Microsoft Fabric Data Agent 为什么坚持只读

Sat, 26 Sep 2026 00:00:00 +0000

Agent 一定要能改数据、发工单，才算有价值吗？Fabric Data Agent 选择了更窄的边界：生成并执行只读的 SQL、DAX 和 KQL 查询，把跨系统写操作留给外部编排。

身份先于查询

数据访问沿用用户的 Microsoft Entra ID 与数据权限。Agent 能看到 Schema，不代表用户能读数据；对 Power BI 语义模型的访问还受 Read 权限、RLS 和 CLS 约束。这使权限检查落在数据平台，而不是交给提示词判断。

不同资产走不同查询语言

Lakehouse、Warehouse 和 SQL Database 通过 SQL 查询；Power BI 语义模型使用 DAX；Eventhouse/KQL Database 使用 KQL。一个 Agent 可以组合多种来源，但语言路由只是第一步，跨源口径、粒度和时间仍需业务定义约束。

只读降低了什么风险

只读阻止 Agent 直接创建、更新或删除数据，也不会从 Eventhouse 触发 Notebook 或其他动作流。这减少了误操作的爆炸半径，并让分析组件更容易嵌入 Copilot Studio 等上层编排。

但只读不等于安全或正确。错误查询仍会误导决策，过宽权限仍会暴露数据，Purview DLP 也可能让结果被截断或阻断。当前聊天输出还有行列限制，不适合被当作完整数据导出接口。

生产设计的三个检查点

第一，验证用户身份和每个数据源的实际权限，而不是只看工作区角色。第二，为关键问题提供示例查询和语义说明，并记录生成查询。第三，把“分析建议”与“业务动作”分开：若外部 Agent 要据此写回系统，必须重新审批目标、参数与接收者。

Fabric 的只读路线说明，一个 Agent 不必包办闭环中的全部动作。把受治理问数做成可靠组件，再由显式编排承担写操作，往往比给同一个模型无限工具更容易审计。

只读 Agent 也需要回归集

可以从真实高频问题构造一组覆盖 SQL、DAX 和 KQL 的任务，记录预期数据源、关键筛选、行级权限和可接受的汇总结果。每次模型、语义模型或数据源结构变化后回放，重点检查错误路由、静默截断和权限差异，而不是只看自然语言答案是否流畅。

Data Agent 厂商地图：按系统位置比较，不按名字排队

Thu, 17 Sep 2026 00:00:00 +0000

Data Agent 市场最容易画错的一张图，是把云平台、BI 应用、内部自建系统、开源框架和学术项目放成一排 Logo，再暗示它们彼此竞争。它们可能解决不同任务，处在技术栈不同位置，也承担不同的生产责任。

更有用的地图以系统位置为纵轴，以交付形态为横轴。先找同类，再比较能力。

第一轴：产品位于系统哪一层

数据平台

Snowflake、Databricks、Google BigQuery、Microsoft Fabric、AWS Redshift 等平台拥有数据、计算、权限与治理入口。平台原生 Agent 的优势是能复用这些控制面，限制则是能力通常围绕自身生态展开。

例如 Snowflake Cortex Analyst建立在 Snowflake 语义模型与访问控制上；Microsoft Fabric Data Agent面向 Fabric 数据源并按用户权限查询；Google 同时提供面向分析、数据科学和数据工程的不同 Agent 入口。

语义与治理

这类能力维护指标、实体、关系、血缘、质量和权限。它们不一定以“Data Agent”命名，却决定 Agent 是否理解“收入”和“客户”。选型时要问：语义资产能否被 BI、Agent 和其他应用共同引用，版本和责任人如何管理，而不是只看是否有聊天框。

Agent 平台

平台提供模型、连接器、工具协议、运行时、状态、评测和治理，让团队构建自己的数据工作流。2026 年 9 月发布的 ChatGPT Work Data agent已是面向企业的产品，与 OpenAI 1 月分享的内部自建 Data Agent不是同一个交付边界。内部案例能提供架构经验，不能直接等同于可采购 SKU。

分析应用

BI、Notebook 和分析工作区把 Agent 放进业务用户或分析师已有界面。它们通常在问数、探索、代码分析、图表与报告交付上做得更完整，但底层语义、权限和执行可能依赖外部平台。评估时要沿调用链确认责任，不能只看前端体验。

数据工程与运维

这类 Agent 面向元数据、质量、dbt/Dataform、管道、成本和故障处置。它们可能产生代码或变更建议，甚至写入生产，因此测试、审批、幂等和回滚比问数准确率更重要。

第二轴：它以什么方式交付

形态	适合什么情况	需要承担什么
内部自建	数据和流程独特，已有强数据平台团队	架构、评测、安全、运维和长期迭代全部自担
平台原生	核心数据已集中在一个平台，希望快速复用权限与语义	生态绑定、跨源能力和区域可用性要核实
独立应用	需要跨平台体验或特定分析工作流	连接器、身份透传和数据出口责任要厘清
开源框架	需要可控部署、研究或深度定制	生产语义、权限、维护和支持不会随代码自动获得
学术项目	研究新方法、基准和能力边界	论文结果不等于生产 SLA 或产品支持

同一家厂商可以横跨多层，同一产品也可能在不同版本提供不同形态。地图不是互斥分类，更不是市场份额图。

Microsoft Fabric on DataAgentX