数据智能体应该预先学习多少，又应该在过程中查找什么？

我们正在构建一个帮助团队调查业务数据问题的智能体。在它开始之前，我们会准备一份可用表、列以及可能关联方式的目录。我们将这一步称为「发现」（discovery）。智能体使用这份目录来决定去哪里查找，然后在调查过程中检查实时数据源。 我们的第一个版本用一个智能体来检查 Schema 并编写目录。查询智能体本身可以检查 Schema 并在过程中查找值，所以它有办法填补空白。但这会增加工具调用次数，而且可能意味着在读取更多元数据后需要修改查询。我们希望发现阶段能为它提供一个更有用的起点，减少这些额外工作。 我们将 Schema 收集迁移到了新路径上数据源的代码中。代码从元数据中读取表名、列名、类型和可用的键约束。它还会对分片表和分区进行分组，并找出匹配的 Schema 布局。然后由模型来决定哪些表是重要的、匹配的布局是否为副本，以及这些表的含义。在选择表时，模型从给定列表中返回数字编号，由代码将其解析回表名。当它编写列描述时，代码会拒绝源目录中不存在的名称。每次调用我们最多描述 20 张表，对于宽表 Schema 则更少。 我们仍在决定初始映射中应该包含多少内容。在这条路径上，发现阶段不对行值进行采样，因此查询智能体在需要时才查找过滤值。它在编写 SQL 之前仍然会读取实时 Schema。描述和建议的关联方式也需要与调查结果进行核对。一些数据源仍然使用智能体来探索可用内容并编写目录。 你会预先包含哪些内容，以减少智能体后续的工作？你会在发现阶段对分类值进行采样，还是将这些检查保留在每次调查内部？