随着大语言模型（LLMs）的爆发式发展，数据智能体（Data Agents）作为衔接数据生态与人工智能的核心载体应运而生，正在重塑人类与数据交互的方式。然而，"数据智能体"术语的滥用导致概念模糊、责任界定不清等问题，严重阻碍了技术落地与产业发展。

近日，由香港科技大学（广州）、清华大学、华为、上海交通大学、中国人民大学、MetaGPT 等顶尖机构联合发布了系统性论文《A Survey of Data Agents: Emerging Paradigm or Overstated Hype?》，首次为数据智能体建立了清晰的 L0-L5 六级自主性分级标准，成功登上 Huggingface 热榜前三。

1. 数据智能体的定义

数据智能体是基于 LLM 构建的综合性架构，核心使命是协同"数据 + AI"生态，自主完成数据管理、数据准备、数据分析等全生命周期任务。

与传统数据工具不同，它能主动感知数据环境、调用专业工具、优化执行流程，最终输出可直接应用的结果（如优化配置、清洗后数据、分析报告等）。其抽象模型可表示为通过 LLM 驱动，在数据环境（含数据库、代码解释器、API 等）中对原始数据进行处理，完成特定数据任务并生成输出。

数据智能体的出现旨在解决传统数据任务专业门槛高、手动操作繁琐、跨流程协同难等痛点，通过自动化数据全生命周期任务，它能降低数据使用门槛，让非专业用户也能高效获取数据洞察，同时提升数据处理的效率与可靠性。

2. 与通用 LLM 智能体的核心差异

数据智能体并非通用 LLM 智能体的简单延伸，二者在核心设计上存在本质区别：

• 关注焦点：通用 LLM 智能体以任务或内容为核心，侧重完成特定指令或生成内容；数据智能体以数据生命周期为核心，覆盖从数据管理到分析的全流程。

• 问题范围：通用 LLM 智能体往往根据明确的指令和有限的提示行动；数据智能体会主动探索庞大的动态数据湖。

• 数据特性：通用 LLM 智能体处理小规模、洁净的现成数据；数据智能体需应对大规模、异构、动态且带噪声的原始数据。

• 工具集：通用 LLM 智能体依赖搜索引擎、计算器等通用工具；数据智能体需调用数据库加载器、SQL 验证器、可视化库等专业数据工具。

• 主要输出：通用 LLM 智能体输出的是对话、推理、图像等生成式结果；数据智能体输出的是配置、处理后的数据、洞见、可视化、分析报告等数据产品。

• 错误影响：通用 LLM 智能体的错误局限于直接输出；数据智能体的错误可能级联传播，影响下游所有分析结果。

总体而言，数据智能体更像是一种"专业化"的 LLM 智能体，它为了解决特定领域（数据任务）的复杂问题，需要将通用 LLM 的认知能力与专用工具和环境相结合。两者之间的关系并非简单的替代，而是一种内核与外延的协同。

在实践层面，通用 LLM 智能体扮演着战略指挥与通用认知的核心，它提供理解用户意图、进行任务规划、逻辑推理和自然语言交互的基础能力，是所有智能行为的"大脑"。

而数据智能体则在此基础上，深度融合了专业的数据工具与环境感知能力，成为负责战术执行的"专家"。它将通用 LLM 的认知指令，转化为对数据库、代码解释器、可视化库等专用工具的一系列精准调用和复杂操作，从而在庞大、异构且动态的真实数据世界中完成从管理、准备到分析的端到端任务。

可以说，数据智能体是通用 LLM 能力在数据科学领域的具体化、专业化和工具化延伸，二者共同构成了一个通用智能驱动专业执行的强大范式，使得人类能够以更高阶的自然语言指令，驾驭日益复杂的数据生态系统。

3. L0-L5 六级自主性分类体系

不同级别的代表性数据智能体

为解决数据智能体术语模糊的问题，研究团队借鉴 SAE 自动驾驶 J3016 标准，提出了六级自主性分类体系，清晰界定了不同阶段的数据智能体能力边界与责任分配。

数据智能体的层级间进化

3.1. L0（无自主性）：纯手动操作

• 核心特征：无任何数据智能体参与，所有数据任务（如 SQL 编写、数据清洗、可视化制作）均由人类分析师手动完成。

• 典型场景：传统数据团队依赖 Excel、SQL 工具手动处理数据，需具备专业的数据库知识与编程能力。

• 局限：效率低下、易出错、专业门槛高，无法应对大规模异构数据。

3.2. L1（辅助性）：Prompt 响应式辅助

L1 阶段的核心进步是将 LLM 的自然语言理解与推理能力引入数据任务，代表系统主要聚焦单一子任务，例如 DB-GPT（查询重写）、RetClean（数据清洗）、DIN-SQL（数据分析）。

• 核心特征：基于"提示 - 响应"模式，为数据相关任务提供初步协助，如生成 SQL 片段、数据清洗脚本、简单建议等，无环境感知与交互能力。

• 人类角色：主导任务流程，负责整合、验证智能体输出，仍需手动执行与优化。

• 局限：无状态、被动响应，无法根据环境反馈调整策略，仅能减轻局部重复劳动。

L1 数据智能体（辅助型）

3.3. L2（部分自主性）：环境感知与流程执行

L2 的关键是环境感知与反馈闭环，代表系统通过工具调用、记忆机制实现流程自动化，例如 AutoPrep（数据准备）、MatPlotAgent（可视化生成）、D-Bot（系统诊断）。

• 核心特征：具备环境感知能力，可连接数据湖、代码解释器等资源，通过工具调用、记忆机制和环境反馈，自主执行人类编排的特定流程。

• 关键进步：从被动响应转向主动执行，能自主处理流程内的异常（如代码调试、数据格式适配），但仍依赖人类设计的整体工作流。

• 局限：任务范围固定，无法自主设计工作流，跨任务适配能力弱。

L2 数据智能体（部分自主性）

3.4. L3（条件自主性）：自主管道编排与监督执行

• 核心特征：在人类监督下，能自主理解高层级目标（如"分析客户流失原因"），编排端到端的数据处理管道，覆盖数据准备、分析等多个阶段，其范围超出人类定义的工作流或特定任务，在数据相关任务中占据主导地位。

• 人类角色：这一级别标志着一个关键转变，人类从流程设计者转变为监督者，仅在智能体出现重大决策偏差时介入。

• 现状：当前处于 L2 向 L3 过渡的关键阶段，尚无系统完全达到 L3，但已有 Proto-L3 系统。Proto-L3 系统开始尝试自主管道编排，但仍存在明显局限，依赖预定义工具集，难以覆盖复杂数据管理任务（如深度配置调优），战略推理能力薄弱。

L3 数据智能体（条件自主性）

3.5. L4（高度自主性）：主动任务发现与自主执行

• 核心特征：高度的自主性和可靠性。无需人类指令，通过持续监控数据湖，主动发现有价值的任务（如数据异常、潜在趋势），自主编排管道完成分析，无需人类监督。

• 愿景能力：数据智能体在操作中采取主动，自主问题发现、长期规划、可信自治。

• 人类角色：完全委托责任，成为旁观者。

• 现状：尚未有成熟系统实现，处于理论研究阶段。

L4 数据智能体（高度自主性）

3.6. L5（完全自主性）：生成式创新与范式突破

• 核心特征：超越现有方法，具备创新能力，能发明新的数据分析范式、算法或理论。

• 愿景能力：针对复杂数据场景设计全新解决方案，推动数据科学领域的技术革新。

• 人类角色：无需参与，数据智能体完全主导从任务发现到方法创新的全流程。

• 现状：远期愿景，依赖 LLM 在推理、创新能力上的根本性突破。

L5 数据智能体（完全自主性）

4. 未来展望

4.1. 短期目标：突破 L2-L3 过渡瓶颈

当前数据智能体正处于从 L2 向 L3 过渡的关键阶段，Proto-L3 系统（如 AgenticData、DeepAnalyze）虽已展现自主管道编排的初步能力，但仍存在显著技术鸿沟，短期需聚焦三大核心突破方向：

• 增强管道编排自主性：论文指出，当前 Proto-L3 系统依赖预定义算子与工具集（如 AOP、BigQuery 使用的语义算子），无法自主生成新型处理组件。未来需开发动态算子生成与验证机制，摆脱对固定工具的依赖，实现管道编排的灵活性。

• 完善数据生命周期覆盖：现有 Proto-L3 系统多聚焦数据准备与分析，对数据管理的核心任务（配置调优、系统诊断、查询优化）覆盖不足。需强化数据智能体在低层级系统操作的能力，实现从数据基础设施管理到高层级分析洞察的端到端覆盖。

• 强化高级推理能力：当前系统多局限于战术修复（如修正 SQL 错误、调整清洗步骤），缺乏战略调整能力。论文建议引入因果推理与元推理机制，例如构建支持跨流程优化的记忆架构，让智能体能识别错误根源（而非仅修正表面问题），并基于长期目标调整分析策略。

4.2. 中期目标：实现 L4 高度自主数据智能体

L4 数据智能体的核心定义是无需人类监督，主动发现并解决数据任务，需具备三大核心能力，成为数据湖中可信、长期存续的自主智能体：

• 自主问题发现能力：区别于低层级智能体的任务驱动，L4 智能体需通过持续监控数据湖，主动识别潜在价值任务。例如，智能体可自主检测"买断式订阅增长而月度订阅下降"的用户行为趋势，或发现特定区域交易数据的周期性异常，将数据管道从被动流转转化为主动生成分析假设的源头。

• 可信自我治理能力：作为完全委托数据责任的通用型专家，L4 智能体需精通全数据生命周期操作。论文强调，其需建立资源自我管理、结果验证、数据安全三位一体的治理机制。例如，自主分配计算资源、验证分析结果的准确性、保障数据访问的隐私安全，这是实现人类无需监督的核心前提。

• 长期视野与全局观：L4 智能体需具备跨时间维度的决策能力，能在短期成本与长期价值间权衡。例如，智能体需评估"数据清洗的即时计算成本"与"后续分析的准确性收益"，优先选择全局最优方案，而非局限于局部流程的效率优化。

4.3. 长期目标：达成 L5 完全自主与创新

L5 是数据智能体的终极形态，论文将其定义为泛在、生成式的自主数据科学家，核心突破是从应用现有方法到创造新范式：

• 生成式创新能力：L5 智能体需在传统方法失效时，自主发明新解决方案。例如，为高流速数据流开发新型采样理论、为高维数据设计原创可视化语法，这些创新不仅解决特定问题，还能推动数据科学领域的技术前沿。

• 人类完全脱离干预：论文提出，L5 智能体的专业能力与创造力将超越人类，此时人类参与不仅不必要，还可能干扰智能体的决策。从形式化定义看，L5 智能体可自主完成"任务发现、创新流程设计、结果生成"的全链条，无需任何人类输入。

论文强调，从 Proto-L3 到 L5 的演进需基础突破而非增量改进，当前需解决四大核心挑战，并推进可落地的探索性工作：一是动态环境适应（应对数据漂移等情况）；二是长期记忆与规划（存储并复用跨任务经验）；三是多模态数据处理（整合文本、表格、图像等异构数据）；四是安全与可靠性（避免错误级联传播，保障隐私）。

建议从逐步减少人类干预入手，例如开发能在数据湖中自主管理多任务的智能体系统，通过"人类监督→半监督→无监督"的渐进式验证，为更高层级的自主性积累技术经验。

5. 总结

当前，数据智能体已从 L1 的初步辅助发展到 L2 的部分自主，正处于向 L3 条件自主过渡的关键阶段，Proto-L3 系统的探索为后续发展奠定了基础。然而，从 L2 到 L3 的技术鸿沟、数据生命周期覆盖不全、高级推理能力不足等挑战仍需突破。

未来，数据智能体将沿着"自主化 - 主动化 - 生成化"的路径演进，从被动执行任务的工具，转变为主动发现问题、自主优化流程、甚至发明创新方法的智能体。

随着技术的不断成熟，数据智能体有望真正实现数据科学的民主化，让更多用户无需专业知识即可挖掘数据价值，同时推动数据密集型领域的效率革命与技术创新。