从 GUI 到 LUI + Agentic + MCP
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 范式在数据分析场景下的可行性与业务价值。
MCP 能力试验田
驱动各数据系统完善工具描述、参数设计与权限透传等基础能力，形成能力建设正循环。
探索性数据分析
重点解决非固化路径的深度洞察、跨系统联合分析及长尾探索需求。
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。
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
构建整合多系统的数据 MCP 能力
MCP 迭代路径
运营/广告报表 MCP
更多线上报表 MCP
预聚合表直查 MCP
分群、画像
留存分析 MCP
更多分析模型 MCP
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
交互组件适配 (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。
核心交互范式与设计原则
自然交互与低门槛
以自然语言对话为主，提供丰富的引导卡片和示例问题，让业务用户实现“开箱即用、零学习成本”。
渐进披露与富媒体
首屏默认展现精炼的“文字摘要 + 核心图表”，明细数据与复杂思考链路按需点击展开，避免信息过载。
溯源诚实与安全可控
分析过程与数据口径完全公开可追溯；触及动作执行时必须通过确认卡拦截；对不确定结论显式标注“需确认”。
引导追问形成闭环
结合当前业务场景，在结果区域主动提供“下一步分析建议”，引导用户沿着“大盘 → 明细 → 动作”的路径持续深入。
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
- 接入运营/广告报表MCP、预聚合表直查MCP
- 跑通“自然语言→JSON→LUI”全链路
- 仅支持markdown文字表格展示
- 覆盖 5-10 个高频大盘查询场景
V1 阶段
多MCP能力接入，数据友好展示
- 接入分群、画像、留存分析MCP
- Agent 编排能力升级
- 数据可视化交互组件支持
- 覆盖策划、买量、运营多角色场景闭环
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。
将我们将多年积累的各系统数据能力，
通过 AI 以 准确的方式、安全的底线、解耦的架构、友好的体验 提供给用户。