多维分析 Agent
AI Data Analysis Assistant

面向游戏业务的
多维数据分析 Agent

自然语言提问 → Agent 编排 → MCP 工具取数 → 可视化分析结果

点击一个问题，观察 Agent 如何组织分析

业务分析预览
Ready
You
最近 7 天活跃账号数趋势怎么样？
AI
已识别为基于事件的趋势分析：按登录事件去重聚合登录账号数，时间窗口为近 7 天。
AI
Agent 输出

活跃账号数趋势

analysis_result
近 7 天活跃账号数整体上升，周日达到峰值，可继续追问“按渠道看”或“为什么提升”。
Capability Map

核心能力地图

围绕游戏运营分析场景，Agent 将业务入口、代码编排、模型分析能力和结果交付组织成一套灵活的数据分析系统。

理解业务问题
→
拆解分析任务
→
补齐口径上下文
→
选择模型能力
→
组装结果
分析模型
支撑能力
图表结果
解释与追问
Attribution

归因下钻：回答「为什么」

Agent 不直接猜原因，而是先确认目标现象，再沿多维下钻和关联指标两条路线生成候选，分别评分后合并为可复核的归因线索。

目标问题

活跃账号数为什么下降？

现象确认：近 3 天活跃账号数低于前 7 天均值，下降幅度约 12.4%。

目标指标 活跃账号数 当前窗口：近 3 天 / 对比窗口：前 7 天均值
Step 1

现象确认

先查询目标指标，确认当前窗口相对对比窗口是否真的变化。

门控结果 下降现象成立 变化幅度 -12.4%
Route A

多维下钻排查

扫描 14 个候选维度
候选来源

候选来自指标默认维度、事件属性和用户属性。

展开扫描
筛选逻辑
维度挑选逻辑
业务优先级 数据质量 同向变化信号
优先保留分组可比较、方向一致、贡献集中的维度。
Top 线索
Route B

关联指标排查

查询 10 个关联指标
候选来源

候选来自目标指标的业务关系图谱。

展开查询
筛选逻辑
指标挑选逻辑
业务关系权重 变化幅度 是否同向
优先保留和目标指标同向变化、业务链路更近的指标。
Top 线索
Step 3

线索合并排序

将维度贡献线索和关联指标线索合并，形成优先排查方向。

维度贡献线索 + 关联指标线索 → 归因卡片
归因卡片

优先排查渠道 A 与 Android 端的登录链路

维度扫描显示渠道 A 和 Android 端同向下降；关联指标显示启动设备数、新增账号数同步走低，优先复核该渠道投放、人群质量和登录入口。

Orchestration

模型编排：分析「随便问」

用户可以随便问，Agent 会先判断分析意图、带上上下文，再用稳定的代码编排把问题变成可执行任务。

01 上下文

多轮上下文传递

每轮分析都会沉淀成 Event-User Context，下一轮追问可直接继承，以便于 LLM 进行意图识别。

Event-User Context 继续传给下一轮
继承事件、指标、时间，只补充本轮新增维度
蓝色：上一轮继承 绿色：本轮新增 橙色：本轮锁定/切换

沉淀 Event-User Context

第一轮把自然语言问题沉淀为事件、指标、时间、用户集合和结果引用。

Event登录事件
Metric活跃账号数
Time近 7 天
User全部活跃账号
Dimension未指定
Result趋势图
02 意图识别

意图识别与模型切换

Agent 不是让用户选择模型，而是从问题措辞、当前对象、已有结果里识别信号，再决定进入哪个分析模型。

用户追问最近活跃怎么样？
识别信号
问题措辞怎么样 / 趋势
当前对象整体活跃
已有结果无
问题类型查看结果
判断结果
本轮应该做什么进入事件分析

识别为“查看指标趋势”，优先使用事件分析生成趋势图和结论。

路由到分析模型
命中的模型
事件分析 分布分析 留存分析 画像分析 人群圈选 归因下钻 关联指标查询
输出：趋势图 + 结论说明 可继续追问“按渠道拆一下”
03 程序编排

弱模型强程序编排

复杂会话由程序控制主流程，模型只处理三类被限定好的小任务：理解问题、生成查询 JSON、总结结果。

程序控制流程 模型小任务 结果呈现
用户输入
程序编排
模型小任务
结果呈现
程序步骤

读取会话状态

每一轮开始前，程序先读取当前指标、时间窗口、维度、选中对象和已有证据。

输入上一轮指标、时间、维度和结果。
输出当前分析现场。