Amplitude发布Code Mode与Data Assistant Agent，用AI解读指标变化
译文 AI 逐段翻译
每个产品都遵循相同的循环：构建、发布、衡量结果，然后利用所学构建下一个产品。
循环的前半部分已日益自动化。CI/CD部署代码。功能开关控制发布。AI可以与开发人员一起编写、测试和迭代。但将接下来发生的事转化为正确的下一步行动，仍高度依赖人工判断。
这种判断是下一个要自动化的目标。
了解指标为何变动、是否重要以及下一步该做什么，不仅仅需要数据访问权限。它还需要两件事：推理上下文的能力，以及对底层数据可信度的信心。随着更多决策从人类转向智能体，这两者变得愈发重要。一个基于不良上下文（或不良数据）进行良好推理的智能体，仍然可能自信地做出错误决策。
在Anthropic的2026年6月经济指数报告中，研究人员询问Claude用户他们认为AI永远无法做到的事情。最常见的回答指向同一件事：判断力、上下文意识、情境推理——知道情境需要什么。
我们认为这是下一个要解决的问题：帮助团队利用更好的上下文和更可信的信号做出更好的决策。
今天，我们推出两项专为此问题构建的AI能力：代码模式和数据助手智能体。
代码模式帮助团队更深入地推理其数据所显示的内容：发生了什么变化、为何重要、影响了谁，以及下一步该怎么做。数据助手智能体通过识别和优先处理数据质量问题，帮助提高该推理背后数据的可信度。
回答指标背后的问题
大多数产品团队都能看到指标何时变动。更难的问题随之而来：为什么会变动？哪些用户推动了变化？哪些行为能预测接下来会发生什么？我们发布的产品真的产生了影响吗？
回答这些问题通常意味着导出数据、编写自定义SQL或Python，或等待数据科学家的帮助。代码模式将这项工作直接带入Amplitude。
它针对Amplitude中已有的行为数据运行SQL和Python，让团队无需离开工作流程即可调查超出标准图表的问题。
团队已经在使用代码模式来发现隐藏的细分用户群和行为模式，比较不同队列的旅程，构建自定义可视化，并捕捉系统之间各自未标记的差异。
这意味着团队可以超越“有多少人使用了此功能？”等常见问题，开始提出：
- 哪些行为能预测长期采用？
- 不同用户细分在哪里受阻？
- 这次发布是否真正提高了留存率？
- 哪些用户最有可能从干预中受益？
而且，由于每次查询和验证步骤都会全程记录，分析可以被检查、质疑和重新运行。团队不必盲目相信AI生成的结论。
代码模式现已向所有免费版、Plus版和Growth版客户开放，将更深入的分析带入Amplitude，使团队能够从信号到解释再到机会，而无需导出数据或等待单独的分析周期。
构建可信的数据基础
更深入的推理只有在底层数据能够被理解和信任时才有效。
如果事件名称不清晰、定义缺失、相似行为以多种方式被跟踪，或者重要上下文只存在于某人的头脑中，那么人类和AI可能会对相同的信号做出不同的解读。随着更多分析转向智能体，这些模糊性变得更加重要：AI只能从你的数据提供的上下文进行推理。
这并非假设。在Hex的2026年数据团队现状调查中，数据质量和缺乏信任是数据领导者引用的扩展AI的最大障碍——其被提及的次数几乎是成本、技能和工具总和的两倍。
数据助手智能体扩展了数据助手，提供了新的智能、更广泛的优先级数据质量建议，以及在聊天中调查和处理这些建议的交互式体验。
它审查分类法、元数据、使用模式和项目上下文，以识别不清晰、重复或未定义的事件和属性。然后解释为什么这些问题重要，并推荐改进建议，使Amplitude数据对人员和智能体都更可信。
团队可以：
- 运行AI特定审计
- 调查分类问题
- 请求优先级排序
- 请求解释
- 起草元数据改进
数据助手智能体现已向所有拥有AI功能的Plus、Growth和Enterprise客户开放，确保采用AI驱动分析的团队拥有可靠的数据，让人员和智能体都能对您的产品做出正确决策。
闭环：从测量到行动
AI加速了产品的构建和发布。现在，产品开发循环的其余部分需要跟上。
代码模式和数据助手智能体解决了AI从产品数据做出更好决策所需的两件事：深入推理信号含义的能力，以及足够可靠可供推理的数据基础。一个帮助揭示发生了什么、为何发生以及下一步该做什么。另一个帮助识别和改进可能破坏这些结论的数据质量问题。
两者合力，将测量从流程的终点转变为它本应成为的样子：您下一个构建产品的起点。
关于作者
Carmen DeCouto
Amplitude产品营销总监
Carmen DeCouto 是 Amplitude 的产品营销负责人。她曾推出 AI 产品，在整个用户生命周期中建立增长计划，并将技术转化为人们真正关心的内容作为自己的职业。凭借近十年的数据和数据分析经验，她对行业的发展方向以及如何为之构建形成了敏锐的直觉。
主题