介绍 Astera 人工智能：用于企业数据管理的 Agentic 数据堆栈

随着企业数据量、种类和速度的不断增长，对新数据架构的需求日益凸显。随着人工智能从生成型向代理型转变，企业是否也能设想并采用代理型数据架构？

诚然，我们已经看到人工智能代理应用于客户支持和市场营销等职能领域。但如果我们也能将同样的成果应用于数据管理呢？如果我们能够利用人工智能代理和自然语言提示，自动化并简化一系列数据任务，又会怎样？专业化、自主化的人工智能代理有潜力将数据管理从被动且高度依赖手动的过程转变为智能、自主的系统，即一个代理数据堆栈。

本博客介绍 Astera AI，一个代理数据管理平台，可以通过简单的用户输入执行数据管理功能。

代理数据管理的企业案例

人工智能对那些此前被认为难以自动化的密集型任务产生了不可否认的影响。例如，编程。 研究 研究表明，人工智能辅助可将任务完成速度提高 55%，成功率提高 78%。此外，特定领域的人工智能辅助可以降低甚至消除技术障碍，这一点从美国四分之一的初创企业 YC 的 2025 年冬季 批次有 95% 的代码库由 AI 生成。

为了充分挖掘企业数据的价值，企业需要克服一些通用人工智能无法解决的挑战。例如， 数据孤岛 每年给全球经济造成高达3.1万亿美元的损失。

此外，组织损失了近 1/3^rd 他们的生产力 员工在彼此不相连的系统中追踪数据。应对这些挑战需要采取一种基于对每家公司独特数据架构、集成模式和业务流程的深入了解的方法。

企业数据管理需要一场类似的革命，即一个能够理解企业数据格局独特复杂性的代理框架。这样的平台将使数据团队能够仅使用简单的自然语言提示来执行复杂的数据管理任务。让我们看看在数据集成、数据仓库、非结构化数据管理、数据准备和分析等不同领域，这样的平台将会是什么样子。

用于数据集成和仓储的 Agentic AI

Astera的代理数据管理平台将专业的人工智能与全面的数据管理功能相结合。由于该平台专为数据管理而构建，因此对数据集成模式、质量要求和治理框架有着独到的理解。这使我们能够超越通用自动化，帮助企业实现专业的代理自动化和智能化。

更重要的是，它是一个专为企业数据设计的平台，这意味着每个模块、每个组件和每个功能都是为了解决实际用例而构建的。但与 Astera之前的产品，以及人工智能如何影响这一切？ Astera无代码平台的愿景使我们找到了一种解决方案，让用户可以使用简单的自然语言提示构建 ETL 管道并执行数据建模。

用于集成和仓储任务的 Agentic 工作流

Astera 正在利用 Agentic AI，这样用户只需用简单的英语陈述他们的需求，剩下的就交给我们的 Agentic 平台处理。 Astera数据团队可以使用基于聊天的界面执行数据管理任务，无需任何编码经验。这是通过用专门的代理取代基于规则的 ETL 管道来创建端到端自动化循环来实现的。这些代理不仅仅是遵循规则，它们还在协作环境中工作，以深入了解企业数据的上下文。

例如，数据集成专用代理的工作原理如下：

• An Orchestrator的 工作流持续监控数据源（数据库、API、数据流、物联网源等）并安排批量和实时提取作业。
• 专家 一旦数据进入，就会触发工作流来执行上下文感知转换。这些代理会提取数据字段、规范格式、丰富记录并随时检测异常。
• A 信托 然后，工作流通过验证条目、重复数据删除和协调差异来强制执行数据质量，以确保数据干净且合规。
• 与此同时， 行动 工作流观察查询性能和系统健康状况，推荐新的索引和缓存策略，平衡工作负载，并根据当前工作负载自动调整数据库。

该系统还可以包括 元数据和目录 工作流程实时更新数据目录和元数据，并将业务环境和血统附加到数据字段，以使数据可发现且数据集成可自治。

可以将整个系统想象成一条由人工智能驱动的传送带，它不仅可以传输数据，还能在无需人工干预的情况下持续检查、调整和提升其性能。用户只需使用自然语言提示系统执行特定任务，其余繁重的工作则由代理人工智能自动完成。

用于数据准备和分析的 Agentic AI

数据准备任务可能占用数据科学家 80% 的生产力。Agentic AI 可以通过实现自主、智能的数据准备工作流程，从根本上改变这一现状。 Astera的数据准备方法将基于聊天的界面与人工智能驱动的自动化相结合，将繁琐而复杂的数据准备任务转变为简单、自然的语言交互。

Astera 数据准备 (Data Prep) 允许用户用通俗易懂的语言描述数据准备任务，并让系统智能地自动应用适当的转换。用户只需输入诸如“筛选出联系人职称是‘销售经理’的记录”或“计算按地区划分的平均收入”之类的命令，AI 代理就会解读用户意图并自主执行所需的操作。

这种对话式方法减少了对 SQL、脚本或复杂转换逻辑技术专业知识的需求，从而简化了数据准备工作。AI 代理能够理解业务背景、数据关系和转换需求，将自然语言描述转化为精确的数据操作。这显著缩短了学习曲线，并将数据准备工作流程从数小时缩短至数分钟。

AI 代理会从交互模式中学习，提出优化建议，识别潜在的数据质量问题，并根据当前数据集特征推荐额外的转换。这形成了一个智能反馈循环，使系统能够更有效地预测用户需求并主动提出数据改进建议。

可视化配方驱动的代理工作流程

Astera Data Prep 的 Recipe Actions 框架通过可视化、可重复使用的数据准备序列（可自动生成、修改和优化）支持代理工作流。系统维护着全面的转换模式目录，例如连接 (Join)、并集 (Union)、查找 (Lookup)、计算 (Calculation)、聚合 (Aggregation)、筛选 (Filter)、排序 (Sort) 和去重 (Distinct) 操作。这些操作可以智能组合，以满足企业和个人用户复杂的数据准备需求。

可视化配方方法能够自主优化工作流程，因为系统可以分析转换序列，识别效率低下之处并提出改进建议。例如，如果多个过滤操作按顺序执行，系统可以自动将它们组合成一个更高效的操作，同时保持相同的逻辑结果。

配方版本控制和沿袭追踪功能可创建审计线索，使系统能够从成功的模式中学习，并自动将其应用于类似的数据集。这可以构建组织知识，从而随着时间的推移提高数据准备效率，同时确保跨项目的一致性。

自主数据质量管理

实时主动分析通过自动评估清洁度、唯一性和完整性指标来持续监控数据健康状况。 Astera的配置文件浏览器通过动态图形、图表和字段级分析提供全面的数据洞察，并在应用转换时自动更新，从而能够立即反馈数据质量的改进。

数据质量代理能够自主运行，在异常、不一致和潜在问题影响下游流程之前进行检测。这些代理了解不同数据类型的统计基线，并能够识别可能预示质量问题的异常值、缺失值模式以及数据分布变化。

自动数据验证规则可根据数据特征和业务需求动态应用。系统会从用户修正和质量评估中学习，从而提高主动识别和标记潜在问题的能力，减少数据质量保证所需的人工工作。

集成分析和预览驱动的洞察

以预览为中心的网格界面提供类似 Excel 的熟悉操作，同时提供数据转换的实时反馈。这种交互式环境使用户能够即时看到更改的影响，使数据准备更加直观，并降低传统批处理方法中经常出现的错误风险。

集成的分析功能使系统能够根据准备过程中观察到的数据模式自动生成洞察和建议。在用户清理和转换数据时，系统可以识别可能与后续分析相关的趋势、相关性和异常，从而将数据准备过程转变为探索性过程。

集中式数据源浏览器可自动编目可用数据源，并根据当前准备任务推荐相关数据集，从而实现代理数据发现。这减少了搜索合适数据的时间，并确保用户能够访问最全面的数据集，满足其分析需求。

自适应学习与优化

Astera 数据准备系统会不断从用户交互、成功的转换模式和数据质量结果中学习，从而不断提升其性能。该系统会构建关于有效数据准备技术、常见数据质量问题以及不同类型数据集的最佳转换序列的组织知识。

当系统识别数据准备工作流程中的瓶颈并提出更高效的方法时，性能优化会自动进行。这包括推荐最佳转换序列、识别并行处理机会以及针对大型数据集提出数据采样策略。

该平台能够无缝处理各种数据源，从文件源到目录源再到项目源，从而实现代理数据集成，其中系统可以自动识别和解决模式差异、数据格式不一致和集成挑战，而无需人工干预。

Astera对代理数据堆栈的愿景

Astera的统一代理数据堆栈愿景包括一个多代理系统，该系统由专门的代理组成，用于执行与数据集成、仓储和准备相关的任务。通过前端的简洁聊天界面，用户将能够使用自然语言提示来提取、转换、集成和加载数据。

根据用户的请求，聊天机器人将能够触发专门的代理来执行任务、执行工作流程，并无缝连接到内部和外部资源。最终结果是什么？一个数据堆栈，即使没有技术专业知识，领域专家和专业人员也只需使用简单的提示即可运行。

准备好迎接数据管理的未来了吗？

Astera 即将彻底改变企业数据管理方式。从自动化数据提取到基于聊天的数据准备。 Astera 将代理 AI 与我们屡获殊荣的数据管理套件相结合，提供新颖的代理数据堆栈。

与我们联系以了解更多信息。