从 GUI 到 LUI + Agentic
解决传统报表边际效用下降，用自然语言驱动数据分析
传统 GUI 的痛点
- 表达效率低：需要学习产品信息架构，将问题翻译成筛选器和下钻路径。
- 路径固化：分析路径在开发阶段就被固化，不适应非线性探索。
- 跨系统割裂：涉及报表、明细、画像等多系统，需人工切换串联。
LUI + Agent 的破局点
- 自然语言交互：直接用业务语言提问，表达成本骤降。
- 动态编排路径：Agent 动态编排“大盘-明细-动作”路径，高度灵活。
- MCP 能力整合：通过 MCP 工具集在一次对话内完成跨系统整合编排。
产品的三重战略定位
旗舰示例应用
部门 AI 数据能力的对外展示窗口与集成出口，验证 LUI 范式可行性。
MCP 牵引试验田
反向驱动各数据系统完善工具描述与基础能力，形成能力建设正循环。
GUI 的互补延伸
不替代高频标准看板，重点解决“探索性分析”、“跨系统”、“长尾”需求。
目标与指标体系
北极星指标
有效判定：用户的业务问题被闭环回答，且结果在后续行为中被采纳（导出、引用、追问）。
| 指标层级 | 指标名称 | 业务含义 |
|---|---|---|
| 用户层 | 周活跃/用户留存率 | 衡量产品是否真正嵌入业务日常 |
| 人均有效会话数 | 衡量单用户价值深度 | |
| 业务层 | 问题解决率 | 用户问题被一次会话内闭环回答的比例 |
| 人工取数替代率 | 反映对部门整体效率的拉动 | |
| 技术层 | MCP 调用成功率 | 首次调用返回可用结果比例，反映规划质量 |
| 平均首轮响应时延 | 从提问到首个结果呈现的端到端耗时 | |
| 澄清轮次占比 | Agent 主动澄清占比，衡量意图识别能力 |
核心角色与业务闭环场景
一次会话内完成：“现象发现 → 原因定位 → 行动建议”
目标诉求
理解版本/活动效果，定位异常，支撑下一次决策。经常问开放式问题，需要强解释能力与主动下钻对比。
系统解耦架构与执行流转
四层严格解耦，权限下沉保障安全。点击左侧模块查看详情。
1. 交互层 (Web-Chat UI)
自然语言入口、图表/表格渲染、参数卡片
2. Agent 编排层
意图理解、任务规划、工具选择、结果反思
3. 能力层 (MCP 工具集)
报表查询、明细下钻、画像切片等标准化接口
4. 数据与权限底座
业务系统口径、单项目权限校验
交互层核心设计
- 专属定制：非通用纯文本聊天框，深度定制图表流式渲染、表格下钻追问。
- 双端适配：
PC端：大图表、多会话并行、沉浸分析。
App端：卡片结论优先、消息通知直达。 - 安全原则：不确定则标注，保留中间过程可追溯，触及核心动作需确认。
Agent 角色设定与分析范式
确立大模型在系统中的准确角色与执行规范，保障业务可用性。
1. Agent 角色设定与核心基调
【核心 System Prompt 设定方向】
"你是一位服务于游卡的资深游戏数据分析专家。你不仅精通数据分析方法论，更深刻理解买量 ROI、版本留存、活动转化等核心业务逻辑。你的目标不是直接编写代码，而是理解用户的业务诉求，通过智能规划并调用既有的数据工具集（MCP），为用户提供严谨、直观、可追溯的数据洞察与行动建议。"
2. 渐进式分析范式
强制复刻资深数据分析师的真实思考路径，避免大模型“面对宽泛问题，直接扑向复杂明细”的反模式。
优先：看大盘
默认首发动作。优先调用大盘报表，确认现象真实性与量级，主动提供同比/环比基准对比。
条件进入：查明细
仅在大盘结论不足以回答问题时进入。基于发现的异常维度，定向下钻数据切片寻找根本原因。
闭环：做动作
得到明确结论后，根据当前业务角色场景，主动提示可执行动作，输出闭环价值。
3. Planning 策略 & 工具调用编排逻辑
轻规划 + 边执行边反思 (ReAct 范式变体)
采用状态机式的循环调用编排。不一次性生成脆弱的全链路执行计划，而是根据单次 MCP 返回结果动态决定下一步走向。
明确分析目标
组装 JSON 参数
返回结构化结果
决定是否继续
挂载图表组件渲染
4. 行为红线与严控边界
必须强制通过 MCP 工具获取实际业务数据。严禁基于大模型自身训练知识编造业务数据或指标定义。如无匹配工具或查不到数据，必须诚实告知用户。
遇到分析项目范围模糊、时间指代不清（如“最近表现怎么样”）、存在多义指标，或连续两次工具组装失败时，必须中断执行并主动向用户发问澄清。
每次呈现回答时，必须同时展示数据元信息面板：明确告知用户“调用了什么接口、使用了什么参数切片、数据截至何时”，确保分析结论的溯源可信度。
MCP 工具体系与优先级
决定调用准确率的命脉，投入回报率远高于调优 Agent 本身。
接管路径规划 (按闭环贡献度排序)
通用预聚合报表
复用成本低、口径强可信、覆盖广
自助明细查询
解锁下钻，闭环关键
广告报表/用户分群
覆盖买量与运营人群切片
动作类能力
报告导出、消息推送
命名与描述
命名需体现业务能力，保证全局唯一（勿用技术表名）。
描述必须含三段：做什么、何时用、何时不用(反例)。需显式约束维度边界。
入参 Schema
清晰的枚举值、默认值。复杂JSON参数必须提供2-3个完整Few-shot。
校验留在MCP端，返回结构化报错供Agent重试修正。
返回结果规范
必须是：结构化数据(供画图) + 自然语言摘要 + 口径元信息（定义/新鲜度）。
交互与界面设计原则
不仅是通用聊天框，而是深度定制的数据分析专属 LUI
LUI 核心交互范式
对话为主，富媒体为辅
自然语言提问，回复为“文字摘要 + 结构化图表/表格/卡片”，拒绝纯文本倒退。
可追溯的分析过程
每个回复支持展开查看 Agent 的规划步骤与工具调用详情，满足高解释性要求。
鼓励追问闭环
结果区域显式提供“追问建议”，引导沿着“大盘 → 明细 → 动作”路径深入。
四大关键设计原则
诚实原则
不确定处显式标注“需进一步确认”，绝不伪装笃定。
可控原则
允许中断执行、修改参数重试或回到历史某步重新分叉。
低门槛原则
通过示例问题和引导卡片，让新用户30秒内完成首次提问。
渐进披露原则
默认只展示核心结论，思考链路与原始数据按需展开。
专属定制组件与多端适配 (互动演示台)
✅ 分析完成：昨日收入下降主要因【活动A】自然回落。
展开 Agent 规划与调用过程 (共 3 步)
调用了 [通用预聚合报表 MCP] 返回成功。
调用了 [活动收入明细 MCP] 返回成功。
演进路线与核心风险控制
阶段演进路线图
MVP 阶段
验证架构可行性，拒绝堆砌能力
- 仅接入通用预聚合报表 MCP
- 跑通“自然语言→JSON→图表”全链路
- 覆盖 5-10 个高频大盘查询场景
- 不包含：长期记忆、有副作用动作操作
V1 阶段
形成业务闭环，成为核心工具
- 接入自助明细查询 MCP（支持下钻）
- 接入买量广告报表 MCP
- 接入用户画像与分群切片能力
- 完成策划、买量、运营三角色场景闭环
V2 阶段
从被动回答向主动洞察升级
- 支持报告一键生成、导出与消息推送
- 引入长期记忆，理解用户个性化偏好
- 主动数据异常巡检与归因洞察推送
- 支持多用户会话共享与协同分析
关键风险与应对策略
可信度风险 (幻觉)
应对策略：严禁基于大模型自身训练知识作答，所有核心数据必须强制调用 MCP 接口获取，并在输出端显式绑定数据口径与元信息。
权限越权风险
应对策略：不在 Agent 层做任何信任假设。调用链路全量透传用户真实身份(Token)，权限校验硬逻辑彻底下沉至各底层数据系统。
工具调用准度低
应对策略：建立严格的 MCP 接入规范与上线评审机制，必须包含高质量的 Few-shot 示例；持续回流线上失败 Case 优化检索系统。
MVP 范围失控
应对策略：严格死守 4 月份“仅接入报表 MCP”的底线，确保架构与交互流转跑通，将所有高级分析与控制需求延后至 6 月份 V1 排期处理。
真正的壁垒不在于使用了什么大模型，
而在于我们将多年积累的数据能力，以正确的方式、安全的底线、解耦的架构供给给 Agent。