在数据资产快速膨胀的今天，企业并不缺数据，缺的是把数据转化为可靠决策的能力。近日，CDA 数据科学研究院徐杨老师为上海银行数据管理部开展“Agent+RAG 基础知识”与“Agent 开发基础知识”的专题内训，围绕“数据为基、AI 为器”的核心理念，系统讲授了如何从数据分析出发，构建可落地、可审计、可协作的智能体应用。

一、课程核心：Agent 不是模型，而是“数据+系统+人”的协作体

内容一开始纠正了一个常见误区：Agent 不只是一个更强大的大模型，而是一套让“判断”变成“可靠行动”的系统。其架构可概括为四层：模型负责理解、推理与决策；编排层通过 Workflow、ReAct 或多智能体机制决定执行路径；能力层依托工具调用、RAG 检索、Skills 和 MCP 协议连接外部数据与系统；运行保障层则覆盖状态、权限、沙箱、可观测性与人工审批。与此同时，帮助学员理解：真正决定 Agent 上限的，不是模型本身，而是数据质量、索引设计与流程约束。

二、RAG：把“知识静态”的模型，接入“实时准确”的数据

大模型有两大现实限制：知识静态、上下文有限。培训用完整链路讲授了 RAG 如何破解这一困局。离线阶段，通过 Load、Split、Embed、Store 把原始资料变成可检索的知识索引；在线阶段，通过 Retrieve、Augment、Generate 实现“先检索证据，再基于证据生成答案”。 换言之，RAG 的真正竞争力来自数据分析能力——谁更懂业务口径、谁更会把制度与指标结构化，谁就能让模型言之有据。

三、案例应用：零售银行客户流失预警中的“数据主导、AI增效”

为把理论落地，培训课程以“零售银行客户流失预警与策略优化”为例进行推演。项目由数据分析团队首先完成数据治理：定义流失标签、梳理账户活跃度与交易衰减指标、清洗历史客户数据。在此基础上，Agent 才进入主舞台——它调用 SQL 工具查询数仓，通过 RAG 检索最新的客户分层制度与合规要求，利用 Skills 中封装的标准化分析流程完成特征工程，并借助 MCP 协议对接 BI 报表与邮件系统。 整个过程中，AI 承担的是“高并发执行、多源信息整合、报告初稿生成”的角色；而数据分析团队则负责问题定义、指标设计、结果校验与业务解释。例如，当 Agent 建议对某类客户提高触达频率时，数据分析师通过对比历史 A/B 实验数据，验证该策略是否真正降低流失率，而非单纯响应模型输出。这个案例清晰说明：AI 是加速器，数据分析才是方向盘。

四、未来属于“懂数据、会提问、能校验”的人

随着 Agent 技术进入企业深水区，真正稀缺的将不是会调用大模型的人，而是能把业务问题转化为数据问题、把数据问题转化为可靠智能体流程的复合型人才。更重要的是，为学员沉淀了一套可复用的方法论和实战路径：从数据结构化、索引设计到检索评估，从 Workflow 与 Agent 的选型到人工审批与安全边界，每一步都有章可循、有据可查。

面对大模型与智能体技术的快速迭代，CDA 数据科学研究院始终保持对前沿技术的敏锐追踪与深度转化。从传统数据分析到 AI 工程化落地，CDA 持续迭代内训体系、认证考试体系与实战案例，将最新的技术范式沉淀为企业可学、可用、可复用的方法论。未来，CDA 将继续以 "数据为基、AI 为器" 为指引，携手更多企业与从业者，在智能化转型的浪潮中把握先机、行稳致远。