Grab 正在利用 AI 代理实现分析工作流的自动化，从而减少分析师处理常规工作的占比，并缩短解答业务问题所需的时间。据该公司介绍，分析师处理的机械性工单占比已经从 2 月份的 44% 降到了 6 月份的 30%。分析任务涉及数据准备、告警和生成报告等。
该方法基于一个五级自主模型。在保持人类监督的前提下，该模型界定了智能代理可以自主处理的分析工作流的范围。在第 3 级，人类负责提出问题并审核结果，而智能代理则负责发现数据、编写和执行查询、验证结果以及起草分析报告。在第 4 级，智能代理可以规划和协调工作流，而人类则负责审核预定义的检查点。第 5 级代表端到端自主性，人类仅需设定目标、质量阈值和升级规则。指标定义、因果解释、业务假设和最终决策仍由人类负责。
在 LinkedIn 的一篇博文中，Grab 分析部门负责人 Maanas Prabhakar 强调了分析师角色正在发生的变化：
更棘手的问题是，当数据准备、分析以及其他所有工作都由智能代理处理时，分析师该做什么。
Grab 的 Spartan 系统将这一模型应用于自然语言分析请求，包括通过 Slack 提交的问题。该系统运用 50 多项技能和 120 多个分析框架，将请求路由至专门的工作流。一个关于根本原因的问题可以触发对经过认证的指标和相关维度的分析，而一个关于实验的问题则可以检索现有的记分卡，而非查询数据湖。
知识库索引架构（图片来源：Grab 博文）
为了保证智能代理生成结果的可靠性，该公司还投资构建了所需的数据上下文。Grab 维护着超过 5000 个经过认证的表和指标、4000 份上下文文档以及 2000 条黄金记录。其 ContextIQ 系统将这些信息纳入了生命周期管理，会随着监控配置的变化更新上下文，并整合从生产环境智能代理故障中识别出的修复方案。
Grab 还利用 AI 代理进行分析操作。例如，Scarlet 通过执行根因分析来处理管道故障并修复，而当预定义的检查点或已记录的运行手册无法解决问题时，它会将其上报。
Scarlet 在 Slack 上的实际运行情况（图片来源：Grab 博客）
在常规分析方面，Grab 利用分析工具自动生成指标和 OKR 分析报告，评估数据的显著波动，按国家和细分市场进行拆分，并将其与运营调整及实验做关联分析。其 BriX 门户可以支持分析工作流的开发，自 9 月以来，其使用量增长了十倍以上。该团队报告称，今年上半年完成了 31 次生产环境部署、283 次请求合并和 60 项功能开发。
3 月至 5 月间，在指标查询方面，无需人工干预即可完成的自助分析请求比例从 53% 提升至 67%，在数据提取方面从 63% 提升至 90%，在 SQL 查询方面从 50% 提升至 81%。约四分之三的讨论贴源自分析团队之外，其中 85% 的请求在一分钟内获得了首次回复。Grab 表示，这一转变减轻了分析师的机械性工作负担，使他们能够更加专注于自助工作流和更深入的分析。
原文链接：https://www.infoq.com/news/2026/08/grab-ai-analytics-agents/
