需要处理，注意力高度集中。待办可以在 IM（钉钉、飞书、企业微信）中接收和回复，不会错过处理时机。
⑦ 收获产出：留痕、总结、审计
- 工作项产出物持久保存在空间下；
- 运行总结中可查看 Agent 的完整运行过程，并给出优化建议，驱动工作流模板和 Skill 的持续优化；
- 审计确保所有人工动作均有留痕。
工作项处理过程：产出留痕、闸门审核、对话纠偏
每一个步骤的产出物都会保存记录，用户可以设置闸门人工审核这些产出物，确认 Agent 是否跑偏；发现问题时，可以直接通过自然语言与 Agent 对话做信息补充或纠偏。
5.3 核心特性：可靠、安全、易用
安全：把护栏做进权限体系
- 企业级接入：支持对接 SSO，具备完善的权限控制体系；
- 协作空间成员管理：空间对非成员隐藏，成员分角色管理，不同角色权限不同；
- 空间资料（知识库）多重权限校验：个人 + 空间 + 数字员工三层校验；
- 工作项权限管控：可公开、可私密——私密工作项仅负责人和协作人可见，仅负责人可操作；
- 数字员工最小权限：仅绑定必要的工具，仅授予最小可用权限，从底层杜绝 AI 犯错；
- 全程审计：所有操作留痕，可追溯。
易用性：AI 帮你建模板，运行总结驱动自进化
- AI 辅助生成工作流模板：不必从零手写 SOP，AI 帮你把团队经验变成工作流模板；
- 工作项运行总结，支持 AI 自进化：每个工作项自动生成运行总结，AI 基于总结提出岗位与工作流模板的优化建议，人工确认后生效——每一次运行，都让岗位与模板更聪明一点。
六、写在最后
数据开发与治理的 AI 化，关键不在于"有没有 Agent"，而在于以什么组织方式运行 Agent。
单 Agent 对话模式把 AI 当成一个更快的执行者，人依然是每一步的规划者和验收者；Dataphin AI 治理工作台则把 AI 组织成一支有岗位、有 SOP、有权限边界的"数字团队"——AI 按流程自主运行，人退到决策点上把关。
机器提效、人控风险。这是我们理解的下一代数据开发与治理体系。如果你也在探索数据开发与治理的 AI 实践，欢迎联系 Dataphin 团队，交流你的业务场景，了解 AI 治理工作台如何融入现有团队与工作流程。
