传统数据处理长期面临高门槛与低效率的困境，大语言模型的出现催生了数据代理这一新范式。针对行业概念混淆的现状，港科大广联合团队提出六级自主性分类体系，清晰界定了从人工操作到完全自主的技术演进路径，为解决复杂的数据任务提供了新思路。
智能速览
传统数据处理依赖人工，存在高门槛、低效率的痛点。
数据代理具备环境感知与闭环执行能力，区别于通用LLM智能体。
论文首创L0-L5六级自主性标准，明确人机责任与能力边界。
当前技术主要停留在L2部分自主阶段，L3级系统尚处原型探索。
实现L4-L5高阶自主性，需突破工具依赖、全流程协同及动态适应等挑战。
精华内容
数据代理正在重塑数据处理流程，建立标准化的分级体系对于判断技术成熟度和应用场景至关重要。
定义与核心特征
数据代理不同于以生成内容为核心的通用LLM智能体，而是专注于数据全生命周期管理。其核心在于处理大规模、异构且含噪声的原始数据，输出经过清洗的数据、配置参数或分析洞察。这类代理具备强大的语义理解与工具调用能力，能够连接数据基础设施，形成从思考到行动再到反馈的闭环，解决传统模式中“强依赖人工”的难题。
L0至L5分级体系
论文借鉴汽车自动驾驶标准，构建了六级分类框架。L0为纯人工模式，人类完全主导；L1为辅助模式，仅能根据提示生成代码片段，需人工执行；L2具备部分自主性，能与环境交互并执行固定工作流；L3实现条件自主，可自主编排管道但仍需人类监督；L4为高度自主，能主动发现问题并无需监督；L5则是完全自主，能够自主创新技术范式。目前行业主流处于从L2向L3过渡的阶段。
技术应用现状
在数据管理方面，L2级系统已能实现动态参数调优与查询优化，如D-Bot可自动诊断性能异常；在数据准备环节，AutoPrep等工具通过执行反馈机制优化数据清洗与整合；在数据分析领域，Alpha-SQL等应用能自主探索SQL生成路径并修正错误。这些技术验证了“感知-行动-反馈”闭环的可行性，但仍受限于预定义的工具集和固定流程。
未来演进方向
要实现更高级别的自主性，必须突破四大挑战。首先是摆脱预定义工具的依赖，实现动态技能发现与组合；其次是覆盖全数据生命周期，打破单一阶段的局限，实现跨阶段协同；再次是强化高阶因果推理能力，避免陷入局部优化的陷阱；最后是适应动态环境的自我进化能力，确保系统在数据格式和需求变化时仍能保持高效运行。
六级分类体系有效厘清了行业对数据代理的认知偏差，为企业选型和研发落地提供了清晰标尺。随着LLM技术的持续突破，数据代理有望从辅助工具进化为核心基础设施，真正实现数据处理的智能化与自治化。
