数据 Agent
Databricks Genie
业务问题集、空间上下文、查询迭代与结果验证。关注从一次问答到可验收分析任务的变化。
32 条已收录资料 · 2 个设计案例。下列日期对应各篇材料，不代表产品当前能力清单。
近 30 天重点 9 条资料中优先展示，按原文日期
- Databricks Genie 企业数据 Agent 基准：准确率 91%，Token 用量减半原文 2026-11-11 · 收录 2026-11-11
- Databricks 详解：如何检测凭据驱动的攻击原文 2026-11-12 · 收录 2026-11-12
- Databricks推出自主AI同事Genie，可代员工执行长周期工作原文 2026-11-12 · 收录 2026-11-11
精选参考 4 条
Databricks称专用数据Agent比通用Coding Agent更准更省
Databricks用401个真实内部任务对Genie Code与三款通用Coding Agent进行评测。厂商公布的结果显示，Genie Code准确率为76.6%，平均每项任务成本0.55美元，正确答案成本不到最接近对手的一半。该结果属于Databricks自建基准，应结合评测设计审慎解读。
为什么值得关注
这是少见的专用数据Agent与通用Coding Agent成本、准确率同场比较，能帮助团队理解语义搜索和企业上下文的实际价值。
Genie Code：把长任务、数据资产与 ML 工程放进同一工作区
全页工作区支持多任务状态和结果审阅；Agent 可使用 MLflow 实验与血缘、服务端点信息，以及团队指令、skills 和连接器。
为什么值得关注
产品价值在任务执行与审阅闭环，适合参考数据开发平台如何承载持续工作。
Genie Agent Mode：围绕假设反复查询，解释业务变化
对复杂问题先规划，再执行多次查询、检验假设并调整方向；答案附 SQL 和图表，并按问题复杂度分配推理。
为什么值得关注
有助于设计从“查一个数”升级到“解释为什么”的分析流程及证据展示。
用业务问题集把 Genie Space 从能演示做到可验收
以营销分析为例，逐步修正元数据、关联关系、CTR 等指标定义和业务规则，用 benchmark 检查每次修改。
为什么值得关注
最适合先读：可以直接借鉴“业务问题—参考答案—失败归因—回归验证”的上线流程。
产品动态 28 条
Databricks Genie Migrate 正式可用，助力轻松迁移至湖仓
Databricks 宣布 Genie Migrate 正式全面可用（GA），这是一项帮助客户将现有数据负载迁移到 Databricks Lakehouse 的功能。官方称企业正加速构建 AI agent 与应用，迁移需求随之上升。该发布聚焦迁移路径的简化，属于平台侧的产品能力更新。
收录理由（正文待核验）
湖仓迁移是企业数据平台建设的关键环节，Databricks 官方推出自动化迁移工具的 GA 版本，值得关注数据平台架构与迁移成本的数据从业者了解。
Databricks Genie登陆Slack并正式可用：在工作流中提供受治理的AI问答
Databricks宣布其Genie应用面向Slack正式可用（GA），用户可在频道、线程或私信中@Genie提问，答案基于Unity Catalog的受治理业务上下文与权限，并逐条标注来源。产品强调仅在Genie被邀请的频道读取上下文、在提问线程内保持追问语境，并支持点击来源跳转Genie One深入探索。官方将其定位为解决跨数据平台、文档与工单等多源信息散落导致的分析延迟问题。
为什么值得关注
这是ChatBI/Data Agent产品形态的重要落地案例：把受治理的语义与权限带入Slack协作场景，体现“分析入口前移至工作流”的趋势，对关注Data Agent落地与权限治理的数据从业者有参考价值。
Databricks 详解：如何检测凭据驱动的攻击
Databricks 官方博客解析了凭据驱动攻击在平台上的典型路径：攻击者利用泄露的会话 Cookie、个人访问令牌（PAT）或服务主体凭据直接登录，再通过非线性攻击序列伪装成合法身份活动。文章介绍了如何基于 Databricks verbose audit logs 结合 Genie 识别身份行为偏移，确认入侵后如何响应，以及哪些控制手段能限制被盗凭据的可用范围。核心观点是：攻击者的行为缺乏真实的业务上下文，其行为异常最终会暴露自己。
为什么值得关注
对在 Databricks 上运行数据平台的安全与平台团队具有直接可操作性，讲清了审计日志检测思路与响应机制，属于数据平台治理与权限安全的一手技术实践。
Databricks启用新总部，加码AI产品研发
Databricks在旧金山启用One Sansome Street新总部，最终面积超23.5万平方英尺，并计划到2028年初向旧金山运营投入超10亿美元。官方披露AI研究团队正在研发KARL定制企业模型、MemCurrent持久记忆架构和Adaptive Instructed Retriever检索器，分别面向推理成本与延迟优化、Agent记忆一致性和更高效的元数据定位。这些能力已用于Genie和Agent Bricks Memory，同时团队还在推进面向AI Agent的无服务器Postgres数据库Lakebase。
为什么值得关注
Databricks首次集中披露Genie背后的模型与检索架构细节，对关注Data Agent记忆、检索策略和成本优化的从业者有直接参考价值。
Databricks推出自主AI同事Genie，可代员工执行长周期工作
Databricks发布新版Genie，定位为自主AI同事，能持续跟踪进展、催补缺失输入并在新信息到达时自动执行。能力基于Genie Ontology（业务定义、指标、关系与组织知识）、Genie Search（跨湖仓与业务应用检索）以及Unity Gateway/Unity Catalog的权限治理，管理员可查看其动作、用量与成本。用户可通过Genie One、邮件、Slack和Teams下达任务，并在需要时审批。文中举例包括监控保险理赔欺诈与赔付率漂移并生成案卷、以及全天候管理营销campaign并提出周度预算调整。
为什么值得关注
这是湖仓厂商把Data Agent从问答式助手推向可长期自主运行的“AI同事”，并明确给出语义层、检索与权限治理三层支撑，对关注Data Agent落地边界的从业者有参考价值。
Databricks Genie 企业数据 Agent 基准：准确率 91%，Token 用量减半
Databricks 与 Turing 合作推出面向企业级数据 Agent 的新基准，在真实 Databricks 工作区中对比 Genie 与两个前沿 Agent。该基准除数据表外，还纳入 notebook、看板、已保存 SQL、文档等承载业务定义与计算规则的分析资产。Genie 配合 Genie Ontology 取得 91% 通过率，另两者为 45% 和 58%，且 Token 消耗不到一半。文章强调企业语境是纯表结构无法提供的关键信息。
为什么值得关注
给出可复现的企业级 Data Agent 评测方法与量化对比，直击 Text-to-SQL/分析 Agent 的准确率与成本权衡，对做 ChatBI 和语义层的团队有直接参考价值。
Databricks升级Genie智能体，CEO用它获取组织实情
Databricks发布升级版AI Agent Genie，借助自建本体（ontology）为智能体提供上下文，使其能自主完成多步骤任务。CEO Ali Ghodsi演示了实际用法：分析员工满意度调查低分项、评估高管提出的改进方案、总结失败销售pitch、准备播客采访。Ghodsi称公司1.2万人已超出Dunbar数（150人）的直连范围，Genie成为他了解组织真实问题（如销售失误、HR方案风险）的渠道，认为员工超150人的企业均可受益。
为什么值得关注
这是一手产品演示加真实企业用法，展示了分析Agent如何基于语义/本体层承接多步骤业务分析任务，对做ChatBI、Data Agent和数据平台语义层的人有直接参考价值。
Turn buying signals into pipeline with Sendoso gifts in Genie One
From insight to action in Genie OneAI agents are only as useful as the actions they can take...
MemCurrent：为生产级 Agent 设计持久记忆
该官方博客介绍 MemCurrent，一种面向生产型 Agent 的持久化记忆架构，已用于 Agent Bricks Memory 和 Genie。Agent 在工作中读写记忆，离线“dreaming”流程负责整合记忆，使其保持一致和新鲜。在基于真实企业任务构建的内部基准上，MemCurrent 相比无记忆将 Agent 通过率提升至 3 倍，同时减少 31% token 用量并加快 26%。文章还对比 Mem0、PropMem 和 OpenClaw memory，讨论记忆留存、维护与评估的权衡。
为什么值得关注
对做企业级 Data Agent 的团队有直接参考价值：持久记忆同时影响回答准确率、token 成本与延迟，文中还给出内部基准和竞品对比。
Databricks研究团队如何使用AI Runtime
Databricks 官方博客介绍其 AI 研究团队如何使用 Databricks AI Runtime（AIR）支撑模型研发。团队为 Genie、Smart Routing、AI Functions 等产品做研究，并曾让搜索提速 3 倍、探索离线强化学习与复杂文档抽取。AIR 支持从几十亿到近万亿参数模型的 SFT、离线/在线 RL 训练，使用 NVIDIA H100/B300，最长需数百块 GPU 运行数天到数周。文章还分享在长时训练韧性、快速实验原型和大规模 GPU 资源管理上的挑战与经验。
为什么值得关注
Databricks 官方披露其 AI 研究团队如何用 AIR 管理大规模训练、GPU 资源与实验流程，对评估数据+AI平台的工程化能力有参考价值。
Databricks：自然语言分析依赖治理与上下文
Databricks 产品营销负责人 Richard Tomlinson 在访谈中讨论用自然语言而非 SQL 构建数据可视化时，治理与上下文为何是关键。治理不是合规勾选项，而是企业级自然语言分析的基础设施，系统需决定查询哪些表、如何 join、用哪个指标定义以及用户可见行列。Unity Catalog 通过细粒度访问控制、行过滤、列掩码、认证信号和弃用标记来约束 AI agent；语义层中的 Ontology Snippets 也遵循同样权限。对话分析中，Genie 通过维护会话状态、元数据和编辑者指令来理解追问中的指代。
为什么值得关注
面向 ChatBI/Text-to-SQL 从业者，文章具体说明治理如何嵌入 agent 决策，以及 Unity Catalog、Ontology Snippets 和 Genie 如何处理权限与多轮上下文，可作为产品设计参考。
如何选择首批 Genie Agents 以最大化影响
文章指出，仅2026年就创建了超过100万个 Genie Agents，数据团队面临的问题已不是能否构建，而是先构建哪些。作者基于金融服务、能源、零售等行业的数十次 Genie Agents 部署，提出围绕5个核心变量评估候选工作流，以提升采用率、性能与效果。文中将“万能 Agent”和“炫技 Demo”列为常见失败类型，并强调优先选择能加速具体决策、需求高频重复、数据与元数据就绪的工作流。
为什么值得关注
对正在落地 Data Agent/ChatBI 的团队，这篇提供了从业务影响、重复需求和数据就绪度筛选首批 Agent 的实操框架，可减少 pilot 失败并提升采用。
Genie One 如何重塑财务团队工作
Databricks宣布Genie One升级为企业级AI cowork统一入口，整合Genie Search混合AI搜索、100多个MCP连接器与自主行动能力，通过Genie Ontology提供企业上下文，并由Unity Gateway统一治理。Genie Search可索引Google Drive、Jira、Confluence、Workday、SharePoint等外部知识，减少工具调用与token消耗。Genie还能跨团队、跨工具自动执行任务，定位为始终在线的AI同事。
为什么值得关注
这是Databricks在Data Agent与企业AI协作平台方向的重要产品演进，涉及语义上下文、MCP工具接入与统一治理，反映数据分析Agent从问答走向跨系统自主执行的趋势。
Genie One 企业级推广分步 playbook
区域销售总监想了解东北 pipeline 本季走弱的原因，却要等懂可信数据的分析师到周四，最终只能在缺少答案的情况下决策。Genie One 旨在让业务人员用自然语言提问，获得基于受治理数据并引用来源的回答，并快速启动后续多步工作。原文认为，AI 推广停滞常因一次性铺开过多数据域、不同团队对“活跃客户”定义不一、语义层无人负责且缺乏答案校验机制。其落地 playbook 建议从窄问题集开始，先赢得早期采用者信任，再依据反馈逐步扩展到更多业务线，并包含 Genie One、领域特定 Genie Agents、Genie Ontology 等组件。
为什么值得关注
对数据从业者而言，这是一份 Data Agent/ChatBI 在企业内推广的序列化方法：先解决语义一致、来源引用和答案校验，再通过早期采用者扩展到业务线，对减少 AI 分析工具落地失败有参考价值。
S&P Global 用 Databricks Genie+MCP 实现数据对话
S&P Global Energy 希望让客户通过自然语言访问其跨商品的结构化数据，以更快做出决策。其数据覆盖化学品、原油、成品油、天然气与电力、LNG 等，分布在 Databricks 和多个非 Databricks 来源。团队评估多种方案后，采用 Databricks Genie Agents 作为受管 MCP 服务器，并通过 MCP 代理层组合成领域专用包。业务专家（SME）按数据集组维护聚焦的 Genie Agent，使客户和自有助手能获得可信、受治理的答案。
为什么值得关注
该案例展示了如何用 Genie Agents 与 MCP 将复杂结构化数据资产开放给 AI 智能体，涉及数据上下文、治理与 MCP 组合架构，对构建 ChatBI/Data Agent 的团队有直接参考价值。