给数据 Agent 装一个商业模型全局视角：先定位变化在价值链哪一层，再动手查数

学习目标

读完这篇，你能给自己的数据 Agent（或者你自己的分析习惯）装一个"生意全局"视角：先画出企业怎么赚钱的链路，给链路各环节挂上量级，查数之前先定位"这个变化发生在链路哪一层"，推断必须标注依据，最后把这张全局模型沉淀进知识库、随分析持续修正。做完之后，你判断"哪个数字值得深挖"不再靠感觉，而是有一张地图可查。

先给大家科普一个概念「全局模型」。翻译成人话：Agent 脑子里要有一张"这家企业怎么赚钱"的地图——主价值链是什么，钱从哪一环进来、在哪一环被卡住、各环节之间怎么相互制约。没有这张地图的 Agent，就是个一问一答的机器：你问什么它答什么，答完即忘；概念映射做得再准，也看不见数字在生意全局里的位置。

daw 把这个做法写进了它的产品方法论：docs/DESIGN-PRINCIPLES.md 的原则六"商业模型与全局视角"，以及 src-tauri/src/usage.rs 里 system prompt「业务概念」小节的第 4 条。这篇文章讲的，就是这条原则怎么落地成五步做法。

1. 前置知识：没有全局视角的 Agent 是什么样

daw 的复盘记录里有一句用户的原话批评：“完全没有智能可言”。这句话是第十三轮复盘的起点——概念映射已经做对了，查出来的数字也是对的，但用户还是觉得这个系统没有智能。原因就写在原则六的"共同问题"里：Agent 是按问一答的机器，用户问什么答什么，答完即忘，看不见数字在生意全局里的位置。

有意思的是，这个问题和"数字对不对"完全无关。概念级映射做得再准，Agent 也仍然只是"问一答"：它既推不动合理的推断（因为不知道这个变化在生意里意味着什么），也判断不了哪个数字才是业务真正关心的（因为不知道哪一环才是赚钱的关键）。用户要的不是一个查数更准的工具，而是一个看得懂生意的助手。

所以 daw 的原则六先定了一条方向：企业做数据分析的本质，是理解这家企业如何赚钱；分析沿着层层拨开数据谜团的路径，朝如何提高公司利润的方向前进——数字是手段，看懂生意并指向利润改进才是目的。 利润是北极星。所有后面的做法，都是为了让 Agent 脑子里真的有一张"怎么赚钱"的地图。

2. 第一步：画出赚钱链路——主价值链是什么

第一步不是查数，是画链路：这家企业怎么赚钱、主链路是什么、各环节如何相互制约。

具体做法是列出三个问题的答案：

• 钱从哪里进来。 主价值链是哪几环，比如获客、转化、交付、复购，或者对一笔预付款来说，是"毛收款→净锁定→已转化→在手→流失"这样的分层。daw 的交付纪律里就拿一笔预付款举过这个例子：报数的时候按这个链路分层展开，读者一眼就能看到钱在哪个阶段。
• 各环节如何相互制约。 资源分配的零和关系（比如预算给 A 产品线就给不了 B 产品线）、产品线的客群逻辑（比如两个产品抢的是同一批客户还是互补的客户）。这些制约关系决定了归因的对错：一个环节涨了，可能是另一个环节被挤占了，而不是业务真的变好了。
• 哪一环是主链路。 不是所有环节都同等重要。主链路是钱最主要流过的那条线，分析的优先级要跟着主链路走。

这一步的输出是一张链路图，不是一段文字。链路图的好处是：后面每一次分析，都能先在这张图上找到位置，而不是从零开始想"这个数字跟什么有关"。

3. 第二步：给链路各环节挂上量级

画出链路还不够，第二步是给每个环节挂上量级——这一环多少钱、占多大比重、上下游的量级对比是多少。

没有量级的模型是空架子。知道"转化环节很重要"和知道"转化环节只占全链路 5% 的量"完全是两回事：前者会让你把所有精力都扑在转化上，后者会让你先去看看那 95% 在哪一环。量级决定了"值得深挖"的排序。

daw 的做法是把量化后的商业模型和价值链锚点沉淀在知识库里（OKF 的业务概念知识），而不是只留在某一次会话的上下文里。沉淀的时候注意两点：

• 量级要写具体数字，不要写"很大"“很小”。 "转化环节月均 120 万，占全链路 5%"能指导下一步，"转化很重要"指导不了任何事。
• 量级要随分析修正。 业务在变，链路各环节的量级也在变。全局模型不是一次性画好就挂墙上的画，而是每次分析之后都要回头看一眼、该改就改的活文档。

4. 第三步：查数前先定位——这个变化在链路哪一层

链路和量级都有了，第三步才是动手查数——但动手之前先定位：这个变化发生在链路哪一层、意味着什么。

比如 GMV 下降了。没有全局视角的做法是直接去扫表：先查订单表、再查退款表、再查渠道表，一张一张试。daw 原则六的做法是先在链路图上定位：下降发生在获客层（新客少了）、转化层（下单的人少了）、还是流失层（退款/取消多了）？定位不同，深挖的表完全不同，需要的口径也完全不同。

这一步的价值不在"查得更快"，而在"查得更准"：它决定了你先查什么、深挖什么，而不是把所有表都扫一遍再拼凑结论。方向感首先体现在这里——挑选值得深挖的线索。

定位的时候要诚实：定位不到链路层，就如实说"这个变化在现有模型里定位不到"，不要为了"看起来有全局视角"硬套模型。硬套的定位比没有定位更糟，因为它会把后面的分析带偏。

5. 第四步：推断必须标注依据

有了定位，就可以做推断了。但原则六对推断有一条硬规矩：推断必须标注依据，分三类——数据锚点、业务机制、推断待验证。

• 数据锚点：这个推断有数据撑着，比如"转化层下降 12%，订单表明细里新客订单少了 9%"，锚点就是订单表的数据。
• 业务机制：这个推断靠业务机制撑着，比如"预算向 A 产品线倾斜，B 产品线被挤占"，锚点是资源分配的零和关系。
• 推断待验证：这个推断目前没有实证，只是一个合理的猜测，必须明说"待验证"，不能包装成事实。

三类标注缺一不可，核心是区分"已经证实的"和"还在猜的"。没有全局视角的 Agent 最容易犯的错，就是把"推断待验证"的东西说得像"数据锚点"一样肯定——读者听着像结论，实际上只是猜测。标注依据就是给推断分级：有锚点的往前放，待验证的往后放、明说。

这条规矩和 daw 的原则一"唯一真相"是连着的：推测之所以"具有合理性"，是因为它能被全局模型和依据撑住；撑不住的推测，就老老实实标成待验证。

6. 第五步：把全局模型写进知识库，随分析修正

最后一步是把这张地图存下来，让它越用越准。daw 的落地位置是 OKF 知识库里的业务概念知识：商业模型与价值链锚点沉淀进去，新会话经知识库大纲自动继承——不用每轮重新教 Agent 这家企业怎么赚钱。

存的时候有两条纪律，都是原则四"业务知识是地基"的具体化：

• 修正优先于并存。 新结论推翻旧结论时，同步改写旧的模型，禁止新旧两个版本并存、逼着下次会话当仲裁。比如某条产品线下线了，它在链路图里的位置和量级要立刻改掉，不能留着旧图等下次分析时再发现对不上。
• 新会话自动继承。 知识库大纲会在新会话开始时把全局模型带进来，Agent 第一轮就知道这家企业怎么赚钱，而不是等到第三轮才慢慢摸索出来。

这两条加起来，就是原则五说的"越用越懂"：沉淀 → 召回 → 按沉淀交付，三步闭环。全局模型不是写一次就完事的文档，而是每次分析之后都会被修正、每次新会话都会被继承的活资产。

7. 为什么这样设计：利润是北极星，不是每轮答案的附件

复盘一下，为什么全局视角要做成"五步"，而不是直接在 system prompt 里加一句"要懂业务"？

因为"要懂业务"是一句正确的废话，Agent 没法执行。五步把它拆成了能执行的动作：画链路、挂量级、先定位、标依据、存知识库。每一步都有明确的输入和输出，做没做一目了然。

还有一个关键的设计选择：方向感只用来挑选值得深挖的线索、把解释对准生意全局，而不是改写所问即所答。 利润是方向，不是每轮答案的附件。用户问"卖了多少"，第一句还是数字（原则三的交付纪律不动）；全局视角改变的是"先查什么、深挖什么、怎么解释"，不是"答案长什么样"。把这两个层次混在一起，是最常见的翻车：要么每轮答案都先念一段"商业模式分析"，把所问即所答冲稀了；要么只顾着答所问，永远看不见全局。

反过来想，如果你的 Agent 已经能做到概念映射全对、数字全对，但用户还是觉得"没有智能"，问题大概率就在这里：它缺的不是查数能力，缺的是一张"怎么赚钱"的地图。先把地图画出来，Agent 的每一次推断才有了站得住脚的依据。

避坑清单

• 不要把全局模型写成每轮答案的附件：利润是方向，不是每轮都要念一遍的开场白。方向感只用来挑线索、对解释。
• 模型没有量级等于空架子：各环节必须挂具体数字，"很重要"指导不了任何事。
• 定位不到就如实说：不要为了"看起来有全局视角"硬套模型，硬套的定位比没有定位更糟。
• 新结论推翻旧结论时必须同步改写：禁止新旧两个版本的模型并存，逼着下次会话当仲裁。
• 推断不标注依据等于编造：数据锚点、业务机制、推断待验证，三类标注至少要有一个，而且不能把"待验证"包装成"已证实"。
• 概念映射和全局模型是两层，别混为一谈：概念映射解决"这个词对应哪张表"（原则二），全局模型解决"这个变化在生意里意味着什么"（原则六）。前者是地基，后者是地图。
• 全局模型要随分析修正，不是挂墙上的画：业务变了，链路和量级就要跟着改，改完沉淀进知识库。

总结

给数据 Agent 装全局视角的完整流程是五步：画出赚钱链路（主价值链 + 环节制约关系）、给各环节挂上量级、先定位变化在链路哪一层、推断标注依据（数据锚点/业务机制/推断待验证）、把模型沉淀进知识库随分析修正。整个过程的核心就一句话：先看懂企业怎么赚钱，再动手查数——数字是手段，看懂生意才是目的。

下次你的 Agent 查数全对、用户还是觉得"没有智能"的时候，别急着换更强的模型，先问一句：它脑子里有没有一张"这家企业怎么赚钱"的地图？

项目开源在 GitHub：tsingliuwin/daw，觉得有用欢迎点个 star。