騰訊的這款AI數據智能體工具Lumos，顛覆了傳統的數據分析

AI與數據分析的深度融合，一直是業界探索的焦點。Tomoro，一款集大數據分析引擎、表格化UI與AI于一體的創新型數據工具，旨在打破數據分析的門檻，讓普通用戶也能輕松駕馭海量數據。其核心亮點在于熟悉的表格操作、無邊界的數據引入能力，以及由AI驅動的數據分析工作臺。而Lumos，作為Tomoro內部強大的數據智能體，以多智能體架構為基礎，致力于解決復雜場景下的專業分析難題，并不斷優化用戶體驗。本文將深入剖析Lumos實現其強大能力的技術思路與實踐經驗，為對Data Agent應用前景充滿好奇的讀者提供深刻洞見。

Tomoro：大數據分析的革新之路

產品定位：AI賦能的全領域數據分析助手

Tomoro的愿景是成為一線數據分析師的得力伙伴，讓他們能夠輕松應對全領域的數據分析任務。通過融合大數據分析能力、直觀的表格交互以及智能AI技術，Tomoro旨在實現數據的真正平權，大幅提升數據分析的效率，彌合技術鴻溝。其核心在于“大數據 + 表格 + AI”的協同作用，構建一個能夠覆蓋從數據引入到報告交付的全流程解決方案。

產品思考：化繁為簡，回歸用戶習慣

在多年的數據分析工具實踐中，我們發現實現“零門檻大數據自助分析”的關鍵在于結合用戶熟悉且久經驗證的交互形態。Excel表格分析的強大生命力證明了這一點。Tomoro正是基于這一洞察，將AI能力注入到熟悉的表格操作中，打造一個既能滿足復雜分析需求，又易于上手的AI驅動數據分析工作臺。

產品能力：全流程化繁為簡

Tomoro致力于提供簡單、直觀的數據分析體驗。它支持無邊界的數據引入，無論是傳統數據倉庫、分析平臺數據，還是多模態數據（如帶數據的截圖、PDF報告），都能輕松整合。用戶可以像操作Excel一樣，進行直觀的表格分析，包括枚舉值篩選、分組聚合、AI函數生成列操作以及多表關聯等。同時，它還支持交叉透視表、高階數據可視化（比肩Tableau）以及分析報告和儀表盤的自動生成與更新，并內嵌AI能力以提升使用體驗和效率。

技術思路：環境、Agent與情景的協同

Tomoro的技術架構圍繞三個核心要素構建：

Tomoro環境： 被設計為一個高效、易用的工作臺，既支持用戶交互，也支持Data Agent的調用。它包含可交互的GUI、OpenAPI、強大的分析引擎和工具集、豐富的元數據和數據資產，以及完善的安全管控。
Lumos數據智能體： 作為Tomoro的“數據伙伴”，Lumos具備思考、規劃、使用工具（包括SQL、Python編碼和外部API）以及與用戶對齊的能力。它能夠理解復雜分析需求、業務背景和環境信息，并能以問答、報告或洞察等形式交付有效成果。
用戶分析情景： 涵蓋從思路分解、數據預處理、探索洞察、高級分析到結果呈現的全流程。盡管Lumos致力于自動化分析，但考慮到當前模型能力的局限性，用戶通過環境操作來驗證Agent結果的能力至關重要，這有助于建立AI信任并為AI提供學習機會。

實用性驅動的技術方案設計

Tomoro的技術落地遵循實用性驅動的原則：

AI場景分析與設計： 優先識別AI在數據分析流程中能夠顯著提升效率和用戶體驗的場景，如分析引導、頁面操作提效、數據準備輔助等。
Lumos Agent設計： 基于AI場景需求，設計Lumos的核心原子能力（如表格理解、問題推薦、數據洞察等）以及對公共能力（如環境信息、工具服務）的需求。
分析環境設計： 在充分考慮AI輔助需求的前提下，對分析環境進行定制和優化，確保其對AI友好且易于集成。

Lumos落地實踐：多智能體架構的深度解析

Lumos的角色定位：人機協同的數據伙伴

在Tomoro的生態中，Lumos扮演著至關重要的角色，旨在通過人機協同的方式，幫助一線非技術用戶克服數據分析中的技術和經驗障礙。例如，一位電商運營同學，即使不熟悉SQL，也能在Lumos的協助下，對海量（3.5億行）動銷商品數據進行深入分析，定位問題并制定運營策略。

多智能體架構的優勢

Lumos之所以采用多智能體架構，是因為復雜的數據分析任務往往涉及多個子任務，需要專業化處理。這種設計能夠更好地適應復雜場景，解決專業領域問題，并避免單一Agent負擔過重，從而保證了系統的靈活性和專業性。

解決多智能體一致性問題

為了解決多智能體協作中的一致性問題，Lumos引入了共享工作記憶機制。這意味著各個Agent能夠觀察到彼此的目標、計劃、結果和狀態，確保信息對齊。同時，任務按順序執行，確保下游任務能夠有效利用上游結果。雖然順序執行會損失一定的并行效率，但通過優化關鍵查詢和計算工具的效率，可以彌補用戶體驗上的損失。

極致查詢與計算工具響應

為了實現億級數據查詢的“本地化”速度，Tomoro與Mixquery引擎協作，構建了分級計算框架。該框架通過存儲、計算和多級緩存的設計，加速不同數據源和規模數據的計算。主要手段包括場景預計算、內存數據庫、托管式高性能引擎以及Python計算加速。這不僅提升了Agent的執行速度，也使得用戶能夠更便捷地驗證Agent結果，從而增強AI信任度。

AI Coding與工具調用的權衡

在AI Coding和工具調用之間，Tomoro優先選擇工具調用，并在工具存在局限性時，再啟用AI Coding。以繪圖為例，最初僅依賴AI Coding效果不佳，切換到MCP工具后體驗大幅提升。最終方案是結合使用，并建立反饋機制，持續監控AI Coding生成的圖表類型，驅動工具迭代，以實現大部分高頻圖表被有效覆蓋。