从超级个体到超级组织：Multi-Agent研发团队实践探索

在数据研发领域，AI coding的探索已进入新的阶段。过去一年，个体Agent工具的普及让单个工程师的产能显著提升——一个熟练使用Agent的工程师，其产出可以超过一整个初级团队。然而，当我们深入业务一线时发现一个关键问题：每个人的Agent都运行在本地，经验不共享，知识不流转。老司机用Agent跑出的最佳实践，新人还在踩同样的坑。

个体Agent时代的三重困境

当前数据研发团队在使用Agent时普遍面临三个核心挑战。首先是语义资产的系统性缺失——数据资产在高速迭代中积累了大量不规范命名，如同一个「商家会员ID」字段在多个业务域可能有完全不同的定义和口径，这些隐性的业务知识散落在每个人的本地配置里，NL2SQL的准确率天花板由此被限制。其次，本地Agent无法回收和复用经验——一个人调试好的Prompt，另一人无从得知；踩过的口径坑，团队会反复踩踏，新人入职或接手新业务域的周期被大幅拉长。第三，Multi-Agent流水线的配置成本过高——要搭建一套端到端的研发流水线（需求澄清→数据建模→SQL研发→代码审查→测试），对大部分工程师来说存在认知门槛和配置成本。

Loop Engineering：让失败变得有价值

针对上述问题，我们设计了一套KST三层知识架构，将业务知识、行为规范和工作流配置分治管理。K层（领域知识）解决「Agent理解业务」的问题，包含业务规则库、元数据知识库、SQL规范库等资产；S层（行为规范）解决「Agent行为可预期」的问题，通过明确的输入输出契约定义每个节点的验收标准；T层（工作流配置）则定义Agent之间的协作方式——顺序协作与反馈循环的组合。在具体实现中，我们采用「以Agent养Agent」的策略：用Agent扫描已有的SQL脚本、数据节点和报表文档，自动抽取指标定义和表血缘关系，生成知识草稿，再由语义审核Agent进行校验和修正。效率对比很直接：手工录入200+指标需要数周，而Agent扫描加审核只需要数小时。

知识工程体系：让AI有据可依

知识工程解决的是「让Agent有据可依」的问题，而Loop Engineering要解决的是「让系统持续进化」的问题。Harness就是我们给Agent加的工程化约束——流程怎么走、质量怎么检、出错怎么兜底，都以文档形式固化。没有Harness，Agent的执行就是「跑一次看运气」；有了Harness，才能让每一次失败都变成改进的机会。我们为NL2SQL流水线设计了「三道安全网」：知识校验在生成SQL前检查语义资产覆盖完整性；CR Agent独立查询源表进行交叉验证；测试Agent交付的不是「SQL执行成功」，而是完整的数据验证报告。这三道网拦住的是「这一次」的问题，而全自动冒烟测评则让「下一次」不再踩同样的坑——每次冒烟失败都指向具体的根因，或补一条K层知识，或升级一版CLAUDE.md指令，知识库和小队能力同步生长。

研发小队：团队级Agent协作平台

上述方案有一个关键前提：使用过程中的数据能被采集。在本地Agent运行时里这个前提不成立——每个人的配置不同，知识不共享。我们构建了团队级的Multi-Agent协作平台，将Multi-Agent小队（Squad）作为核心组织单元：一个Squad等于一组Agent加一套协作指令加一套知识包。团队成员可以fork模板小队，得到完整的配置副本，挂载自己业务域的知识包后当天就能运行。更重要的是，使用过程中产生的知识碎片——口径补充、规范修正、CR教训——会自动回流到公共知识库，所有小队共同受益。这种「小队市场」模式让不同类型的数据研发场景可以有不同的模板，大家在使用中持续迭代，经验得到共享且能自进化。

如有侵权，请联系删除。