INTEREST MAP · Data
Data:从回答问题到交付判断
数据 AI 的价值,怎样从一次漂亮回答变成可以信任的工作结果?
我关注 Data Agent、评估、可观测性与治理,以及数据产品怎样从生成答案走向可追溯的结果。
我怎么定义
数据场景里的 AI 价值,不在 Text-to-SQL 的流畅,而在 Text-to-Truth:语义正确、可追溯、敢在不确定时拒答或求助的判断交付。
- 写出语法正确的 SQL 容易;写出代表正确业务逻辑的查询难得多。
- 持续给出错误答案的系统,比没有系统更快毁掉信任。
- 数据团队的下一角色更像上下文工程师:沉淀语义、闭环反馈,而不是永远当工单响应器。
25 篇文章0 个项目6 个相邻主题
01
START HERE
代表文章
01
李简的判断:Data Agent 的准确率上限往往由业务 Context 决定,而不是由会不会写 SQL 决定;完整论述见 lijianai.com/topics/context。
DataAgent 也许不是没用,只是我们低估了 Context
阅读文章 →02李简的判断:历史 SQL 常留下答案,却没留下「为什么这么算」;Data Agent 要复制的难处在 Rubric / 评价标准这类 Context,而不只是开放更多语料。见 lijianai.com/topics/context。
Anthropic 把 Data Agent 做到了 95%,最难复制的一步,和Rubric有关
阅读文章 →03Genie 没有证明 Data Agent 已经成熟
Genie 没有证明 Data Agent 已经成熟
阅读文章 →02
THE FULL THREAD
全部相关文章
Anthropic 把 Data Agent 做到了 95%,最难复制的一步,和Rubric有关↗Genie 没有证明 Data Agent 已经成熟↗1300亿$的Databricks 依然不如 PLTR 耀眼↗Top 3 Data + AI 公司,争的不是同一层↗DataAgent 也许不是没用,只是我们低估了 Context↗因果之梯:为什么 AI 越聪明,我们越不敢把“后果”交给它?↗企业软件的权力,从“记录”转向“判断”——Palantir 陆续吃下了 Snowflake 和 Databricks 的合作↗OfficeQA:迄今少见的、真正贴近 B 端工作流的 AI 基准↗数据看门人已死,Text-to-Truth 才是未来的核心能力↗Databricks 请来 Sam Altman,探讨企业 AI 的深水区↗Claude for Finance 第二幕:AI 不只是被信任的对象,更要成为系统的一部分↗Data Agent 两面镜子:资本的理想与工程的现实↗Databricks 的数据治理哲学:开放中的集中↗透过 Agent Bricks 看 Databricks 的开源之路↗暴涨 22% 的 Snowflake,带来了企业 AI 的信号与基准线↗强大如Claude,Financial Services 依然要做可信数据↗Palantir AI Mesh:数据-AI-工作流的有机串联↗Palantir 的压舱石:数据本体论 Ontology↗Palantir 一家神奇的数据/AI公司↗从Artifact到数据可视化:解析Claude的数据分析新范式↗AI 在数据应用中的我知我行—LLM 实战学习笔记 3↗各厂数据团队都是怎么用 AI 的?—LLM 实战学习笔记2↗百度 ChatBI—LLM 实战学习笔记1↗ChatGPT 有多少个数据相关的插件?↗因为相信,所以看见↗