袋鼠云在 2025 年，对“数据智能到底该怎么落地”这件事，逐渐形成了一套比较清晰的结构性认识，用一句话概括，就是1 + N + X。
1——指的是一个智能体应用开发平台。
在 To B 场景下，真正的挑战并不是“能不能接大模型”，而是企业能不能持续、可控地构建和运行多个智能体。所以我们在这一层重点做的是平台能力：模型统一接入、权限与成本控制、工作流编排、运行监控，让智能体这件事从一次性尝试，变成可以长期运行的基础能力。
N——是围绕高频业务场景沉淀的场景智能体。
包括数据开发、数据分析、指标使用、报告生成、策略管理、数字人等具体场景。这些智能体围绕明确任务，在多个项目中反复被使用和打磨，逐步形成一组可复用的能力集合，解决的是“数据智能到底怎么用”的问题。
X——是行业智能体。
当场景能力在真实业务中反复验证之后，我们会进一步结合不同行业的数据结构、指标口径和管理方式，把能力固化成行业可复制的形态。这一层解决的，是“怎么在同一行业里持续复用经验”的问题。
所以从整体上看，1 + N + X，不是一种产品组合，而是一条数据智能从“可构建”到“可使用”，再到“可复制”的落地路径。
1 | 智能体应用开发平台AIWorks
2025 年，数据智能在平台层面的核心工作，集中在AIWorks 智能体应用开发平台的持续建设与完善。
围绕企业级使用场景，AIWorks 完成了对多种主流大模型的统一接入与管理，支持公有模型与私有化模型的灵活部署，并结合权限控制、调用策略、资源隔离与运行监控等能力，满足企业在安全性、稳定性与成本控制方面的实际需求。模型不再以“单次调用能力”存在，而是被纳入统一管理体系，成为可被持续使用和治理的基础能力。
长按上方二维码可获取AIWorks产品白皮书
在模型接入之上，平台系统性补齐了智能体构建所需的基础能力，包括提示词管理、上下文与会话管理、知识库接入、多模态内容解析、函数调用与代码执行等能力，使智能体能够处理更复杂的输入形式，并具备调用企业内部系统与外部服务的能力。在 AI 基础设施层，AIWorks 结合大模型一体机与模型微调服务，支持企业在私有化环境中部署和运行大模型，满足高安全等级场景的使用要求。
在智能体构建方面，平台进一步强化了工作流与任务编排能力。通过可视化方式将模型调用、知识检索、数据操作、业务规则判断、API 调用等能力组合为可配置流程，智能体可以围绕明确目标执行多步骤任务，而不仅限于单轮问答或简单应答。这一能力使智能体能够参与到更复杂的业务过程中，在数据处理、运维支持、业务辅助等场景中承担连续性工作。
在运行与管理层面，AIWorks 支持智能体的统一发布、运行监控与版本维护。已构建的智能体可以被重复调用，并以 API 或组件形式嵌入不同业务系统中使用，支持多环境部署、多版本管理以及调用链路与日志的统一监控。通过对运行状态、调用情况和异常问题的持续观测，智能体逐步具备了在企业环境中长期运行和持续演进的条件。
通过上述能力建设，AIWorks 在 2025 年逐步形成了面向企业环境的智能体开发与运行底座，为上层场景智能体与行业智能体的构建提供了统一、稳定的基础支撑。
N｜场景智能体：让“数据生产力”触手可及
在平台能力之上，2025 年数据智能重点围绕高频业务场景，持续沉淀场景型智能体能力。
在数据开发与运维场景中，围绕 SQL 编写与续写、SQL 解释与优化、日志智能解析、任务失败诊断等高频工作，逐步形成了面向数据开发与运维人员的场景智能体。这类智能体能够辅助完成常见的数据处理与问题定位任务，缩短排查链路，减少人工分析成本，并提升数据任务运行的稳定性与效率。
在数据分析与指标使用场景中，结合AIMetrics 智能指标平台，持续完善智能问数、指标查询、指标解读与分析辅助能力。业务人员可以通过自然语言方式直接获取指标结果，系统在背后完成指标语义解析、计算路径匹配与权限校验，并结合结构化分析能力，辅助完成基础判断与解读，显著缩短从提出问题到获得结论的时间。
长按扫描下方二维码，无需等待即可获取业内首本《指标+AI数智应用》
围绕管理与决策场景，2025 年 AIMetrics 在指标体系之上进一步延展了目标与策略类能力，支持将核心经营目标分层拆解为可追踪的指标体系，并与策略动作、责任归属、过程监控与复盘评估进行关联。在与中国银联客户的共创过程中，我们围绕指标口径统一、目标分解路径、策略动作沉淀、过程追踪与复盘机制等环节持续迭代，形成了更贴近大型组织经营协同的使用方式，使指标不止用于“看数”，也可用于“管事”。
围绕数据使用的延展场景，数据智能还逐步沉淀了报告生成、文档辅助、知识库问答等场景智能体能力。这些智能体通过与企业内部文档、指标体系和业务知识的结合，支持自动生成分析报告、快速检索内部资料，提升数据成果在业务中的复用效率。
在上述数据开发、分析与指标应用之外，2025 年我们也开始将数据智能进一步延展至更贴近业务现场的空间化场景。通过数字孪生智能体，将设备、产线、园区等物理对象与实时数据、业务指标和运行规则进行统一建模，使智能体能够在空间语境下理解运行状态，并围绕监测分析、异常识别与运行推演等任务发挥作用。数据不再只是被“分析”的对象，而是能够直接参与到实际运行与管理过程之中，帮助业务人员在更直观的空间视角下完成判断与决策。
在此基础上，2025 年我们也逐步引入数字人智能体，作为连接用户与各类场景智能体的统一交互入口。通过语音、文本与多模态交互方式，数字人可以理解用户意图，并在后台调度相应的场景智能体完成指标查询、数据解读、业务说明或操作指引等任务。这种形态降低了数据智能的使用门槛，使复杂的数据能力能够以更自然的方式被业务人员感知和使用，进一步扩大了数据智能在组织内部的触达范围。
上述场景智能体均围绕明确任务展开，已在多个项目中被反复使用。通过不断优化交互方式、执行路径与结果质量，逐步形成了一组可复用的场景能力集合，覆盖数据开发、数据分析与日常数据使用等核心环节，为数据智能的规模化应用提供了现实基础。
X｜行业智能体：在真实业务中持续打磨沉淀行业know-how
在场景能力的基础上，2025 年数据智能进一步向行业智能体方向推进。
围绕能源、矿产、制造、高校等行业，在具体项目中结合行业数据结构、指标口径、业务规则与管理流程，构建面向行业使用的智能体能力。这些行业智能体不仅具备通用的数据处理与分析能力，还融入了行业特有的业务语义、指标体系与分析逻辑，使其在结果呈现与解读层面更加贴合行业实际。
行业智能体并非独立产品形态，而是在平台能力与场景能力基础上的组合与沉淀。通过在多个行业项目中反复应用与调整，逐步固化通用方法与实践经验，形成可复制的行业能力模型，为后续在同类行业中的推广与复用提供基础。
回到最初的问题，我们在 2025 年反复思考的，是“数据智能如何真正落到企业的日常运行中”。通过 1 + N + X 的推进路径，我们逐步厘清了从平台能力建设，到场景智能体落地，再到行业经验沉淀的完整链路。数据智能不再是一组零散能力的叠加，而是能够被持续构建、稳定使用并在行业中不断复用的体系化能力。这也为后续在更复杂业务场景中的深化应用，奠定了清晰而可持续的基础。
展望 2026 年，我们将继续沿着这一路径向前推进，但重点将从“能力成型”转向“规模化运行与持续演进”。在平台层，智能体应用开发平台将进一步强化稳定性、治理能力与运行效率，使智能体真正成为企业长期可依赖的基础设施；在场景层，我们将围绕更多高频、关键业务环节持续打磨场景智能体，让数据智能更深地嵌入日常工作与业务流程之中；在行业层，则通过更多真实项目的积累，不断沉淀行业 know-how，推动行业智能体从“可用”走向“成熟可复制”。这将是我们在 2026 年乃至更长时间内，持续投入与演进的方向。
