Skip to content

About

A source-checked guide to AI data agents: architectures, implementations, semantic layers, benchmarks and production practices.

Topics

Resources

Contributing

Stars

0 stars

Watchers

0 watching

Forks

Repository files navigation

Awesome Data Agents · 2026

打开网页版 → · 全站搜索、交叉筛选、最近浏览、连续阅读与收藏 · 网页维护说明

一份把公开资料变成工程决策地图的 Data Agent 索引:从“能写 SQL”走向“可验证地完成数据工作”。

A source-checked guide to AI data agents: architectures, implementations, semantic layers, benchmarks and production practices. Chinese notes, original-language sources.

168 条资料 · 62 架构与实践 · 32 公开实现 · 23 分享与议程 · 17 研究 · 20 持续文档 · 14 评测

资料截止:2026-11-06(Asia/Shanghai) · 增量更新记录

从这里开始 · Start here

你想做什么 / Your goal 先看这里 / Start here
建立全景认识 / Get oriented 先看结论 → 2026 十个起点
选项目、组件或接入方案 / Choose an implementation 项目资料路线 → 实现选型快表
设计自己的 Data Agent / Design a system 参考架构 → 工程模式与反模式
评估质量与上线条件 / Evaluate readiness Benchmark 选择指南 → 设计评审模板
看公开分享或讲义 / Explore talks and slides 公开分享导航 → 按问题选择实录、幻灯片与官方培训入口
查新增资料或参与维护 / Follow changes or contribute 更新记录 → 推荐资料 / 提交勘误

收录规则 · 贡献指南 · 机器可读索引

完整导航 / Full contents

先看结论 · 参考架构 · 交付成熟度 · 反模式 · 10 个起点 · 国际导航 · 工程实践 · 中文分享 · 公开分享导航 · 公开实现 · 项目路线 · 论文评测 · 设计评审模板 · 机器索引

这里不追求链接数量。每条资料都尽量回到作者、项目或大会原始页面,并回答三个问题:它解决什么、采用什么机制、证据边界在哪里。 仓库进一步把分散材料提炼成参考架构、交付成熟度与设计检查表,帮助读者做方案判断,而不只是收藏链接。

English summary

A source-checked, 2026-focused field guide to Data Agent architectures, production write-ups, public implementations, benchmarks, papers, and talks. Beyond indexing links, it synthesizes an engineering model for context, execution, verification, and governance. Chinese annotations stay concise while original titles and first-party links are preserved.

Data Agent 原创系统参考图:跨层控制面约束身份、策略、预算审批与审计;Know 组织元数据、指标语义、血缘和已审核记忆;Act 通过任务 DAG、检查点及 SQL/Python/API 沙箱执行并观察;Prove 分别检查执行、数据与业务语义,附带来源、查询和限制,证据不足则澄清或升级;轨迹经评测、人工审核后形成获准的改进。

原创工程参考图:上层治理贯穿全程;中部展开上下文、任务 DAG、工具沙箱与分层验证;下层单独呈现经人工审核的评测改进。点击图片可查看细节。

如何读这张图:三条容易被忽略的工程边界
  • 上下文不等于原始数据。 目录、指标定义、粒度、关联关系和新鲜度帮助规划;实际查询与计算进入受控工具运行时,不要求把全部数据塞进模型。
  • 执行成功不等于答案正确。 执行、数据质量和业务语义分别校验,并保留来源、查询与限制。图中 Verified 表示通过所配置的检查并附有证据,不是正确性的绝对保证;证据不足应澄清、局部修复或升级处理。
  • 评测改进不等于自动自我训练。 Traces → Eval suite → Human review → Approved updates 是经审核的改进链;失败修复只重跑受影响步骤,不默认重启整个流程,也不直接把未验证结论写入长期记忆。

2026-11-06:重点项目证据复核

定向复核 6 个已有项目,总数保持 168。版本日期、文档提交与核验日期分别记录,不代表全库重新验证或项目实际运行测试。

  • MCP Toolbox v1.16.0: 发布证据与固定提交的 SQL 工具说明分开呈现;protected 仍允许经验证的会话临时写入,不等于严格只读。
  • Vanna / Data Formulator: 前者修正“身份传递等于行级过滤”的过宽措辞;后者保留稳定 0.7.0,并单列官方称为 beta 的 0.8b1,不能仅凭 GitHub prerelease=false 判作稳定版。
  • WrenAI / DB-GPT / Jupyter AI: 固定许可证和已读技术文档的提交,补充评测、结果截断和 Notebook 同步边界。全部核验范围见条目详情及 更新记录。

新增自动结构校验与桌面/手机 Chromium 关键路径测试;检查方法见 网页维护说明。

本轮扩充:技术文档、项目路线与公开分享

本轮补录 12 条 2026 年资料,并为 5 个已有项目补齐官方阅读路线。它是按主题补强,不将这些历史材料写成上次上传后的新发布;原始日期、版本与核验时间分别记录。

从 四条动手阅读路线进入,或按 公开分享导航选择实录、PDF 和培训页。完整明细见 更新记录 与 机器索引。

这轮更值得带着问题读的三个工程判断(本仓编辑归纳):

  • 看到配置入口,还要找到实际执行约束的位置。 Spring AI Alibaba 高级文档明确 API Key 后端校验尚未完成;Google MCP 文档则把工具调用与数据服务授权分开说明。
  • 有流程说明,还要检查它是否真的阻止错误交付。 三个分析 Harness 讲义给出可审阅的文件布局,但示例 hook 只是提醒;指标变化后的证据失效也需要实际实现。
  • 同样叫语义层,数据放置与执行路径可能不同。 AWS / AtScale 教程将分析数据先汇入 Redshift;对照系列中的图谱和虚拟化方案,选型时应把上下文、计算位置和身份路径一起比较。
展开本轮补录的 12 条资料
原始日期 一手资料 类型 / 阅读价值
04-07 DataHub Agent Context Kit:从目录上下文到分析 Agent 架构教程;SDK 与 MCP 两条接入路径,历史代码需核对当前版本
07-01 更新 火山引擎 DataAgent 私有化:3.21 系列文档 持续文档;检索范围、版本形态、工具开关与接口凭证
07-10 Catch 7 AI Analysis Mistakes 公开讲义;18 页检查指标、粒度、时期、来源与证据
07-16 Build 3 AI Harnesses for Trustworthy Analytics 公开讲义;15 页上下文、校验与证据复用设计
08-04 AWS 多模态数据分析:MCP / A2A 与 Supervisor 架构教程;配套前篇的数据治理,使用合成数据演示
08-20 火山引擎:分析洞察搭建流程概览 官方视频页;已核验简介和日期,完整播放未独立测试
09-10 DataHub + SecuPi:上下文与运行时控制 架构;用户身份、字段屏蔽和审计链分工
10-20 AWS + AtScale:语义模型与 AgentCore 架构教程;SML、MCP、身份传播与部署
10-26 更新 Google Data Agent Kit:Use MCP servers 持续文档;工具角色、服务权限、账号模拟与策略执行
10-29 release SQLBot ChatBI 应用 / MCP 提供方;附加条件的 modified GPLv3
10-30 更新 Databricks:Use the Genie Agents API 持续文档;会话、Agent mode 与管理 API 分开授权
11-02 衡石:多轮问数的上下文、偏好与学习开关 架构实践;会话条件、业务定义和长期复用分别验收

先看结论

以下是本仓对 2026 年公开材料的编辑归纳,不是行业标准或厂商排名。判断依据均可沿链接回到原始资料。

  1. 瓶颈正从“模型会不会写 SQL”转向“系统有没有正确上下文”。 Schema 只是起点,业务指标、术语、血缘、历史查询、组织知识与新鲜度共同决定答案上限。可对照 OpenAI、Anthropic 与 Snowflake 的实践。
  2. 可靠性来自受限执行器与独立验证,而不是更长的推理文本。 SQL、Python 或 Spark 需要在可控环境执行;“能运行”“结果合理”“业务语义正确”必须分开检查。
  3. 语义层正在从静态词典变成 Agent 循环中的 runtime 与 validator。 它不仅解释指标,也约束 grain、join、fan-out、权限和工具选择。
  4. 评测单位正在从最终答案扩展到轨迹、证据、拒答、成本与时延。 Hex、DAB 和 ClickHouse 展示了不同层次的测法。
  5. Multi-Agent 不是默认答案。 只有并行探索、专业分工或权限隔离带来明确收益时,额外的状态、成本和故障链路才值得承担;其余场景先把单 Agent、确定性工具与验证闭环做好。

一眼看懂 Data Agent

Data Agent 的难点,不只是把自然语言翻译成查询,而是让系统在正确的数据、业务语义和权限边界内,完成可执行、可验证、可追溯的分析。本仓用四个问题组织资料:它知道什么、如何行动、怎样证明、由谁控制。

工程轴 核心问题 关键构件 交付时应看到什么
Know · 上下文 Agent 是否拿到了正确的业务语境? Schema、指标口径、Glossary、Lineage、历史查询、Ontology、Skills 上下文有来源、版本、权限和新鲜度,而不是一次性把整库 Schema 塞进 Prompt
Act · 执行 Agent 如何把问题变成受控步骤? 澄清、计划、工具选择、SQL/Python/Spark、Sandbox、停止条件 每一步可中断、可复现;高风险工具受限,凭据不进入模型上下文
Prove · 验证 为什么相信结果,而不只是一段流畅回答? 语法、结果与语义检查,引用、轨迹、不确定性 展示数据来源、执行过程与验证结果;证据不足时拒答或升级
Control · 运营 上线后如何持续安全、稳定地工作? 权限、审批、审计、Trace、Evals、回归集、成本/时延预算、反馈与记忆 质量退化可发现,错误可追踪,写操作可审批,版本可回滚
业务问题
   ↓
意图识别与澄清 ───────────── 身份、权限与风险策略
   ↓
上下文路由 ───── Schema|指标|术语|血缘|历史|Skills
   ↓
计划与工具选择 ───────────── 任务分解、预算、停止条件
   ↓
受控执行 ─────── SQL|Python|Spark|搜索|BI
   ↓
多层验证 ─────── 可运行|结果|语义|证据|不确定性
   ↓
回答或经审批的行动
   ↺
Trace → Evals → 回归 → 反馈/记忆

只覆盖中间的“生成并运行 SQL”,仍是能力组件;上下文、执行、验证和运营形成闭环后,系统才接近可长期使用的 Data Agent。

交付成熟度:从会回答到可托付

这里衡量的不是模型聪明程度,而是一个 Data Agent 是否具备进入真实工作流的条件;它与论文中的自治等级不是同一套分类。

阶段 系统能做什么 升级前必须补齐
M0 · 可检索 找到相关表、指标和文档,回答定义类问题 权威来源、权限过滤、上下文新鲜度
M1 · 可执行 运行 SQL/代码,产出表格或图表 只读默认、Sandbox、超时/行数限制、可复现产物
M2 · 可验证 检查计划、查询、结果和业务语义,并附带证据 失败分类、确定性校验、引用、拒答与人工升级路径
M3 · 可运营 在生产环境持续服务,并发现质量回退 Trace、版本化回归集、Baseline、成本/时延预算、发布门禁
M4 · 可行动 在明确授权后触发下游流程或写操作 人工审批、最小权限、幂等、回滚与完整审计

成熟度不是功能计数:若权限、验证或回滚缺位,即使系统能完成复杂任务,也不应向更高阶段标注。可直接使用 Data Agent 设计评审模板 做上线前检查。

按目标阅读

你的目标 建议先读 再看实现/评测
企业问数 / ChatBI OpenAI、Anthropic、Snowflake Context Layer DAB、Shopee、DataHub
多源深度分析 Google Data Agent Kit、Databricks Genie DataSpace、DeepEye
数据工程 Agent Altimate Code、Snowflake Cortex Code DataClawEval、DataWorks、RHOAI
质量与评测体系 OpenAI、Hex、ClickHouse AgenticDataBench、Microsoft workshop
语义与上下文层 DataHub、EvoOntology、Datus WrenAI、Snowflake Cortex Sense

工程模式与反模式

反模式 典型症状 更稳妥的工程模式
Schema 全量灌入 Prompt 上下文过长、过时,命中原因难解释 分层检索,只装配与当前问题有关的 Schema、指标和历史证据
SQL 能跑就算正确 Grain、Join、单位或业务口径仍可能错误 把执行校验、结果校验、语义校验与证据检查拆开
默认上 Multi-Agent 状态、成本和故障链路变复杂,却没有明确收益 先完成单 Agent 闭环;仅在并行、分工或隔离确有需要时拆分
模型直连全部数据与工具 权限过宽、凭据暴露、工具选择不可控 通过受治理工具层连接,采用最小权限、只读默认和 Sandbox
只测演示样例 Happy path 顺畅,遇到脏 Schema、歧义或缺失数据就失效 建立真实任务回归集、失败分类与 Candidate-vs-Baseline 评测
永久记忆但没有治理 旧口径与错误经验被持续复用 为记忆标注来源、版本、Owner 与失效策略
直接开放写操作 分析错误被放大为下游动作 写操作单独授权,并增加审批、幂等、审计与回滚

收录边界

这里的 Data Agent 指能在受治理的数据环境中,自主完成部分或全部数据发现、语义理解、查询/代码生成、执行、验证、分析、可视化、报告或后续行动的智能体系统。它不等同于只有一次 Text-to-SQL 调用的聊天框。

  • 优先一手来源;必须能核验到 2026 年日期或重要更新,并包含可复用的架构、实现或评测信息。
  • 厂商内部数字只按“发布方自述”记录,不做跨系统排名;无项目级许可证的仓库只称“公开源码”。
  • 🧪 为研究或早期项目;♻️ 为旧项目的 2026 重要更新;📅 为截止日仅有议程,不能视作已有回放;🗄️ 为已归档实现。

完整规则见 METHODOLOGY.md,结构化元数据见 resources.json。

2026 十个起点

  1. 2026-01-29 · Inside OpenAI’s in-house data agent — 表使用、人工标注、Codex 代码富化、组织知识、记忆和运行时上下文六层 grounding;同时公开了 SQL/结果联合评测思路。
  2. 2026-06-03 · How Anthropic enables self-service data analytics with Claude — 把可信数据基础、source of truth、Skills、验证与同代码评审流程连接起来。
  3. 2026-05-19 · Data Agent Kit brings data skills and tools to your IDE or CLI — “通用 Coding Agent + Data Skills + MCP tools”路线的代表。
  4. 2026-05-08 · Pushing the Frontier for Data Agents with Genie — 专项知识搜索、并行思考、多模型和自纠错/验证的组合设计。
  5. 2026-03-19 · The Agent Context Layer for Trustworthy Data Agents — 从语义、规则、权限和验证解释可信 Data Agent 的上下文层。
  6. 2026-04-16–18 · Shopee:从 AI 取数到智能分析 — 从单链 RAG 到渐进披露 Multi-Agent、File-as-Context、Sandbox、Skills 与评测运营闭环。
  7. 2026-02-04 · Data Agents: Levels, State of the Art, and Open Problems — 从 L0 到 L5 的自治分级,是建立共同语言的最佳入口之一。
  8. 2026-03-21 · Can AI Agents Answer Your Data Questions? — 面向真实企业异构数据库任务的 DAB benchmark;建议同时查看最新版论文与榜单。
  9. 2026-08-04 · DataSpace — 410 个跨语言任务、六种模态与确定性表格评测,也是 KDD Cup 2026 Data Agent Track 的官方 benchmark。
  10. 2026-09-15 · EvoOntology — 通过 MCP 暴露可版本化、可自演进的 Ontology Layer,直接回应语义层维护成本问题。

国际资料导航

从一个具体工程问题进入,再顺着实现、教程和评测阅读。下表是资料入口,不是厂商排名;完整项目路线见 PROJECT_GUIDE.md。

你想研究什么 建议入口 可复用的内容
数据工程 Agent 如何自行校验 dbt Wizard harness · dbt Skills DAG 上下文、编译反馈、限定验证范围、数据差异评审
分析 Agent 的工具如何设计 Cube Harness · Preset 生产化 结构化错误、结果分页、持久状态、异步与流式接入
上下文如何持续修正 Hex Context Suggestions · MotherDuck Guides 会话复盘、人工审核、仓内上下文和版本管理
BI 与多租户工具如何接入 Superset MCP · Preset 企业化 预览与持久化分开、RBAC/RLS、工作区隔离
如何评测上下文和 Skills 的实际收益 Xorq 配对实验 · Preset Skills 评测 固定条件对照、轨迹规则检查、质量与额外 token 成本
如何构建真实的数据工作验收集 ADE-bench · Hex DataBench 工程修复与开放分析采用不同验收;后者任务集仍私有
云平台上的 Agent 怎样继承真实用户权限 AWS 身份传播 · Genie MCP 身份沿工具链传递、按数据目录授权、记录访问证据

日期中的“更新”表示该页或项目在 2026 年的重要变更,不表示首次发布。资料数量按独立条目统计,同一项目的文章、实现与教程可能分别计数。

工程实践与公开分享

上下文、语义与可信分析

编排、执行与数据工程

身份、权限与接入治理

评测、质量与可观测性

  • 2026-02-17 · Amplitude · Can agents take on enterprise analytics? A task-based evaluation — 用描述、诊断、预测、处方四类任务与透明度/证据 rubric 取代单一 Text-to-SQL 分数。
  • 2026-04-22 · Xorq · Orientation Over Reasoning — 固定模型、执行预算与评分器,在 450 个 DABStep 问题上比较原始文件与 33 个命名语义表达式目录,公开环境、日志及评分流程。 作者明确提示公开题污染,配对成绩不作排行榜依据。
  • 2026-04-30 · Dot · From 10% to 90% on Adyen’s DABstep: configuring a data warehouse agent — 将业务约定与重复分析路径沉淀为配置,再让 Agent 读取失败、提出修改并重新测量;用版本化实验记录保留成功和回退路径。 仅覆盖 30 个任务、14 个配置版本;标题中的 90% 不是全量基准得分。
  • 2026-05-22 · Hex · How we built a lab to evaluate data agents — candidate-vs-baseline、确定性/LLM/混合评分和带脏 schema 的合成公司数据。
  • 2026-06-11 · Preset · Preset Agent Skills: Giving Your AI Agent Real Preset Expertise — 以 31 个真实 BI 操作任务成对比较有无 Skills,重复运行并确定性检查工具选择、执行顺序、审批节点与秘密保护。 结果限于作者任务集,并增加上下文成本。
  • 2026-08-04 · Hex · Introducing Evals — 版本化 YAML eval suite、Context Preview、定时漂移检测和模型/成本 sweep。
  • 2026-08-13 · Hex · Introducing DataBench — 在混乱的合成企业数据仓库中设置 100 个问答与开放分析任务,覆盖指标歧义、缺失证据和拒绝作答。 任务集保持私有,适合研究评测方法。
  • 2026-09-01 · ClickHouse · The Agentic Analytics Benchmark — 201 个生产问题、29 个模型,以通过率、成本、时延和轮次预算联合评测;公开方法和限制。
  • 2026-09-17 更新 · Databricks Documentation · Test and monitor a Genie Agent — 串联线上反馈、人工纠错与离线基准;区分 Chat 的 SQL 结果比较和 Agent 的 LLM 评判,适合设计持续维护的验收集。
  • 2026-10-14 更新 · dbt Labs · Introducing ADE-bench: measuring how AI agents perform data work — 以真实 dbt 项目、DuckDB 数据与 Docker 环境测试模糊修复任务,并联合观察测试通过率、成本和运行时。 结果属于发布方特定配置。
  • 2026-10-27 · Data–Marc · Can You Trust Your Fabric Data Agent? Programmatically Testing Accuracy and Determinism — 保存参考查询,每次从当前数据计算期望值,再运行 SDK 评测并留存步骤。参考查询的身份、权限与数据快照必须和被测 Agent 对齐。
  • 2026-10-27 · ClickHouse · The Agentic Analytics Benchmark: ranking tables and labeling failures with Jev — 表排序、类型化失败归因与确定性事实检查;检索组件表现较好,但跨 20 个模型未出现显著端到端准确率提升,保留负结果与开发/保留集边界。
  • 2026-10-29 · Michael John Peña · Fabric Data Agent Accuracy Is a Distribution, Not a Number — 对 24 问题、三种表述做多次新会话评测,比较数值判定、SDK judge 与 pass^k。仅覆盖指定电力数据、Standard runtime 和预览 SDK,不代表所有 Fabric Agent。

演讲与视频

  • 2026-05-21 · Preset · Anatomy of our Internal Data Agent — 公开 Live Talk,覆盖内部数据专家、工具、语义层和数据团队工作方式。
  • 2026-05-26 · Open Data Circle · Data Agents Need an Agent-facing Data Plane — freshness、semantics、multimodality、governance、actionability、observability 六维框架与演进图。
  • 2026-10-28 · Atlan Context Conference · The Post-AI Data Stack: A blueprint for analytics agents — 36:55 公开视频与逐字稿;指标、Ontology、Skills 上下文及客户落地讨论,覆盖认证指标优先、标注推断、版本治理与评测回流。准确率陈述属于发布方内部经验。

中文与国内实践

已公开材料

会议议程与公开材料核验

展开已举办、但具体录像或幻灯片尚未核验的场次

QCon 上海 2026-10-22–24 与 DACon 北京 10 月 23–24 日均已举办。上次于 2026-11-02 复查时,下列记录仍仅确认官方大纲;本轮沿用该材料核验状态。大会结束或出现 PPT 汇总入口,不等于已核验该场次的可读录像、实录或幻灯片,因此继续标记为 agenda:

开源实现与公开源码

“公开源码”不自动等于 OSI 开源。下列无许可证、混合许可证或 EAP 项目已显式标注;使用前请自行核对仓库当前 LICENSE。

选型快表

这张表只做入口导航,不是排行榜。完整说明和许可证提示仍以下方项目条目为准。

采用目标 可先看 值得关注 采用前检查
给现有 Coding Agent 增加数据能力 Google Data Agent Kit Plugin Skills 与 MCP tools 的组合 支持的数据源、客户端兼容性与权限范围
用元数据图谱支撑可信分析 DataHub Analytics Agent Context Graph 读写与知识反馈 元数据完整度、Warehouse 连接和写回边界
做 dbt / SQL 工程 Agent Altimate Code 确定性工具、编译与校验 项目兼容性、执行隔离和人工 Review 门禁
做企业多源分析 DataFoundry 统一语义、只读边界与审计回放 项目仍处早期,需验证连接器和运维能力
编排复杂分析计划 DeepEye Typed DAG、Validator、Optimizer、Executor 研究实现与生产治理之间的补齐成本
建设可演进语义层 EvoOntology 版本化 Ontology 与 MCP 暴露 本体维护责任、变更审核和回滚机制
Java / Spring 技术栈 Spring AI Alibaba DataAgent Graph 编排、SQL/Python 分析、MCP/RAG 与现有权限、数据源和观测体系的集成
语义建模驱动问数 WrenAI 开放上下文层与语义模型 多许可证边界、部署模式和治理需求

2026 新项目 / 新公开实现

  • GoogleCloudPlatform/data-agent-kit-plugin — 15+ Google Data Cloud 服务的 MCP tools + Agent Skills;面向 Codex、Claude Code 等插件客户端。Apache-2.0。
  • datahub-project/analytics-agent — DataHub Context Graph/MCP → SQL warehouse → LangGraph/LLM → Vega-Lite,并能把缺失术语和文档反馈给上下文图。Apache-2.0。
  • AltimateAI/altimate-code — dbt/SQL/数据工程 Agent harness;v0.12.9 增加 model-free tool CLI/MCP、结构化 dbt 血缘和经 Owner 审查的工作区规则,并修复分析角色的写工具拒绝边界。MIT。
  • datagallery-ai/dataagent(DataFoundry)— 28 类数据源、统一语义、只读边界、凭据隔离、字段脱敏与全链路回放。Apache-2.0;项目自标 early but usable。
  • aliyun/data-agent-skill — 阿里云 Data Agent 的 CLI 与 MCP 两套 Skills,支持数据库/文件分析、深度报告与会话复用;仓库当前未声明项目级许可证时应按公开源码处理。
  • aws-samples/sample-data-agent-on-duckdb — AgentCore 内进程 DuckDB,直接查询 S3 Parquet、S3 Tables、Glue Catalog 与 DuckLake。MIT-0。
  • microsoft/fabric-data-agent-workshop — 语义模型准备、多源 Agent、LLM-as-Judge 校准与 MLflow 评测的动手 workshop。MIT。
  • HKUSTDial/DeepEye — 自然语言计划编译为 typed DAG,再经 Validator → Optimizer → Executor;区分 AgentNode 与确定性 ToolNode,支持并行、Sandbox 和人工 steering。Apache-2.0。
  • openai/openai-cookbook Data Analyst — search_tables、search_context、query_warehouse、save_memory 四个聚焦工具;凭据不进模型,数据库连接只读并限制超时/行数。
  • ruc-datalab/EvoOntology — 面向异构表/文件/数据库的自演进 Ontology Layer,提供 MCP、Codex 和 Claude Code 插件。MIT。
  • HKUSTDial/DataSpace — 异构工作区 benchmark、数据集、evaluator 和 baseline;KDD Cup 2026 官方 benchmark。MIT。
  • AgenticDataBench/AgenticDataBench — 15 个领域、细粒度技能标签、生成器、testbed 和多 Agent harness。Apache-2.0。
  • HKUSTDial/kddcup2026-data-agents-starter-kit — 最小 ReAct baseline 与竞赛输入/输出协议。无项目级 LICENSE,按公开源码处理。
  • Automattic/agentic-analytics — 面向 Parse.ly、GA 与第一方数据的 Coding Agent plugin,使用 DuckDB 本地缓存并生成报告。早期、无 LICENSE。

♻️ 2026 重要更新 / 持续活跃

  • spring-ai-alibaba/DataAgent — Spring AI Alibaba Graph 上的企业数据分析 Agent,覆盖 Text-to-SQL、Python 深度分析、报告、MCP 与 RAG。Apache-2.0。
  • getnao/nao — context-as-code、评测、自托管 UI 与 MCP;11 月 3 日 v0.3.32–33 加入实验性 codemode、移除旧 Python interpreter,补充语义查询刷新和 GitHub Enterprise Server 接入。根 Apache-2.0 + Enterprise 文件商业条款,仍属混合许可。
  • JetBrains/databao-agent — Context engine/语义层驱动的本地 Python Data Agent,连接 SQL、dbt 与 Vega-Lite。EAP,不建议生产使用。
  • Canner/WrenAI — 开放上下文层/语义模型驱动问数;wren 0.17 新增 Ossie/OpenMetadata 互操作,10 月 30 日 0.17.1 修复兼容性。版本与多许可证均按组件核对。
  • eosphoros-ai/DB-GPT — 通用 Agentic AI 数据助手/应用平台;2026-08 发布 v0.8.2。MIT。
  • ucbepic/DataAgentBench — 企业异构 DB benchmark、验证器与持续榜单。根目录无 LICENSE,按公开 benchmark 处理。

更多项目与工程组件

按实现类型区分完整 Agent、工作区、工具服务、语义组件和评测环境。每项的机制、技术文档、2026 更新证据与使用边界见 项目资料路线。

项目 类型 核心机制 / 用途 许可证与状态
Datus Agent 完整 Agent v0.4.4 接入 OntologyAnalyst 与数据源映射,补充执行适配器及工具隔离。 Apache-2.0;2026-10-28 release
dbt MCP Server 工具服务 v2.10.1 调整 job/run 的 Owner 目标与共享列举策略;授权宿主需处理相应 listing 策略。 Apache-2.0;2026-11-03 release
dbt Agent Skills 技能包 可安装的 dbt 流程知识:先检查真实数据、迭代建模、再测试验证;包含指标建模与技能 A/B 评估材料。 Apache-2.0;2026 有重要更新
ADE-bench 评测环境 用真实 dbt 项目、数据库、隔离容器与结果测试评测数据工作;可比较模型、MCP、技能包带来的效果与成本。 Apache-2.0;2026 有重要更新
MCP Toolbox for Databases 工具服务 v1.16.0 增加 MCP Skills / UI 资源并修复 protected 写入检查;bigquery-execute-sql 默认可写,官方建议用于有人监督的开发流程,不建议生产 Agent 直接使用。 Apache-2.0;2026-11-05 UTC release
Boring Semantic Layer (BSL) 语义组件 基于 Ibis 的轻量语义层,将维度与指标封装为可查询模型;可作为 Agent 的指标工具底座,减少临时重写口径。 MIT;2026 有重要更新
R&D-Agent 实验 Agent 以研究 Agent 提出假设、开发 Agent 编码实验、执行反馈再迭代,覆盖数据科学与建模任务,适合观察实验闭环。 MIT;2026 有重要更新
Data Formulator 分析工作区 把数据连接、加载 Agent、带记忆的 Data Thread、图表细化和报告分享串在可分支的可视工作区,适合交互式分析。 MIT;2026 有重要更新
Jupyter AI Notebook 工作区 在 JupyterLab 内让 Agent 编辑、运行和调试 Notebook;以 ACP/MCP 接入工具,适合保留单元格与执行结果作为分析证据。 BSD-3-Clause;2026 有重要更新
dlt MCP Server 工具服务 为 Agent 提供 dlt 管道、表结构、增量状态、schema diff 与 SELECT 查询工具,适合数据接入和管道诊断。 Apache-2.0;2026 有重要更新
Vanna 2.0 已归档框架 由应用提供身份和组信息,贯穿 Agent、SQL 工具与流式表格图表;兼容适配器不保证行级安全。2026-03-29 已归档,保留作架构研究案例。 MIT;🗄️ 2026-03-29 已归档
SQLBot ChatBI 应用 / MCP 提供方 术语与 SQL 示例辅助问数,支持工作空间和嵌入式接入;v1.10.3 增加动态检索策略等。 FIT2CLOUD modified GPLv3,含附加条件;2026-10-29 release

论文与评测

Benchmark 选择指南

你想验证什么 可先看 主要信号 使用时注意
数据模型变更与管道修复 ADE-bench dbt 项目、真实数据、隔离容器和测试 固定任务/工具/引擎版本,联合记录成本和运行时
企业异构数据库问答 DAB 真实企业任务、端到端分析能力 以最新版任务和榜单为准,避免混用早期规模
跨领域技能覆盖 AgenticDataBench 领域与细粒度 Skill 标签 适合定位能力缺口,不等于你的生产分布
多模态工作区分析 DataSpace 六种模态、确定性表格评测 需同时评估检索、执行和最终产物
端到端数据工程 DataClawEval PySpark、MySQL、HiveSQL、Presto/Trino、FlinkSQL 关注环境复现、依赖与执行副作用
生产分析问题的成本质量权衡 ClickHouse Agentic Analytics Benchmark 通过率、成本、时延与轮次预算 模型和工具配置会显著影响横向比较

持续更新的产品与架构文档

  • Microsoft Fabric · Data agent concepts — Orchestrator、OneLake 数据源、语义模型、Purview 策略与多 Agent 集成;2026-05 更新。
  • Microsoft Fabric · Evaluate your data agent — SDK 化测试与质量评估;2026-09 更新。
  • Alibaba Cloud DMS · Data Agent OpenAPI integration guide — 核心抽象、API 调用流程和两类集成场景;2026-06 更新。
  • Alibaba Cloud DataWorks · Data Agent 简介(中文) — 2026-10-29 更新,展开八层架构、Context Graph、Agent 管控、自动化、工作流与 IM;11 月 5 日复查,英文版现也标注 10 月 29 日并包含八层架构。本轮校正语言版本状态,不另算新资料。
  • Alibaba Cloud SLS · DataAgent core concepts — 三层 Context Model 结构;2026-09 更新。
  • Alibaba Cloud MaxCompute · Multi-source, multi-engine DataAgent — 企业数据、对象文件和本地知识的联合分析;2026-10 更新。
  • Alibaba Cloud AnalyticDB · Data Agent architecture — 四层整体架构与使用边界;2026-09 更新。

国际平台接入与实现细节

  • 2026-08-28 更新 · Microsoft Learn · Best practices for improving data agent query generation — 将上下文落实到 Schema 选择、对象描述、跨表规则和查询示例,尤其适合借鉴表粒度、先聚合后连接、财年及单位说明。
  • 2026-09-01 更新 · Microsoft Learn · Add Fabric data agents to a Foundry agent with Fabric IQ (preview) — 经 OneLake Catalog 发现多个领域数据 Agent,再由 Foundry 统一调用;包含跨 Agent 问题测试和长任务配置。
  • 2026-09-04 更新 · Microsoft Learn · Data agent as Model Context Protocol server — 把已发布数据 Agent 暴露为单个 MCP 工具,附 Python 和编辑器接入;重点关注工具描述与 Bearer token 认证。
  • 2026-10-13 更新 · Microsoft Learn · Fabric data agent runtime — 通过标准与预览运行时理解编排、路由和查询生成的发布边界,可借鉴升级验证、回归评测和生产变更流程。
  • 2026-10-13 更新 · Google Cloud · Data Engineering Agent API: Build data pipelines with an agent — 给出基于 A2A 的 Agent Card、流式与同步消息接口,可用于将数据工程 Agent 接入自有应用并处理权限和完成状态。
  • 2026-10-16 更新 · Databricks Documentation · Genie One MCP server — 经 Unity Gateway 将 Genie 暴露为对话分析工具,按 Unity Catalog 权限访问数据并返回来源链接,适合研究具备业务语义的工具接口。
  • 2026-10-20 更新 · Google Cloud · Use the Colab Enterprise Data Science Agent with BigQuery — 演示从 BigQuery 或 CSV 进入 Notebook 分析,覆盖探索、缺失值、预测与可视化,并可比较 SQL、DataFrames 和 PySpark 路径。
  • 2026-10-20 更新 · Google Cloud · Use the Data Engineering Agent to build and modify data pipelines — 用自然语言生成和审阅 Dataform SQLX 流水线,包含预览与提示示例;明确区分生成代码、应用变更和执行流水线。
  • 2026-10-23 更新 · Atlan AI Labs · The FDE Playbook for Analytics Agents — V4 实施手册,从封存黄金集到指标生成、按题检索、轨迹改进和发布门禁,附模板及故障排查;内部仓库评测与复合案例不能外推为独立生产证明。
  • 2026-10-30 发布 · Hex · Governed mode — 按资产类型和状态引导 Agent 来源选择。官方明确不是硬安全边界,不替代数仓或数据连接权限;独立发布记录提供日期证据。

贡献与勘误

发现值得加入的原始资料,或已有条目的日期、链接、许可证、状态有误?可以推荐资料或提交勘误,中文和英文都欢迎;提交 Issue 不需要先编辑 JSON。

直接提交 PR 时,请同步涉及的 README 与机器索引字段。请提供原始 URL、可核验日期、资料类型、核心技术点,以及是否为产品方自述/议程/转载。完整收录标准与检查步骤见 CONTRIBUTING.md。

本仓提供资料索引、编辑归纳与工程评审模板,不代表对任何产品、论文结果或许可证状态的背书。链接内容与许可证可能变化,采用前请再次核验。

许可 / License

本仓库的原创文字、注释、资料的选择与编排,以及原创图示,采用 Creative Commons Attribution 4.0 International(CC BY 4.0) 许可,且仅限于贡献者有权授予的著作权及类似权利。允许转载、改编和商用;分享时须适当署名、附许可链接并说明是否修改。可署名为「Pyramiding 与贡献者,Awesome Data Agents」,并链接到本仓库。

外链文章、论文、代码、数据集和其他第三方材料仍适用各自的权利与许可;收录或引用不意味着本仓库授予其使用权。商标权不在本许可范围内。不受著作权或类似权利保护的材料,以及法律允许的例外使用,不受本许可新增限制。

Original text, annotations, selection and arrangement of resources, and original diagrams in this repository are licensed under CC BY 4.0, only to the extent the contributors hold the relevant copyright and similar rights. You may share and adapt this material, including commercially, with appropriate attribution, a license link, and an indication of changes. Suggested attribution: “Pyramiding and contributors, Awesome Data Agents,” with a link to this repository.

Linked articles, papers, code, datasets, and other third-party materials remain subject to their respective rights and licenses. Inclusion or citation does not grant rights to those materials. Trademark rights are not licensed. Material not protected by copyright or similar rights, and uses permitted by applicable exceptions or limitations, remain unaffected. See the license summary and full legal text.

About

A source-checked guide to AI data agents: architectures, implementations, semantic layers, benchmarks and production practices.

Topics

Resources

Contributing

Stars

0 stars

Watchers

0 watching

Forks

Releases

Packages

Contributors

Languages