很多决策正在变成数据分析问题

最近我越来越强烈地感受到一件事：很多以前被叫作生活选择、消费决策、人生规划的问题，正在变成数据分析问题。

高考志愿是一个数据分析问题。一个家庭要看分数、位次、批次、专业组、学校历年录取线、招生计划、城市、学费、就业和读研路径，还要把家庭约束和风险偏好放进去。问题不能停在「这个分数能上什么学校」。更真实的任务是，在一堆结构化和非结构化信息里，找到对这个家庭风险收益合适的组合。

购物也是一个数据分析问题。用户看似在买一个商品，实际在分析预算、使用场景、品牌、参数、价格、券后价、差评、售后、发货速度、店铺可信度和真实评价。「加入购物车」只是分析结束后的一个动作。

投资更明显。投资者要看财报、估值、行业周期、宏观环境、市场情绪、新闻、政策、竞争格局、历史价格和风险敞口。难点不在于找到一条信息，而在于把多源信息放在一起，判断它们之间的关系、冲突和不确定性。

我把这类问题叫作泛数据分析。

这里的数据分析不是坐在 BI 系统里看图表，也不只属于写 SQL 做报表的数据分析师。它是一种更广义的能力：围绕一个具体决策，收集信息、理解信息、交叉验证信息，最后交付一个人能直接使用的结果。

传统 BI 覆盖不了这类任务

过去，数据分析主要发生在企业内部。

销售看销售数据，运营看用户数据，财务看收入和成本，老板看仪表盘。典型界面是报表、图表、SQL 和 Excel。它解决的是「公司已经有一批数据，我要从里面看出点东西」。

现在的问题变了。

很多分析任务发生在现实世界里。一个家长要帮孩子判断志愿风险，一个普通人要买一台不踩坑的洗烘套装，一个投资者要判断一家公司是不是透支了预期，一个创业者要分析细分市场还有没有机会，一个销售要评估客户是不是高价值线索，一个医生、律师、咨询顾问要把资料、案例和数据库放在一起做判断。

这些任务有三个共同点：

• 数据来源很散。
• 判断过程很长。
• 最终结果必须能行动。

它们通常不只是查数据库，也不只是搜网页。它们会同时用到用户输入的目标和约束、数据库里的结构化数据、搜索引擎找到的公开信息、浏览器里才能访问和操作的网页、PDF、Word、Excel、图片、截图、领域知识库，以及最后要生成的报告、表格、PDF、仪表盘、购物车或工单。

这已经超出传统 BI 的边界。通用聊天机器人随便聊两句，也很难把这类工作做完。

它需要一个 Data Agent 底座。

高考、购物、投资共享同一个骨架

高考志愿、购物和投资看起来完全不同。一个是教育，一个是消费，一个是金融。用户情绪不同，页面不同，交付物也不同。

但把外壳拆掉，它们的骨架很像。

第一步，收集用户约束。

高考助手要知道省份、分数、位次、目标学校、专业偏好、城市偏好、家庭约束和风险偏好。购物助手要知道想买什么、预算多少、给谁用、使用场景、必须满足什么、明确不要什么、已经登录了哪些购物平台。投资助手要知道投资标的、周期、风险承受能力、关注指标和组合约束。

第二步，连接信息来源。

高考要接录取数据集、院校数据、专业信息，还要搜索教育部、阳光高考、省考试院、高校招生网等官方来源。购物要打开电商网站，读商品页、评论区、问答、价格和购物车。投资要接行情、财报、公告、新闻、研究资料和用户自己的交易记录。

第三步，做分析。

这里的分析包含比较、筛选、验证、推理和风险判断。高考要分冲稳保，购物要给出推荐和避坑理由，投资要看收益来源、估值风险和不确定性。

第四步，交付结果。

高考助手最好交付 PDF 报告，家长可以保存、转发、讨论。购物助手最好生成购物报告，并在合适时把商品加入购物车，但不下单、不付款。投资类产品可以交付研究摘要、风险清单、监控看板或调仓建议，但不能越过用户确认直接交易。

这些任务的本质是一条完整工作流：

• 收集约束。
• 获取数据。
• 分析判断。
• 交付行动。

这是泛数据分析应用的基本形态。

小 App 是入口，重能力在后面

我在 InfiniSynapse 里做过几个小 App，其中两个很典型。

一个是高考报考选校 AI 助手。用户在页面上输入省份、分数、位次、目标学校、目标专业、城市偏好和家庭约束，系统把这些信息发给 InfiniSynapse。后面由 InfiniSynapse 使用高考录取数据源、院校数据源和官方公开信息搜索能力，最后生成 Markdown 和 PDF 报考分析报告。

另一个是直男购物 AI 助手。用户输入想买什么、预算、使用场景、必须满足和明确不要的条件，再勾选自己已经在当前 Chrome 浏览器登录的购物网站。任务发给 InfiniSynapse 后，Agent 会使用浏览器能力访问用户勾选的平台，复用当前登录态做比价、读评论、看差评、筛商品，最后生成购物报告，并在合适时把商品加入购物车。

表面上看，这是两个产品。

从工程角度看，它们的前端都很薄。前端主要做三件事：

• 把用户输入收集清楚。
• 把场景需要的能力开关配置清楚。
• 把结果用适合该场景的方式展示出来。

复杂的部分在后面：数据源连接、知识库使用、Web Search、浏览器操作、文件读取、任务流、工作区产物、报告生成、PDF 导出、实时进度同步和用户确认边界。

InfiniSynapse 要承接的就是这部分工作。

外部世界也在往这个方向走

这个方向有外部信号支撑。过去一年，产品、开源项目和论文都在朝同一个地方收敛：让 Agent 从回答问题，走向长程研究、网页操作、文件分析、工具调用和结构化交付。

OpenAI 在 2025 年 2 月发布 Deep Research，定位就是多步骤互联网研究。它会搜索、阅读和综合大量在线信息，生成带引用的报告。官方场景里既包括金融、科学、政策和工程，也包括汽车、家电、家具这类高研究成本的消费决策。

到 2025 年 7 月，OpenAI 又发布 ChatGPT Agent，把网页操作、深度研究、对话、连接器、终端和文件产物放进同一个系统。这个产品变化说明一个趋势：Agent 正在从「回答」走向「使用工具完成任务」。

Google DeepMind 的 Project Mariner 也在同一条线上。它研究的是浏览器里的 Agent，能理解网页、操作网页，并完成跨页面任务。浏览器一旦变成 Agent 的工作台，购物、填表、找资料、比较产品和整理网页信息都会变成可执行流程。

开源侧更直接。browser-use 的目标是让网站可以被 AI Agent 使用，项目示例覆盖网页搜索、购物、填表和浏览器操作。Skyvern 用大模型和视觉模型做网页自动化，解决传统 RPA 依赖 XPath、页面一改就坏的问题。LangGraph 则提供长任务、有状态、多步骤 Agent 的编排能力。

论文和 benchmark 也开始把「数据 Agent」作为单独问题研究。Data Agent Benchmark 关注多源异构数据推理，任务里同时包含数据库、表格、文本和领域知识。它的意义在于指出真实数据分析任务的难度：问题往往不在一个干净数据库里，经常散落在多个来源之间，需要 join、解释、验证和推理。

Deep Research Agents 的综述则把这类系统总结成长期规划、多跳检索、工具使用、结构化报告生成和可验证引用。这个框架和泛数据分析应用几乎是同一件事的研究版表达。

这些进展共同说明，泛数据分析不是给 BI 换个 AI 外壳。它更像一层新的决策基础设施。

底座要抽出分析引擎

如果没有底座，每做一个泛数据分析应用，都要从头造一遍。

做高考助手，要接数据库、整理录取数据、写分析逻辑、接搜索、做 PDF、处理实时任务。

做购物助手，要接浏览器、处理登录态、打开电商页面、读评论、比价、做报告、处理购物车和敏感操作边界。

做投资助手，又要接行情、财报、新闻、公告、研报、知识库、历史数据，还要做风险提示和用户确认。

如果每个应用都重做这些能力，成本会很高，也很难稳定。

InfiniSynapse 的思路是把中间最重的分析能力抽成底座。先配置数据源：数据库、知识库、文件、外部数据服务，或者把某个领域数据做成可订阅的数据集。小 App 只负责收集该场景特有的信息，把任务发给 InfiniSynapse。

底座根据任务调用已经具备的能力：

• 数据库连接。
• 知识库和 RAG。
• 搜索。
• 浏览器使用。
• 文件和图片读取。
• 沙箱分析。
• 多步骤任务规划和自我纠错。
• 工作区产物生成。

最后，小 App 把结果接回来，以场景需要的方式交付。高考是 PDF，购物是报告和购物车，企业经营分析可能是仪表盘，销售线索分析可能是 CRM 里的评分和跟进建议，投资研究可能是风险清单、监控表和需要人工确认的动作。

同一个底座，支撑不同交付形态。

产品经理要重新理解数据源

过去说数据源，通常想到数据库。

泛数据分析时代，数据源会变宽。

一个网页是数据源。一个 PDF 是数据源。一个用户上传的截图是数据源。一个浏览器登录态背后的电商后台是数据源。一个知识库是数据源。一段用户口述的偏好也是数据源。

甚至一个「不能做什么」的边界，也是一种重要输入。

购物助手里，「只加购物车，不付款」是关键约束。它不属于分析材料，却决定了 Agent 的行动边界。

高考助手里，「只能做分析和建议，不能登录志愿填报系统，不能提交任何志愿」也是关键约束。越是高风险场景，边界越重要。

所以泛数据分析产品不能只把更多数据丢给模型。产品设计者要把数据源、用户约束、工具权限、交付物和风险边界一起设计。

一个好的泛数据分析产品要能分析，也要知道什么时候停下来，什么时候标注不确定性，什么时候必须交给用户确认。

ToC 机会在高后悔成本决策

评论里有人说，这个坑有巨大商业价值，而且可能比 ToB 更有商业化前景。这个判断有道理，但要加一个限定条件。

ToC 里只有一部分决策值得做 Agent。低价、低后悔成本、信息差不大的消费，用户未必愿意付费。买一盒纸巾不需要泛数据分析。

机会在高金额、高后悔成本、高信息复杂度的场景：

• 高考志愿、考研择校、留学申请、职业规划。
• 买车、装修、家电、旅游、保险、体检套餐。
• 投资研究、资产配置复盘、公司基本面监控。
• 法律咨询、医疗资料整理、复杂采购和家庭财务规划。

这些任务有几个特点：用户怕踩坑，信息来源分散，决策结果影响大，传统搜索很难直接给答案，人工专家又贵又难标准化。

泛数据分析应用可以在这里提供中间层价值。它不一定替代专家，但可以把资料收集、初筛、交叉验证、风险提示和报告生成自动化，让用户带着更清楚的问题去找专家，或者在低风险范围内自己完成决策。

创新点不在聊天框

如果把泛数据分析应用做成又一个聊天框，价值会被压低。

更值得做的是五类底层能力。

第一，应用模板工厂。每个场景都可以拆成输入字段、数据源、工具权限、分析步骤和输出物。行业专家不需要重写系统，只要配置出高考助手、买车助手、客户分析助手。

第二，决策型数据源市场。未来会出现能被 Agent 调用的决策数据包。比如高考录取数据包、家电评测数据包、企业工商数据包、行业政策数据包。

第三，证据链引擎。每个结论都能回溯到来源：哪个网页、哪个 PDF、哪条评论、哪张表、哪个计算步骤。泛数据分析要商业化，证据链比漂亮话重要。

第四，人类确认边界。购物只加购物车不付款，高考只生成建议不提交志愿，投资只提示风险不自动交易。可行动但不越界，是高信任场景的基本设计。

第五，垂直场景评测集。高考推荐是否落在真实录取区间，购物推荐是否避开差评风险，销售线索评分是否提升转化，投资研究是否及时暴露风险。没有评测，泛数据分析很容易退化成漂亮报告生成器。

这五件事合在一起，才像基础设施。

InfiniSynapse 应该做决策基础层

InfiniSynapse 不应该只做一个「你问它答」的分析工具。

更有价值的定位是泛数据分析应用的基础层。开发者、产品经理、行业专家或企业内部团队，只要有一个具体场景，就可以在这个底座上快速做出一个应用：

• 配置数据源。
• 写清楚任务目标。
• 设置工具能力和边界。
• 收集用户输入。
• 把任务交给 InfiniSynapse。
• 拿回报告、文件、图表、链接或其他交付物。

这套模式的意义在于，让专业分析能力不再只藏在少数数据团队手里，也不再只能以 BI 报表的形式出现。

它可以进入每一个具体决策现场。

当一个家长需要填志愿时，它是高考助手。当一个人需要买东西时，它是购物助手。当一个企业要分析客户时，它是销售助理。当一个投资者要复盘标的时，它是研究助理。

前端形态可以完全不同，底层能力可以复用。

把散落信息变成可执行决策

泛数据分析世界正在到来。

原因不是大家突然都变成了数据分析师。越来越多普通决策已经复杂到需要数据、工具和 Agent 一起完成。

人不会为了填志愿先学 SQL。人不会为了买耳机先学爬虫。人也不会为了判断一家公司先搭一个数据仓库。

他们需要的是一个能把信息收集、分析判断和结果交付串起来的应用。应用开发者需要的是一个能承接这些复杂能力的底座。

未来很多看起来毫不相干的应用，可能都会长在同一类基础设施上。高考志愿、购物、投资、销售、运营、咨询、研究，表面完全不同，底层都在做一件事：

把散落的信息变成可执行的决策。

谁能把这条工作流做稳，谁就会成为泛数据分析时代的基础设施。