【深度对谈 · AI先锋说】半小时搭出一个应用后，他重新理解了 GuanCLI 与超级应用（SuperApp）

原创于 2026-06-18 13:29:34 发布 · 78 阅读

1 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

标签

#人工智能 #大数据

“懂业务的永远在等数据，懂数据的永远在理解需求”。这是大多数企业的经营现状，数据分析和业务行动之间，好像一直隔着这道鸿沟。

最近，几位AI先锋用他们的真实尝试给出了一个颠覆性的答案。借助 Agent +GuanCLI + 超级应用（SuperApp）的能力，他们正在将过去"排期数周"的传统开发模式，缩短为"半小时即刻验证"的敏捷工作流。我们不妨通过这几位首批体验官的真实视角，看看这套能力究竟为企业带来了怎样的价值跃迁。

从一句粗需求开始：

从"排期数周"到"即刻验证"

某餐饮会员运营负责人马甲向 AI 提了一个并不完整的需求：“想通过企微好友、短信、AI 外呼电话等手段给流失客户做召回，你帮我实现它。”

没有完整 PRD，没有详细页面设计，也没有提前规划好的系统流程。

但通过 GuanCLI + Agent + 超级应用（SuperApp），几轮对话之后，不到半小时，一个简版的 CDP + MA（客户数据平台+自动化营销）应用已经跑了起来：用户分类、优先级标签、触达状态跟踪、发券执行按钮都有了。更让他惊喜的是，AI 还自动调用观远 BI 后台配置的大模型能力，为不同流失用户生成了短信、电话、企微等不同渠道的个性化召回话术。

过去，这件事情可能要经历写 PRD、走 OA、排 IT、等开发、测验收。现在，一句粗需求就能先跑出一个可验证版本。这带来的变化，不只是效率提升，而是业务试错方式变了。

从"人工翻译"到 Agent理解：

补上业务与数据那道缝

马甲对这件事感受颇深，是因为他曾是一家咖啡连锁的市场部数据分析师。他说道，在很多企业里，数据分析师常常是业务和 IT 之间的"翻译官"。

某区域的经理在群里问："这个月堂食掉得厉害，拉个数据看看怎么回事？"听到这个问题，数据分析师开始追问：看哪个时段？对比上月还是去年同期？看 GMV 还是单量？要不要拆品类？看全国还是只看负责城市？

这不是业务不懂数据，也不是分析师不懂业务，而是企业数据分析里长期存在的一道缝：业务问题天然是模糊的，数据分析却必须落到明确的指标、口径、维度和范围。

很多时候，这道缝只能依靠数据分析师反复沟通、反复确认来填补。但真正的问题在于，业务和数据之间的信息损耗始终存在，靠人补，根本补不完。

GuanCLI + Agent 的出现，开始补上这里业务语言和数据语言之间的信息损耗。业务用大白话提出问题，Agent 先梳理逻辑、拆解维度、明确分析路径，再通过 GuanCLI 连接观远 BI 里的数据资产，把模糊需求转化为可分析、可验证的结果。原本依赖个人经验完成的翻译工作，也开始沉淀为可复用、可调用的能力。

换句话说，变化的不只是分析效率，还有业务与数据之间的协作方式。

从看见问题到推动动作：

想、看、做被连成一个工作流

于是，马甲把这件事总结成三个动作：想、看、做。

**“想”，**是业务需求还没完全成型时，先和 AI 把问题聊清楚。
**“看”，**是 Agent 通过 GuanCLI 调用 BI 里的数据资产，把问题变成可分析的数据呈现。
**“做”，**则是超级应用（SuperApp）把后续动作接上，让用户分类、触达状态、发券按钮、执行反馈都被组织到同一个业务应用里。

很多 BI 项目做到"看"就结束了。数据被呈现在看板上，问题被发现了，但接下来怎么办，往往还需要切换到其他系统：导出名单、配置营销活动、安排外呼、跟踪执行结果，再把结果带回来看板验证。

分析和行动之间，仍然隔着一道流程鸿沟。超级应用（SuperApp）要接住的，正是这个"看完之后怎么办"。它让分析结果不再停留在洞察层，而是能够直接进入执行层，数据、分析结果和业务动作开始出现在同一个工作流里。

从看数据的地方到 AI 工作流起点：

BI 的角色变了

在现场交流中，某连锁餐饮数据管理负责人宇贺演示了一个场景：把观远 CLI 接到"龙虾"里。业务人员直接在飞书群里向机器人提出数据需求，机器人会自己调用 BI 里的数据，自己建卡片分析，再自动生成 PDF 报告，整个过程十几二十分钟。

以前数据分析师永远不够用。总部的业务需求都忙不过来，更不用说一家一家门店去做精细化分析。大多数时候，门店能拿到的就是一份大盘趋势的周报、月报。

如今，如果 AI 能先承担一部分基础分析和报告生成工作，逻辑就变了。它不需要排期，也不需要等待。理论上，它可以每天早上自动给每个店长生成一份经营分析报告，甚至可以根据不同角色的关注点，从运营、财务等视角分别生成不同版本的分析内容。这也是马甲在听完演示后的一个直观感受：“这相当于给每一个门店都配了一个专属的数据分析师。”

所以，BI 在未来不只是一个"看数据的地方"了。它正在变成整个 AI 工作流的数据基础。数据在这里沉淀、治理，然后被各种 Agent 调用、分析、生成报告，甚至继续推动后续动作。这也是宇贺和马甲共同指向的判断：BI 原来是终点，现在是起点了。

从服务人到服务"人 + Agent"：

重新审视数据体系

每个做 BI 的人心里，也许都有一个执念：要是能把旧的数据体系推倒重来就好了。

这并不难理解，比如在一家大型连锁企业，历史积累上千张看板、几百条 ETL、几个 TB 的数据，字段冗余、口径混乱、很多表跑了两三年却很少被使用，问题大家往往都知道，但没人敢轻易动这些表。

原因很现实。你花半年时间把体系重新梳理一遍，把 100 张看板砍成 30 张，把字段和链路重新整理好，领导问"产出了什么"，这笔账很难讲清楚。

马甲在播客里说："GuanCLI 给了我推倒重来的勇气。"这是他实际跑下来之后的体感。通过 CLI，让 AI 自动识别数据字段在所有看板和 ETL 里的上下游关系，就可以生成一份分析报告：哪些字段可能是冗余的，哪些字段可以删除，哪些看板和链路可以被重新审视。对一张几千万行的大表来说，删掉几个长期不用的字段列，省出来的存储和计算资源是真实存在的，每天 ETL 省下来的时间，也是可以感知的。

GuanCLI 的价值不只是让 AI 更快搭看板，也让很多过去"不敢动、难证明、说不清"的数据治理问题，第一次变得可以被识别、被分析、被推进。

马甲还做过一个测试。

他用 AI 建了一个虚拟的 1200 家店的咖啡品牌，跟 AI 用自然语言聊需求。一两个小时后，AI 搭好了一整套精简的数据集和 ETL。它生成的门店主表只有 29 个字段，而真实生产环境里，同类型表可能有五六十个字段，其中不少字段利用率并不高。

更有意思的是，他发现 AI 自己搭出来的数据集，后续用起来特别顺。因为 AI 做了中文字段命名、清晰注释，也尽量避免有歧义的表述。后面再让它搭看板、搭超级应用（SuperApp），速度和准确率都明显高于用旧表的时候。

这个测试也让马甲意识到：AI 对数据体系的要求，和人不完全一样。旧表让 AI 用起来慢，是因为里面藏着大量只有"人"才懂的历史包袱。比如字段名是拼音缩写、英文混中文，甚至字段表述和真实业务含义相反。人用久了会自动脑补修正，但 AI 不会。所以，推倒重来不是让 AI 跑一遍就结束。字段命名、指标口径、注释说明，仍然是持续的基础工作。

过去重建数据体系，更多是为了让人查得更快、看得更清楚、维护得更轻松。现在，当 Agent 开始调用 BI 里的数据资产，数据体系还要能被 AI 理解、调用和验证。

结语

从一句大白话激发的"半小时即刻验证"，到"想、看、做"一体化的敏捷工作流，这套由 **GuanCLI + Agent + 超级应用（SuperApp）**开启的变革，其意义早已超越了单纯的工具升级。

它在本质上重塑了三件事：