数据分析 Agent 如何处理「模糊需求「
配图（无描述）
1️⃣ 考察意图
面试官想看你解决"用户不知道自己想要什么"这个产品难题。刁钻点在于：真实用户很少给出精确的数据分析需求（如"看一下数据"），Agent 需要从模糊请求中推断意图、引导用户明确需求、甚至在用户不知道该问什么时主动提供分析方向。很多人只答"追问用户澄清"，但说不清何时追问、追问什么、以及如何主动推荐分析方向。
2️⃣ 标准答
模糊需求处理采用"意图推断 → 澄清追问 → 主动推荐"三层策略：
1. 意图推断
- 关键词映射：从模糊请求中提取关键词，映射到可能的意图。如"看一下销售"→可能是"查看销售额总量"/"销售额趋势"/"销售额排名"
- 上下文推断：根据用户角色（销售经理 vs 产品经理）、历史查询记录、当前业务周期推断最可能的意图。如销售经理说"看一下销售"→大概率是想看"本月销售额 vs 目标完成率"
- 默认行为：如果推断置信度高（>0.8），直接执行最可能的查询并展示结果，同时提供"您是否想看..."的其他选项。如果置信度低（<0.5），进入澄清追问
2. 澄清追问
- 选择题式追问：不问开放式问题（"您想看什么？"），而是给选项（"您是想看：A. 本月销售总额 B. 销售趋势 C. 各品类销售对比"）。用户选择比输入更方便
- 维度澄清：用户说"看一下数据"→追问"您想看哪个维度的数据？时间/品类/渠道/地区？"
- 时间范围澄清：用户说"最近"→追问"最近是指：今天/本周/本月/本季度？"
- 粒度澄清：用户说"销售额"→追问"您想看：总销售额/按品类/按渠道/按地区？"
- 追问原则：最多追问 2 轮。如果 2 轮后仍不明确，展示最可能的 3 种分析结果让用户选择
3. 主动推荐（Proactive Insights）
- 异常告警：Agent 主动检测数据异常并推送。如"本周退货率比上周上升 20%，是否需要查看详情？"
- 趋势发现：定期分析数据趋势，推送有价值的发现。如"电子产品品类连续 3 个月增长，建议加大该品类投入"
- 分析模板：根据用户角色推荐常用分析。如对新销售经理推荐"销售漏斗分析"/"客户转化率"/"区域销售排名"
- 智能下一步：每次查询结果后建议 2-3 个"下一步分析方向"。如查完"销售额"后建议"按品类拆分"/"对比上月"/"查看TOP10客户"
4. 模糊需求处理流程
用户："看一下数据"** ↓ 意图推断：置信度 <0.5 ↓ 澄清追问："您想看哪个业务领域？销售/库存/用户/财务？" ↓ 用户："销售" ↓ 进一步追问："您想看：A.本月销售总额 B.销售趋势 C.品类对比" ↓ 用户："B" ↓ 执行查询 + 展示结果 + 建议下一步："按品类拆分趋势？/对比去年同期？"
3️⃣ 答题模板（30 秒电梯版）
"三层策略。意图推断：关键词映射+上下文推断（用户角色/历史查询）+默认行为（高置信度直接执行+提供选项）。澄清追问：选择题式（给选项而非开放问题）+维度/时间/粒度澄清+最多2轮。主动推荐：异常告警（退货率+20%）+趋势发现（连续3月增长）+分析模板（按角色推荐）+智能下一步（每次结果后建议2-3个方向）。核心：不是'等用户问'而是'主动发现并引导'。"
4️⃣ 高频追问 & 应对
追问 1**：意图推断用规则还是 LLM？各有什么优劣？
分层策略：(1) 规则匹配——关键词到意图的映射规则（"销售"→sales_intent），延迟 <10ms，适合高频简单场景；(2) LLM 推断——规则未命中时用 LLM 理解上下文推断意图，延迟 200ms，适合复杂模糊请求。实践：先用规则快速匹配（80% 覆盖），未命中再用 LLM（20%）。LLM 推断时注入用户角色和历史查询记录作为上下文。如果 LLM 也无法确定（输出不确定），进入澄清追问
追问 2：主动推荐会不会打扰用户？怎么控制频率？
频率控制：(1) 用户主动模式——用户提问时才回应，不主动推送。适合新用户（建立信任）；(2) 轻推送模式——每次查询结果后建议 1-2 个"下一步分析方向"，不打断用户流程。适合活跃用户；(3) 主动告警模式——只在检测到严重异常（如日销售额下降 50%）时主动推送告警。适合管理者。频率限制：主动推送每天最多 3 条，避免告警疲劳。用户可以设置"不打扰时间"（如周末不推送）
追问 3：如果用户的需求完全超出 Agent 的能力（如"预测明年的市场趋势"），怎么处理？
诚实降级：(1) 明确告知——"我目前无法做市场趋势预测，但可以提供以下相关分析：历史销售趋势/品类增长率/客户增长趋势"；(2) 推荐工具——"如果您需要做预测分析，建议使用专业的预测工具（如 Prophet/ARIMA），我可以帮您导出历史数据"；(3) 记录需求——将超出能力的请求记录，用于产品迭代规划。关键：不要编造数据或给出没有依据的"预测"，诚实说"我不知道"比错误回答好
5️⃣ 避坑 · 常见错误答法
- ❌ "模糊需求就追问用户'您想看什么？'" → ✅ "开放式追问增加用户负担。应该给选择题（'您是想看A/B/C？'），用户选择比输入更方便。最多追问2轮，之后展示最可能的结果。"
- ❌ "Agent 应该能理解任何模糊请求" → ✅ "自然语言天然有歧义，Agent 不可能 100% 理解模糊需求。关键是降低模糊性——意图推断+澄清追问+主动推荐三层联动，而非追求完美的理解能力。"
- ❌ "主动推荐越多越好" → ✅ "过度推荐会打扰用户。频率限制（每天最多3条主动推送）+分级模式（主动/轻推送/被动）+用户可配置。推荐的价值在于'在正确的时间提供正确的信息'。"
6️⃣ 简历呼应
- 如果你有数据分析产品：从"用户体验优化"切入，描述你实现的意图推断+澄清追问+主动推荐方案，给出用户满意度和分析完成率数据
- 如果你只做过数据可视化：用"被动展示→主动推荐"迁移，说明数据可视化的经验可以增强推荐能力（如根据数据类型推荐图表）
- 如果你是校招无项目：设计一个数据分析 Agent 的对话流程，测试不同追问策略对用户完成率的影响
- "Clarifying Questions in Data Analysis" (Settles, 2010)
- "Proactive Analytics: Push vs Pull" (Tory et al., 2023)
- "Conversational Data Analysis" (Saha et al., 2023)