在智能体（Agent）领域，打造一个能运行的Demo（样本）并非难事，真正的挑战在于评估其实际应用情况，具体涵盖用户规模、使用频率以及应用成效这三个关键维度。9月19日，在快手举办的技术沙龙活动上，快手平台产品技术中心负责人张蕤在开场发言中明确指出：过去两年，行业内热衷于比较模型参数大小、演示效果优劣以及Demo的惊艳程度；然而当下，竞赛的衡量标准正逐渐转变为上述三个更为严苛的指标。

据徽声在线记者在现场观察，快手公布的数据显示，其Data Agent（数据智能体）整体WAU（周活跃用户数）已突破10600，周人均对话次数达到55次，在单次任务提效方面，中位数达到了13倍。

在“兑现期”来临之前，快手高层就已明确战略方向。在快手2025年报电话会议上，快手创始人兼首席执行官程一笑明确将“Agent能力”列为2026年的重点投入方向之一。这一举措表明，Agent在快手内部并非是一项试验性的技术探索，而是与大模型战略并行推进的核心战略，具有举足轻重的地位。

图片来源：阿里云官网

近期，Data Agent领域的竞争态势愈发激烈。不久前，阿里云在IDC（国际数据公司）中国Data Agent评选中斩获头名。此次评估共有18家厂商参与角逐，最终仅有4家成功进入领导者象限，相较于2025年，竞争门槛显著提高。与此同时，字节跳动旗下的火山引擎Data Agent在抖音集团内部初步实现了PMF（产品市场契合），并在销售场景中成功落地应用。

由此可见，Data Agent的竞争逻辑已发生根本性转变。曾经盛行的参数竞赛逐渐落幕，“兑现期”的大幕正式拉开，各厂商开始在实际应用层面展开激烈角逐。

一年快速迭代，快手致力于打造统一的Data Agent

从本质上讲，Data Agent是借助AI（人工智能）智能体技术，将数据集成、治理、分析以及业务决策等环节串联成一个自动化闭环的新一代数据智能范式。简单来说，就是让一个精通数据的AI员工能够独立完成“找数—洗数—算数—看数—拍板”的整个流程，而人类只需负责设定目标以及把控关键节点。

IDC预测，到2028年，将有60%的中国500强企业部署企业级Data Agent。张蕤在演讲中多次强调一个重要观点：Data Agent的核心目标并非在于能够完成多少任务，而是要实现泛化能力和准确性的同步提升。因为只有具备强大的泛化能力，才能适应各种复杂多变的业务场景；而高准确性则是确保决策可靠性的关键因素。

然而，实现这一目标并非一帆风顺，Data Agent的发展之路充满挑战。

据徽声在线记者了解，快手Data Agent的演进节奏十分紧凑。2025年，快手主要以Workflow（固定工作流）的方式展开探索，通过这种方式沉淀了第一版知识体系，为后续发展奠定了基础。到了2025年底，快手转向采用“Agentic + Skill”（自主智能体模式 + 技能包）架构，有效解决了Workflow模式中“能力分散、流程固化”的长期难题。2026年第一季度，快手成功完成了生产和分析两个场景的Agentic应用落地。从Workflow到Agentic的转变，仅用了一年左右的时间，展现了快手在技术研发上的高效执行力。

图片来源：每经记者 王郁彪 摄

不过，在Data Agent领域，真正构成竞争壁垒的并非架构的选择，而是质量基础设施的完善程度。据张蕤介绍，快手在Data Agent上线前设置了严格的评测准入卡口。累计评测了60万条数据，评测任务超过1万个，将上线准入门槛设定为80%。这意味着每一个功能迭代，都需要在数万条真实业务问题的回归测试中经受考验，只有通过严格测试的功能才能上线，确保了Data Agent的质量和稳定性。

在诊断环节，快手提供了三层强大的能力支持。其中，Trace（全链路追踪）平台能够对全链路请求进行精准还原，帮助技术人员快速定位问题；浏览器插件支持问题复现，使技术人员能够直观地了解问题出现的场景；内置智能诊断Agent实现一键排查，大大提高了问题诊断的效率。通过这三层能力，形成了“发现—复现—诊断—修复—经验沉淀”的完整闭环，为Data Agent的稳定运行提供了有力保障。

张蕤在接受现场采访时透露，跨Agent的访问需求在业务中非常普遍。例如，电商、商业化、生活服务等领域的数据经常相互交织，难以分割。这也是快手决定打造统一的Data Agent的重要原因。最终，快手采用了父子Agent架构，即子Agent专注于特定业务领域，保持业务专注性；父Agent作为统一入口进行路由分配，当前路由准确率达到了95%，有效解决了跨Agent访问的难题。

除了技术架构层面的变革，更深层次的变化发生在组织层面。张蕤提到，数据平台内部的数据工程师（DE）和业务产品经理（BPM）的边界正在逐渐模糊，两者融合形成了“数据FDE”。这种新型角色单人即可完成需求对接、数据建模和全链路交付等工作，提高了工作效率和协同性。同时，研发团队也从传统的产品、设计、前后端QA（测试质量保障工程师）向PDE（产品设计工程师）和全栈工程师方向转型。随着Agent接管了标准化的取数和分析动作，剩余的人力向端到端复合角色集中，这一趋势对于企业的长期发展具有更为深远的意义。

Data Agent路径分化：交付效率决定排名，交付能力决定最终格局

快手并非在Data Agent领域独自探索，目前，Data Agent的竞赛正以多种不同的路径同时推进。字节、阿里、腾讯等互联网大厂都在凭借各自的方式，探寻在这场竞赛中脱颖而出的关键因素。

阿里云的策略是注重全栈能力和规模化交付。据徽声在线记者了解，阿里云的战略部署并非依靠单一产品的突破，而是将AI Agent能力深度嵌入数据库、数据中台等核心产品线，形成端到端的全栈覆盖。自2025年初以来，阿里云已为汽车、互联网金融、零售等多个行业的客户搭建了Agent数据流程，通过规模化交付满足不同客户的多样化需求。

字节跳动则选择了先在内部跑通再向外推广的路径。火山引擎Data Agent自2023年立项以来，经过不断研发和优化，现已在销售场景中成功落地。据公开信息显示，其能力已覆盖10类岗位角色、36类工作任务，为企业的销售业务提供了有力的支持。

腾讯则从知识工程的更底层切入，探索Data Agent的发展路径。腾讯PCG大数据平台部Agent工程负责人王思懿在快手技术沙龙上介绍，腾讯“灯塔AI”的核心判断是，Data Agent的发展瓶颈不在于“无法回答问题”，而在于回答的“准确性和可溯源性”。以查询“华东上个月净销售额扣减了哪些退款”为例，缺乏知识底座的Agent可能会直接给出一个数字，但无法说明数据来源和计算口径，导致结果难以核验。腾讯要解决的就是这个问题，通过搭建一张“语义图谱”，使每个答案都能追溯到“这个指标定义在哪个表、这个口径来自哪个图卡”，确保回答的准确性和可溯源性。

王思懿坦言，“记忆并非越多越好，否则容易混淆不同时间的信息”。这句话也揭示了一个容易被忽视的问题，即Agent的记忆需要合理筛选。腾讯选择让记忆“有选择地记住”，而不是“什么都记住”，以提高Agent的运行效率和准确性。

从多家大厂的布局思路可以看出，Data Agent的竞争重心已经发生了转变。过去，行业内比拼的是谁的模型更强大；而现在，竞争的关键在于谁的知识层更精准、交付链路更短、组织适配更快。技术本身已经不再是难以跨越的门槛，能否将技术转化为日常可用的工具，可能才是决定企业在Data Agent领域成败的真正分水岭。