Agent时代，数据开发会被取代吗？你的价值在哪？
本文目录
30秒版回答
我的判断是：“只会把需求翻译成 SQL”的那部分工作会被大量替代，但数据开发这个角色会被重新定义，而不是消失。
AI 擅长的是写代码、改代码、查常见报错；但口径定义、数据建模、质量和一致性的兜底、对结果负责，这些需要理解业务和承担责任的工作，AI 替代不了，反而因为 Agent 的普及变得更重要——Agent 查数要靠清晰的语义层，Agent 跑得稳要靠可靠的数据底座。
我自己的调整是两点：一是把 AI 当成生产力工具，日常写 SQL、写脚本、排查问题都在用，把省下的时间投入到建模和治理上；二是主动做“数据给 AI 用”的事情，比如完善元数据和指标口径，让 Agent 能正确理解和使用我们的数据。
先把这段讲顺；面试官追问时，再展开下面的原理和细节。
详细讲解
面试官：「现在 AI 写 SQL 已经很厉害了，各种 Agent 也能自动建表、自动排查问题。你觉得数据开发这个岗位会被取代吗？你的价值在哪里？」
这是一道“态度 + 认知”题，2025 年之后几乎每一场数据岗面试都可能出现，尤其是终面和主管面。它没有标准答案，但有明显的错误答案。
两种回答最扣分：一种是焦虑型——“确实挺担心的，所以我在学 AI”；另一种是否定型——“AI 写的 SQL 错误很多，取代不了我们”。前者显得没有核心竞争力，后者显得不了解趋势、不愿意拥抱变化。面试官想听的是：你清楚哪些工作会被 AI 接管，哪些价值会被 AI 放大，并且你已经在调整自己的工作方式。
面试官在考什么
• 对行业趋势的判断是否清醒：既不焦虑，也不盲目乐观。
• 是否能拆解数据开发的工作：哪些是重复劳动，哪些是判断和责任。
• 有没有实际在用 AI 提效，并且知道 AI 的边界在哪。
• 能否说出自己在 Agent 时代的新价值：数据要变成 AI 可用的上下文，这件事需要数据人来做。
展开一：把数据开发的工作拆开看
回答这类问题，最有说服力的方式是拆解，而不是笼统地表态。我会把数据开发的工作分成几类，逐一判断 AI 的影响：
| 工作类型 | 例子 | AI 的影响 | 人的价值转向 |
|---|---|---|---|
| 编码实现 | 按需求写 SQL、ETL、调度配置 | 大幅提效，大量可由 AI 生成 | 评审、测试、性能把关 |
| 问题排查 | 任务失败、数据异常、性能慢 | 常见问题可自动诊断 | 复杂根因、跨系统问题 |
| 临时取数 | 业务方要一个数 | 大量被智能问数替代 | 建设可靠的问数底座 |
| 数据建模 | 分层、主题域、事实与维度设计 | 能给建议，难以负责 | 核心价值，更重要 |
| 口径与治理 | 指标定义、一致性、数据质量 | 需要组织共识，AI 难替代 | 核心价值，更重要 |
| 结果负责 | 数字出错谁兜底 | AI 无法承担责任 | 判断与责任 |
这张表的结论是：越靠近“写代码”的工作越容易被替代，越靠近“定义、判断、负责”的工作越难被替代。所以数据开发要主动往表的下半部分走。
展开二：为什么 Agent 让数据底座更重要了
这是这道题里最有深度的一个论点。过去数据做好是给人看的，人看到一个奇怪的数字，会去问、会去核对。现在越来越多的消费者是 Agent：它直接读数据、直接下结论、甚至直接触发动作。
• 口径不清晰，Agent 会一本正经地算错。人看到“GMV”会去问含不含退款，Agent 只会按它找到的第一张表去算。
• 元数据缺失，Agent 会用错表。表名叫 tmp_order_v2_final，没有描述没有负责人，人都不敢用，Agent 却可能用。
• 数据质量问题会被 Agent 放大。一个上游缺数，过去影响一张报表，现在可能影响所有基于它做决策的 Agent。
所以 Agent 越普及，语义层、元数据、数据质量、数据契约这些“基建”就越值钱。而这些恰恰是数据开发的主场。
# 让 Agent 能正确用数的“说明书”：一个指标在语义层里的定义（示意）
metric: gmv
display_name: 成交总额
description: 支付成功订单的商品金额合计，含运费，不扣退款。
owner: 交易数据组
source_table: dws.dws_trade_order_d
expression: SUM(pay_amount)
filters:
- pay_status = 'SUCCESS'
time_grain: [day, week, month]
dimensions: [region, channel, category]
caveats:
- 不要用 ods 层订单表直接计算，存在重复
- 跨时区业务以站点当地时间切日这份定义既是给人看的口径文档，也是给 Agent 用的上下文。能写好、维护好这样的定义，就是 Agent 时代数据开发的新核心能力之一（第 07 题会详细展开）。
展开三：用真实经历证明你在调整
表态之后，一定要有证据。面试官最想听到的是“你已经在做”，而不是“你打算去学”。可以从三个角度准备：
• 提效的证据：你用 AI 做了什么，效率提升体现在哪里（第 17、20 题会讲怎么量化）。
• 治理的证据：你做过的元数据、口径、质量治理，这些就是 Agent 时代的底座。
• 判断的证据：你发现过 AI 生成的 SQL 有问题并拦下来，说明你有把关能力。
拿我自己的经历举例：我在某出海硬件品牌做过埋点治理，把 1000 多个事件精简到 100 多个标准化事件，数据质量问题减少了 60%。当时做这件事是为了报表和分析，但放到今天看，这正是“让数据可以被 AI 理解和使用”的前置工作——一个 Agent 面对 1000 多个命名混乱的事件和面对 100 多个有清晰定义的事件，准确率完全不在一个量级。
这就是回答这道题的关键技巧：把你过去做的扎实工作，用 Agent 时代的视角重新诠释一遍。你不需要做过大模型项目，也能证明你的价值在上升。
一个可以直接用的回答结构
【观点】编码层工作会被大量替代，但角色会被重新定义，不会消失
【拆解】写 SQL、临时取数 → AI 接管；建模、口径、质量、负责 → 更重要
【趋势】Agent 是新的数据消费者，口径/元数据/质量的价值被放大
【证据】我已经在：①用 AI 提效 ②做治理 ③给 AI 生成的代码把关
【方向】我想往“数据底座 + 让数据被 AI 正确使用”这个方向深入追问链
追问一：那你觉得哪类数据开发最危险？
我觉得是只做需求翻译、不理解业务、不关心数据质量的那一类。如果每天的工作就是接需求、写 SQL、交数，不去想口径是否合理、数据是否可信，那这部分工作 AI 已经能做得又快又好。反过来，理解业务、能做建模决策、能对数据结果负责的人，AI 会成为他们的放大器。
追问二：你们团队具体用 AI 做了哪些事？效果怎么样？
这道追问要用真实的事情回答，不要编。可以按“场景 + 做法 + 效果 + 边界”回答：比如在什么场景用 AI 生成 SQL 初稿，人工做哪些评审，效果是开发时间缩短了多少，同时发现 AI 在哪类问题上容易出错（比如跨时区切日、去重口径、NULL 处理），所以这些地方我们会重点检查。说出边界，比只说效果更可信。
追问三：如果公司决定用 Agent 替代一半的取数需求，你会怎么配合？
我会把它当成一个数据产品项目来做。第一步梳理高频取数需求，找出最常用的指标和维度；第二步把这些指标在语义层里定义清楚，补齐表和字段的描述；第三步建评测集，用真实历史问题测试 Agent 的准确率；第四步上线后监控答错的案例，持续补充口径和元数据。Agent 能替代取数的前提，是数据团队把底座做扎实，这正是我能贡献价值的地方。
加分说法 vs 减分说法
| ✔ 加分说法 | ✘ 减分说法 |
|---|---|
| 编码层被替代，角色被重新定义 | 挺焦虑的，所以在学 AI |
| 拆解工作类型，逐项分析 AI 影响 | AI 写的 SQL 都不靠谱，取代不了我们 |
| Agent 是新的数据消费者，底座价值被放大 | 只表态不给证据 |
| 有真实证据：在用 AI、在做治理、在把关 | 说自己什么都会、完全不担心 |
| 把过去的治理经历用新视角重新诠释 | 贬低用 AI 的同事或者过度吹捧 AI |
怎么挂到你的项目上
话术模板：“我觉得会被替代的是‘需求翻译成 SQL’这一层，而建模、口径和质量会更重要。我之前做过埋点治理，把上千个事件收敛成一百多个标准事件。当时是为了报表，现在回头看，这类治理正是 Agent 能正确使用数据的前提。所以我现在会更主动地把元数据和口径整理成机器可读的形式，同时日常开发也在用 AI 提效，把时间花在更有判断性的工作上。”
总结
这道题考的是认知和态度。观点要清醒，拆解要具体，证据要真实。最有力的一句话是：“Agent 越普及，数据底座越值钱，而这正是数据开发的主场。”再用一个你真实做过的治理案例来证明，这道题就从“态度题”变成了你的加分题。
第一轮基础认知到这里就结束了。下一篇进入第二轮系统设计：设计一个 ChatBI / 智能问数 Agent，业务说一句话就能出数，你会怎么设计？
你觉得自己现在的工作，有多少比例可以交给 AI？评论区聊聊～
关注「Wood聊大数据」| 9年大数据老兵，聊技术、聊职场、聊成长