在智能体（Agent）领域，打造出一个能够流畅运行的Demo（样本）并非难事，真正的挑战在于“用户规模有多大、使用频率有多高、能带来哪些实际成果”这三个关键问题。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开场便抛出这样一个观点：过去两年，行业内热衷于比拼模型参数的大小、演示效果的惊艳程度以及Demo的华丽程度；然而如今，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的观察，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大关，周人均对话次数达到55次，在单次任务提效方面，中位数更是高达13倍。这一系列数据充分表明，快手的Data Agent在实际应用中已经取得了显著成效。

在“兑现期”来临之前，快手高层其实早已有了明确的方向。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。这一决策意味着，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驾齐驱、共同推进的核心战略，彰显了快手对这一领域的坚定信心和长远布局。

图片来源：阿里云官网

无独有偶，就在不久前，阿里云在IDC（国际数据公司）中国Data Agent的评选中斩获头名。此次评估吸引了18家厂商参与角逐，最终仅有4家成功进入领导者象限，与2025年相比，竞争门槛明显提高。与此同时，字节跳动旗下的火山引擎Data Agent在抖音集团内部也取得了初步的PMF（产品市场契合），并在销售场景中成功落地应用，为业务发展提供了有力支持。

由此可见，Data Agent的竞争逻辑已经发生了根本性的转变。曾经热闹非凡的参数竞赛已然落下帷幕，“兑现期”的大幕正缓缓拉开。在这个新的阶段，各厂商需要更加注重实际应用效果和用户体验，以赢得市场的认可。

一年快速迭代，快手致力于打造统一的Data Agent

从本质上来说，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。简单来讲，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和把控关键节点，大大提高了工作效率和决策的准确性。

IDC做出预测，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判断：Data Agent的核心目标并非是“能够完成多少事情”，而是要实现“泛化能力和准确性的同步提升”。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的发展之路充满了挑战。

据徽声在线记者了解，快手Data Agent的演进节奏十分紧凑。在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，为后续的发展奠定了基础。到了2025年底，快手转向“Agentic + Skill”（自主智能体模式 + 技能包）架构，成功解决了Workflow模式下“能力分散、流程固化”的顽疾，使Data Agent具备了更强的灵活性和适应性。2026年第一季度，快手完成了生产和分析两个场景的Agentic应用落地，进一步拓展了Data Agent的应用范围。从Workflow到Agentic的转变，快手仅用了一年左右的时间，展现了其强大的技术实力和创新能力。

图片来源：每经记者 王郁彪 摄

不过，真正构成快手Data Agent竞争壁垒的并非是架构的选择，而是质量基础设施的厚度。据张蕤介绍，快手在上线Data Agent之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，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住考验，只有达到高标准的功能才能得以上线，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。其中，Trace（全链路追踪）平台能够对全链路请求进行还原，让问题的排查更加精准；浏览器插件支持问题复现，方便开发人员快速定位问题；内置智能诊断Agent实现一键排查，形成“发现—复现—诊断—修复—经验沉淀”的闭环。通过这三层能力的协同作用，快手能够及时发现并解决Data Agent运行过程中出现的问题，不断提升其性能和可靠性。

张蕤在接受现场采访时透露，跨Agent的访问需求在快手的业务中“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，这就需要一个统一的Data Agent来进行管理和协调。为了满足这一需求，快手最终采用了父子Agent架构，即子Agent保持业务专注，负责处理特定的业务任务；父Agent统一入口做路由，根据业务需求将请求分配给相应的子Agent。目前，这种架构的路由准确率已经达到95%，有效提高了数据处理的效率和准确性。

除了技术层面的变革，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，两者融合为“数据FDE”，这种新型角色能够单人完成需求对接、数据建模和全链路交付等工作，提高了工作效率和沟通效果。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。当Agent接管了标准化的取数和分析动作后，剩余的人力可以更加集中地投入到端到端的复合角色中，这种趋势对于企业的长期发展具有更为深远的意义。

Data Agent路径分野：交付效率决定座次，交付能力决定终局

快手的成功并非个例，目前Data Agent的竞赛正在以不同的路径同时展开。字节、阿里、腾讯等大厂都在凭借各自的方式，探寻在这场竞赛中取得胜利的关键因素。

阿里云的策略是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是依靠单一产品的突进，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年初起，阿里云就为汽车、互联网金融、零售等行业的客户搭建Agent数据流程，通过提供一站式的解决方案，满足客户多样化的需求，提升客户的竞争力。

字节的路径则是先在内部跑通再向外推广。火山引擎Data Agent从2023年立项以来，经过不断的研发和优化，现已在销售场景中成功落地。据公开信息显示，其能力已经覆盖了10类岗位角色、36类工作任务，为企业的销售业务提供了全方位的支持，提高了销售效率和业绩。

腾讯则选择了从知识工程的更底层切入。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的瓶颈不在于“答不出问题”，而在于“答案是否准确、是否可溯源”。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，但这个数字的数据来源、口径等信息却无从核验。腾讯要解决的就是这个问题，其做法是搭建一张“语义图谱”，让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”，确保答案的准确性和可解释性。

王思懿坦言，“记忆不宜过重，否则会混淆昨天和今天”。这句话也点出了一个容易被忽视的问题，即Agent并非是记得越多越好。腾讯选择让记忆“有选择地记住”，而不是“什么都记住”，通过精准的记忆管理，提高Agent的性能和效率。

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变化。以前，各厂商比拼的是谁的模型更强；而现在，竞争的关键在于谁的知识层更准、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产品和服务，可能才是真正决定胜负的分水岭。在未来的发展中，各厂商需要不断创新和优化，以适应市场的变化和用户的需求，在Data Agent领域占据一席之地。