凭借新型分析自动化工具崭露头角的ThoughtSpot，正式发力进军"智能体分析"市场。该方法旨在通过具备多种角色的半自主智能体，减少分析生命周期中的重复性工作，并加速数据驱动的决策过程。
ThoughtSpot发布了SpotterModel、SpotterViz、SpotterCode以及最新版本Spotter 3共四款智能体，标志着这一战略的全面启动。这些智能体分别针对数据建模、仪表板制作、代码生成、实时查询应答等任务进行了优化，其设计旨在支持从数据工程师到业务用户在内的广泛分析群体。
SpotterModel基于自然语言指令，推荐表、连接、逻辑结构等，从而简化语义建模。不过，它并未采用完全自动化，而是选择了需要用户审核的"人在回路"方式。SpotterViz自动化了包含布局、设计及关键绩效指标选择在内的仪表板创建过程，体现了ThoughtSpot引导用户从传统仪表板转向下一代分析环境的愿景。
面向开发者的SpotterCode可在集成开发环境内自动生成分析代码。其优势在于能够感知用户的项目环境，并基于ThoughtSpot SDK提供代码建议。公司方面解释称，"这就像有一位专家在旁边协助您编写代码。"
在这些智能体中，核心是全新升级的Spotter 3。用户无需使用仪表板或SQL，即可通过自然语言提出复杂问题并获得分析结果。特别是它利用模型上下文协议直接与外部SaaS应用程序集成，并能在需要时生成Python代码。因此，Spotter 3正从单纯的分析功能，演变为连接企业整体工作流程的中心枢纽。
Spotter 3通过迭代推理技术，对输出结果进行自我验证并以可解释的方式呈现。这一策略旨在防止大型语言模型特有的幻觉问题，并通过其自主的搜索令牌技术实现SQL生成，从而提高可靠性和可控性。
目前各智能体之间尚未实现完全的协作功能，但通过共享通用的元数据层，其设计为未来基于交互的自动化奠定了基础。未来，公司还计划提供针对客户流失预测等特定功能优化的定制化智能体。
ThoughtSpot计划在今年晚些时候正式发布Spotter 3及其主要智能体。在客户对基于AI的分析自动化需求持续高涨的背景下，其智能体方法能在多大程度上提供实际效率与洞察力，值得关注。
