99% 的公司都以为“多做几个报表”就能解决数据问题,结果分析师还是被问到焦头烂额。Manus 的4人数据团队干脆反过来想:与其不停写 SQL、做仪表盘,不如先造一个能替自己干活的数据智能助手。这个助手现在每周被 40 多个人使用,很多问题根本不用再排队找人。

他们用 Manus 把这件事在一周内跑通,从“只服务数据团队”到“全公司都能问”,中间踩了不少坑,也摸出一套可复制的方法。下面把这套思路拆开讲清楚,你可以直接照着改造自己的数据体系。

为什么要做数据智能助手

分析师太少,问题太多

在 Manus,几乎每个团队都想用数据做决策:运营想知道某天使用量为什么暴涨,产品想看新功能表现,市场想拆解渠道效果。过去的做法只有两种:翻仪表盘,或者在 Slack 上私聊数据团队。

问题是,数据团队只有 4 个人,却要面对几十号同事。很多问题不是“看个数”这么简单,而是要追问“为什么”:为什么这个指标突然掉了?到底是哪一类用户在变化?这些都需要写新查询、拼多张表。结果就是,真正有价值的问题经常被搁置,没人有空深挖。

仪表盘解决不了的两类难题

数据团队发现,需求卡在两个地方:

  • 全新的问题:有人要一个从来没人拉过的指标,自然也就没有现成仪表盘。
  • 追问“为什么”:仪表盘只能告诉你“涨了/跌了”,但要找到原因,就得一层层往下钻。

有用户反馈,他们最常问的不是“这个数是多少”,而是“这个数背后发生了什么”,而这正是传统报表最薄弱的地方。

所以他们决定做一个“能自己查数、能自己追问原因”的数据智能助手,让更多问题被真正问出来、回答掉。

如何搭建一个数据智能助手

连接数据:不只看报表,要能查明细

数据助手要先“摸到”数据。Manus 的做法不是只让助手读现有仪表盘,而是直接给它查询底层数据的工具。这样一来,哪怕没有仪表盘,它也能自己写查询、拉明细。

数据接入是分阶段做的:先接业务核心指标,再接市场数据,最后接更细的产品行为数据。每接入一类数据,就把这块打磨稳定,再继续扩展。这样既能保证质量,又不会一上来就被复杂度拖垮。

注入业务语境:给助手一张“业务地图”

光有数据不够,助手还得知道“怎么看”。数据团队专门搭了一套知识库,里面写清楚:每个指标的定义、每张表适合解决什么问题、表与表之间怎么关联。

有了这张“业务地图”,助手就能像分析师一样思考:遇到问题先选对表,再用对指标定义,然后顺着指标之间的关系往下追。哪怕某个指标没有仪表盘,它也能按这套逻辑走完分析路径。

搭建数据助手的五个关键步骤

1. 先让助手替自己干活

Manus 数据团队一开始并没有急着给全公司开放,而是先让助手帮自己写查询、做分析。Ben 说得很直白:“你其实是在给自己造一个复制品。”

目标很清晰:让数据团队尽量少手写 SQL,多通过和助手对话完成分析。这样一来,团队能第一时间发现助手的短板,顺手就把它补上,等开放给业务时,体验已经比较顺滑。

2. 从业务视角设计回答方式

让助手对业务团队有用,关键不在技术,而在“怎么说人话”。数据团队关心的是“这个数怎么算出来的”,业务更关心“这个数说明了什么,要不要做点什么”。

所以他们给业务用户设计了一套固定回答结构,每个回答都包含三块:

  • 这意味着什么:数据变化背后可能的原因和故事。
  • 可以怎么做:哪些发现足够可靠,可以据此行动,并给出下一步建议。
  • 要注意什么:哪些结论还不够稳,需要找数据团队再确认。

这种结构让业务同事不用自己翻长篇 SQL 解释,就能快速抓住重点,也知道哪里需要更谨慎。

3. 建好权限与信任机制

真正棘手的难题,其实是“谁能看什么数据”。既要保护用户隐私、满足合规要求,又要让大家尽量少被权限卡住。

按主题划分访问权限

Ben 的团队在数据表上加了一层治理规则,把访问权限按主题拆开:比如有的表只开放给产品和运营,有的只给财务。助手在查询前会先检查这些规则,确保不会把不该给的人带到敏感数据上。

这种“按主题分区”的方式,一方面保护了用户隐私,另一方面也让合规审核更清晰:谁能看哪块,一目了然。

需要时自动发起申请

传统做法是:看不到仪表盘,就提工单等审批。数据助手上线后,这个流程被自动化了。当用户的问题涉及到自己暂时没权限的表时,助手会自动在内部审批系统里发起申请,交给对应数据 owner 审批。

审批通过后,助手会自动继续刚才中断的任务,把完整答案返回给用户。用户不用来回跟进流程,体验更像是“短暂缓冲一下,答案就回来了”。

4. 把助手放进问题自然出现的地方

为了让大家真的用起来,团队没有做一个“新入口”让人专门跑过去,而是把助手嵌进大家已经习惯提问的地方——Slack。

同事可以在频道里直接 @ 数据助手提问,其他人跟着线程一起看、一起追问。好的回答还能一键转发到其他频道,变成共享知识。这种“就地解决”的方式,比让大家跳到另一个系统里提问要自然得多。

5. 持续打磨知识库和定义

业务在变,数据结构也在变,助手如果不跟着更新,很快就会“说错话”。Manus 的做法是:把知识库当成一个活文档,持续补充新表、新指标、新定义。

用户不需要知道这些更新细节,因为 Manus 项目会自动把最新知识同步给助手。数据团队会定期回看助手的内部使用情况,检查它是不是选对了表、用了正确的定义。

大部分问题都集中在两类:知识库里少了一条说明,或者某个定义太模糊。Ben 说,这个过程谈不上什么高深技术,但必须一直做下去,助手的质量才不会“悄悄滑坡”。

数据助手上线后的真实用法

深挖“为什么”,一直追到根因

很多关键细分指标根本没有仪表盘,但用 Manus 数据助手做深度分析就轻松多了。

例子:为什么这周使用量突然跳涨?

助手会先按地区、渠道拆分使用量,再看用户是通过网页、移动端、桌面端还是 API 访问 Manus。如果发现是广告流量带来的增长,它会继续检查是不是某一条广告表现异常,还是广告追踪本身发生了变化。

How the data agent breaks down a usage spike by region, channel, and ad traffic

这种“自动钻取”的方式,以前需要分析师花半天时间,现在业务自己就能跑一遍,分析师只在关键决策前做最后把关。

把海量非结构化数据变成洞察

有些问题根本没法靠仪表盘解决,因为答案埋在大量用户会话、文本或日志里。数据助手可以实时把这些非结构化数据“嚼碎”成可用的洞察。

例子:中东地区的用户到底是谁?

Manus 在沙特和阿联酋有不少用户,团队想知道他们是当地居民,还是为了工作搬过去的外籍人士。前者更偏向日常生活和社交场景,后者更常用 Manus 做生意。

助手会分析用户对话中使用的语言:是标准阿拉伯语、本地方言,还是英语,然后给出用户构成的画像和使用场景的总结。有一次分析结果显示,某个城市的英语占比异常高,团队才意识到那边聚集了大量跨国公司员工。

The data agent summarizing use cases from user sessions

说实话,这类问题如果靠人手动看对话,基本没人有耐心做完。

跟着产品迭代自动搭建追踪

Manus 的产品每周都有新功能上线,对应的数据字段和事件一开始往往没有现成表或仪表盘。以前要等数据团队排期搭建埋点和报表,现在助手直接接入了发布流程。

例子:新功能上线几天后表现如何?

当工程团队发布一个新功能时,助手会自动开始追踪相关数据。过几天,产品经理就能直接问助手“这个功能最近用得怎么样”,看到使用频率、留存情况等关键指标。

The data agent reporting on feature usage in Slack

过去需要多方协调的闭环,现在变成了“上线—自动追踪—随时查看”的自然流程。

为什么用 Manus 来做数据助手

不用自建复杂的 Agent 基础设施

Ben 的团队选择 Manus,一个重要原因是:不想把时间花在搭服务器、写 Agent 框架上。Manus 会自动选择合适的大模型、管理工具调用和上下文。

借助 Manus API,他们甚至在没有写一行后端代码的情况下,就把数据助手部署进了 Slack。Ben 的想法很简单:我更愿意把精力放在把知识库写对、每周根据真实问题持续改进,而不是折腾底层架构。

用一个项目集中管理知识与能力

在 Manus 里,一个项目就能把助手的指令、技能和知识放在同一个地方。Ben 更新一次,所有人立刻用上最新版本。

The data agent project in Manus, with shared instructions, skills, and knowledge

当团队接入新的数据源或表结构时,也只需要在项目里配置一次,助手就能在所有场景下统一使用这些新能力。

自动化审批流程,减少人为卡点

很多数据请求卡在“等审批”这一步。Manus 的 Automations 功能可以让助手自动向对应数据 owner 发起审批,获批后再继续完成任务。

有用户反馈,这一改动直接把某些分析请求的等待时间从几天缩短到几分钟,数据团队也不用再充当“流程中转站”。

从答案到图表和报告,一气呵成

在 Manus 里,助手不仅能给出文字答案,还能在同一会话中生成图表、报告甚至网页。Manus 内部的一个常见用法是:某个团队拿到数据助手的分析报告后,直接转发给其他团队,或者让另一个助手接着这份报告继续做后续工作。

这种“答案即报告”的方式,减少了重复整理的时间,也让跨团队沟通更顺畅。

Manus 数据团队的几点经验

不要等“数据完全干净”才开始

很多团队会说:我们的数据还不够规范,等整理好了再搞助手。Ben 的看法刚好相反:“现在的 Agent 能力已经很强了,不管你现在的数据长什么样,都可以先用起来,一边用一边整理。”

随着使用次数增加,助手会在项目和指令里逐步形成一套自己的“工作体系”,你再在这个基础上不断补充和清理。等你觉得“差不多干净了”,往往已经跑出不少业务价值了。

给助手尽可能多的上下文

助手能做多强,很大程度取决于它能看到多少东西。哪怕你有很多不同的数据库,也可以先都连上,让助手去接手那些原本需要你手动查、手动拼的工作。

Ben 的总结是:最重要的一步,就是把能接的上下文都接上,然后把自己写 SQL 的习惯慢慢交给助手。我也不太确定这个说法对不对,但从他们的实践看,确实是越连越值。

让最“AI 上手”的那个人来负责

让助手真正接管实际工作,是一门需要手感的活。团队里如果有人已经习惯用各种 AI 工具自动化工作,把这个项目交给他会顺很多。

有一位产品同事刚开始只是用助手查数,后来逐渐参与到知识库设计和权限规则优化里,最后变成了这套系统的“半个产品经理”。这种跨角色的参与,也让助手更贴近真实业务场景。

先把这套方法收下,再决定要不要做

如果你也在为“数据团队忙不过来、业务又总觉得看不懂报表”而头疼,这套方法可能比问身边人要靠谱得多。它不是一夜之间的魔法,而是一套可以反复打磨的工作流。

等哪天你突然发现,团队里大部分“日常问题”都被助手自动消化掉了,分析师只需要处理真正棘手的决策问题,那时候你会庆幸当初有把这件事启动起来。

常见问题

Q:我们数据表结构很乱,也没有统一指标定义,还适合做数据助手吗?

A:可以做,而且越早做越好。数据助手本身可以成为你梳理指标和表结构的工具:一开始先接入最常用的几张表,让助手帮你回答高频问题,在这个过程中逐步发现定义冲突和结构问题。每次发现不一致,就在知识库里补充或修正说明,久而久之就形成了一套更清晰的“事实标准”。建议先选一个业务线做试点,跑通后再扩展到全公司,这样风险更可控。

Q:怎么判断一个数据问题应该交给助手,还是找分析师人工看?

A:一般来说,标准化、重复性高的问题适合交给助手,涉及重大决策、需要复杂假设和多方博弈的分析更适合分析师。判断时可以看三个信号:问题是否只依赖已有数据表;是否可以用清晰的指标来衡量;是否只影响局部决策。如果三个都满足,就让助手先跑一遍,把基础分析做完,再由分析师在此基础上做深入推演。这样既保证效率,又不牺牲关键决策的严谨性。

Q:数据权限这么复杂,开放助手会不会增加泄露风险?

A:如果没有治理层,确实有风险,所以权限设计必须先行。做法是:在数据仓库或中间层按主题划分访问域,为每个域配置清晰的角色和审批人,再让助手严格遵守这套规则。助手在执行查询前先做权限检查,遇到越权请求就自动发起审批,而不是“先查了再说”。建议定期审计助手的查询日志,抽样检查是否有越权访问,并对敏感表设置更严格的访问频率和用途限制。

Q:业务同事不习惯用新工具,怎么推动大家真的用起来?

A:关键是把助手放进他们已经在用的工具里,而不是再造一个入口。比如嵌入 Slack、企业微信或飞书,让大家在原本就会提问的地方直接 @ 助手。同时,可以挑几个愿意尝鲜的团队做种子用户,帮他们解决一两个“痛到不行”的问题,再把这些成功案例在公司内部分享。数据显示,一旦一个团队里有 2–3 个人形成使用习惯,其他人会很快跟进,所以前期的“种子培养”非常重要。

Q:上线后需要投入多少精力维护数据助手?

A:维护成本主要集中在两块:知识库更新和权限规则调整。以 Manus 的经验看,4 人团队里通常只需要 1 人每周花几个小时,回顾助手的使用记录、补充缺失定义、修正模糊表述,就能保持较高质量。权限规则变动一般跟着组织和业务变化走,可以和原有的数据治理流程合并管理。建议设一个固定节奏,比如每月做一次“助手体检”,集中处理积累的问题,避免小问题拖成大故障。

很多团队现在都在讨论“怎么用 AI 做数据”,但真正能落地到日常决策里的,还不算多。如果你打算尝试,不妨把这篇留在手边,等到要设计权限、搭知识库、选试点团队时,再翻出来对照一遍。