公开材料说明
- Amplitude 将分析任务分为描述性、诊断性、预测性和规范性四类，并定义八步 Agent 工作流。
- 官方示例把 Agent 的执行步骤、数据概览、根因假设和支持证据放在同一回答中。
- 其公开评估使用人类定义标准和 LLM-as-judge，Global Agent 综合得分为 76%。
Data Agent · 官方示意
Amplitude Global Agent
分析型 Agent 如果只返回一段结论，用户无法判断它查了什么、排除了哪些假设，也难以区分描述事实与真正完成诊断。
做分析 · 任务编排
查看完整原图 ↗配图 01 / 01
Global Agent回答预览
- 要解决的问题
- 分析型 Agent 如果只返回一段结论，用户无法判断它查了什么、排除了哪些假设，也难以区分描述事实与真正完成诊断。
可以借鉴 · DataHot 解读
复杂分析回答应把结论、根因假设、证据和执行过程分层呈现，而不是揉成一段解释。
代表图优先，其余配图保留原文顺序；配图不代表一次连续操作。材料核对于 2026-09-01 · 阅读完整原文 →
设计拆解
DataHot 解读
- 把执行步骤折叠在答案上方，既能让普通用户先读结论，也给专业用户留下过程审查入口。
- 用“发生了什么—为什么—接下来怎样”组织输出，比按图表类型堆结果更符合分析任务的推进方式。
功能模块
- 图表上下文
- 可展开执行步骤
- 数据概览
- 根因假设
- 证据与后续行动
交互方式 · 案例整理
- 从已有图表直接追问异常原因
- 在 Working 区查看分类、分组、关联实验等执行步骤
- 阅读数据概览与根因假设，再沿证据继续核验
- 通过追问推进预测或行动建议
可以借鉴
- 复杂分析回答应把结论、根因假设、证据和执行过程分层呈现，而不是揉成一段解释。
- 评估 Data Agent 时，要按用户任务成熟度拆分成功标准，不能只测 Text-to-SQL 是否执行。
收益与代价
- 展示过程能提升透明度，但过长的步骤列表会让用户误把活动数量当作分析质量。
- 厂商自评提供了结构化标准，但仍需要外部任务集和人工复核来控制偏差。
适用边界代表图是官方标注过的产品示例，部分注释不是实际运行时界面。 76% 为 Amplitude 自建任务集上的结果，不能作为跨产品横向排名。
资料出处
阅读站内原文 →对你的产品设计有帮助吗？
反馈与收藏分开保存在当前设备。