Pipeline AI Agent - 让数据管道听懂人话-阿里云开发者社区

引言:告别复杂配置,拥抱对话式创建

在传统的数据集成工作中,创建一条端到端的数据同步管道往往意味着:

🔍 繁琐的插件选择: 在数十个 Reader/Writer 插件中查找合适的组件
⚙️ 复杂的参数配置: 填写数据库连接、表结构、字段映射等大量参数
🐛 反复的调试验证: 配置错误需要不断修改、重试
📚 陡峭的学习曲线: 新手需要阅读大量文档才能上手

现在,这一切都将改变。

TIS v5.0 正式推出 Pipeline AI Agent —— 一个革命性的对话式数据管道创建工具。您只需要用自然语言描述需求,AI Agent 就能自动完成插件选择、参数配置、管道创建的全过程。

就像这样简单:

👤 用户: 请帮我创建一个从MySQL库test_db到Paimon的数据同步管道,
         同步orders和customers两张表,需要开启实时增量同步。

🤖 AI Agent: 我已经理解您的需求,正在为您创建管道...
            ✅ 已检测到MySQL Reader插件
            ✅ 正在安装Paimon Writer插件...
            ✅ 正在配置源端MySQL连接...
            ✅ 正在配置目标端Paimon存储...
            ✅ 已选择orders和customers表
            ✅ 批量同步任务已触发
            ✅ 增量实时同步已启动

            您的数据管道已创建完成! 🎉

下图是TIS Pipeline AI Agent 聊天界面总览：

产品亮点:国内首个大数据原生 Pipeline AI Agent

🎯 国内首创,专为大数据领域打造

TIS Pipeline AI Agent 是国内首个专门针对大数据集成场景设计的原生 AI Agent 工具。不同于通用的工作流自动化平台(如 dify、n8n),TIS AI Agent 深度理解数据管道的业务逻辑和技术细节。

🚀 完全自主实现,深度整合

自主研发架构: 基于 Plan-and-Execute 模式,完全自主设计实现
深度整合插件体系: 原生支持 TIS 的所有数据端类型
领域知识内置: 内置数据集成最佳实践,智能推荐配置方案

🧠 智能推理,自主决策

采用 Plan-and-Execute 架构:

Plan 阶段: 用户输入一段构建数据管道的自然语言，通过LLM REST API理解用户意图,生成结构化执行计划
Execute 阶段: 逐步执行任务，用户在管道描述中往往不能将TIS需要的配置参数列举齐全，agent执行器根据判断需要中断打开对话框，让用户输入完全后能继续执行任务
反馈循环: 实时反馈执行进度,支持中断和恢复

🤖 多模型支持,国产优先

✅ DeepSeek: 高性价比的国产大模型,推理能力强大
✅ 通义千问: 阿里云大模型,稳定可靠
✅ 可扩展支持更多 LLM 提供商

目前Pipeline AI Agent 支持以上DeepSeek和通义千问两个模型，测试下来这两个模型，从输入输出一致性上来说区别不大，都能按照Prompt提示词生成与预期一致的结果。不过从响应速度和费用上来说有明显的不一致

DeepSeek: 响应速度明显比通义千问模型要慢，不过他的好处是便宜百万token才几毛钱，属于可以随意挥霍型的。
通义千问: 使用千问的“通义千问-Coder”模型，响应速度比较块，准确性也比较高，不过他的Tokens费用也比DeepSeek要高不少，百万token需要4-5元

建议: TIS非常推荐使用 通义千问，在多个场景测试中，他比DeepSeek有更快的响应速度，以及能够智能地分析用户输入自然语言

千问	DeepSeek

⚡ 实时交互,极致体验

SSE (Server-Sent Events) 技术: 服务端实时推送执行状态
打字机效果: 逐字显示 AI 响应,自然流畅
进度可视化: 插件安装、任务执行进度实时呈现
Token 计数: 实时统计 LLM Token 消耗,成本透明

实时交互界面 - 显示Token计数器、进度条、打字机效果展示

核心功能:从对话到管道的完整闭环

1️⃣ 自然语言理解与任务规划

功能描述:
用户用自然语言描述需求,AI Agent 自动识别:

📊 源端类型: MySQL、PostgreSQL、Oracle、MongoDB 等
📊 目标端类型: Paimon、Doris、ClickHouse、Elasticsearch 等
📋 同步表: 表名称列表或模糊匹配规则
⚙️ 执行模式: 仅批量同步 / 批量+增量实时同步

示例对话:

👤 用户: 我想把PostgreSQL的sales_db库中所有以report_开头的表同步到ClickHouse

🤖 AI: 我已经理解您的需求:
     - 源端: PostgreSQL 数据库 (sales_db)
     - 目标端: ClickHouse
     - 同步表: 所有以 report_ 开头的表 (将在后续步骤让您选择)
     - 执行模式: 默认批量同步 (如需实时增量请告知)

     正在为您生成执行计划...

2️⃣ 智能插件检测与自动安装

功能描述:
根据识别出的源端和目标端类型,AI Agent 自动:

检查必需插件是否已安装
如未安装,自动从插件中心下载
实时推送安装进度和状态
安装失败自动重试或提示用户

插件安装过程会实时显示安装进度

插件安装完毕后自动会将状态栏目最小化

技术细节:

多插件安装，使用并发下载多个插件,提升安装速度
插件安装状态可展开/收起,避免界面拥挤
安装完成后自动收缩消息,保持界面清爽

3️⃣ LLM 辅助参数生成与智能补全

功能描述:
创建 Reader/Writer 插件实例时,AI Agent 会:

LLM 智能推断: 根据用户输入和插件描述,自动生成配置参数
参数验证: 检查必填字段是否完整
人工补全: 如缺少必填参数(如数据库密码),弹出配置对话框请用户填写
倒计时机制: 配置请求默认等待 5 分钟,超时自动取消

参数补全流程:

🤖 AI: 正在生成MySQL Reader配置...
     [LLM自动推断] 已生成以下参数:
       - host: 从用户描述中提取
       - port: 默认3306
       - database: test_db
       - username: 从上下文推断
       ❌ password: 缺失 (需要用户提供)

     [弹出配置对话框]
     请补充以下参数:
       🔑 数据库密码: [______] (必填)

     ⏱️ 剩余时间: 4分58秒

插件配置补全对话框 - 显示已自动填充的字段和需要用户补充的字段,以及倒计时

技术亮点:

智能字段提取: LLM 从自然语言中提取结构化参数
上下文记忆: 同一会话中复用已提供的信息(如数据库连接)

4️⃣ 可视化表选择与结构映射

功能描述:

如果用户未明确指定同步表,AI Agent 会弹出表选择对话框
用户可以可视化地勾选需要同步的表
支持批量选择、模糊搜索、正则匹配
自动加载表结构信息,供后续映射使用

表选择对话框 - 显示数据库中所有表的列表,支持多选和搜索过滤

5️⃣ 批量同步 + 增量实时双模式

批量同步:

全量同步历史存量数据
基于 DataX 引擎,高性能并行执行
支持断点续传和失败重试

增量实时同步:

基于 Flink CDC 技术,监听数据库 Binlog/WAL
实时捕获 INSERT、UPDATE、DELETE 事件
毫秒级延迟,准实时同步到目标端

一键启动流程:
Agent 执行过程中会询问是否要立即触发批量和增量实时数据同步任务

用户确认需要启动增量实时 会确认TIS中是否已经部署了Flink执行引擎，如果还未部署会自动启动flink Standalone在本地自动安装

6️⃣ 任务中断与恢复

支持场景:

✅ 用户主动取消执行中的任务
✅ 超时自动取消(配置请求5分钟超时)
✅ 错误自动暂停,询问是否继续

中断机制:

点击"取消执行"按钮,立即停止 AI Agent 任务
关闭 SSE 连接,释放服务端资源
所有待响应的配置请求标记为"已取消"

取消执行按钮 - 在任务执行过程中,发送按钮变为取消执行按钮

技术优势:领先的架构设计

🏗️ Plan-and-Execute 架构

传统工作流 vs AI Agent:

对比维度	传统工作流	TIS AI Agent
任务规划	人工预定义固定流程	LLM 动态生成执行计划
错误处理	失败即停止,需人工介入	自动重试或询问用户
灵活性	流程固定,难以应对变化	根据实际情况动态调整
学习成本	需要学习配置语法	自然语言即可使用

执行流程:

⚡ SSE 实时推送

为什么选择 SSE:

✅ 服务端主动推送,无需客户端轮询
✅ 原生支持断线重连
✅ 实现简单,浏览器原生支持
✅ 适合单向数据流场景

推送事件类型:
tis-web-start-api/src/main/java/com/qlangtech/tis/datax/job/SSERunnable.java

事件类型	说明	示例数据
`AI_AGNET_MESSAGE`	普通文本消息	"正在生成配置..."
`AI_AGNET_PLUGIN`	插件配置请求	弹出配置对话框
`AI_AGNET_SELECTION_REQUEST`	用户选择请求	选择插件实现
`AI_AGNET_SELECT_TABS`	选择表请求	选择同步表
`AI_AGNET_PLUGIN_INSTALL_STATUS`	插件安装进度	下载进度 80%
`AI_AGNET_LLM_CHAT_STATUS`	LLM调用状态	Start / Complete / ERROR
`AI_AGNET_PROGRESS`	任务进度	已完成 3/10 步
`AI_AGNET_TOKEN`	Token消耗统计	累计消耗 1234 tokens
`AI_AGNET_ERROR`	错误消息	数据库连接失败

🔄 阻塞式等待 + 超时机制

设计思路:

AI Agent 执行到需要用户输入时,后端线程阻塞等待用户响应
每个请求有唯一 requestId,用于匹配用户提交的数据
默认等待 5 分钟,超时自动取消并通知用户
支持任务取消,唤醒所有等待线程

核心代码逻辑:

// path:https://github.com/datavane/tis/blob/v5.0.0/tis-console/src/main/java/com/qlangtech/tis/aiagent/core/AgentContext.java#L361
public <T extends ISessionData> T waitForUserPost(
    RequestKey requestId,
    Predicate<T> predicate
) {
   
    Object lock = selectionLocks.computeIfAbsent(
        requestId.getSessionKey(),
        k -> new Object()
    );

    synchronized (lock) {
   
        long startTime = System.currentTimeMillis();

        while (!cancelled) {
   
            T sessionData = getSessionData(requestId);
            if (predicate.test(sessionData)) {
   
                return sessionData; // 用户已提交,返回数据
            }

            long remainingTime = maxWaitMillis -
                (System.currentTimeMillis() - startTime);

            if (remainingTime <= 0) {
   
                throw new TisException("操作已经超时");
            }

            lock.wait(remainingTime); // 阻塞等待或超时
        }
    }
}

🎯 智能参数匹配

插件能力自动匹配:

根据端类型 (EndType) 自动查找对应的插件实现
支持多实现选择(如 MySQL Reader 有多个版本)
自动处理插件依赖关系(如 Paimon 需要 HDFS + Hive)

参数提取流程:

获取插件的 JSON Schema 描述
发送给 LLM,结合用户输入生成参数
验证必填字段完整性
缺失字段请用户补全

📊 Token 消耗统计

实时统计每次 LLM 调用的 Token 消耗
界面顶部显示累计 Token 数
Token 增加时显示火焰动画效果
帮助用户控制成本

快速上手:5分钟创建第一个管道

前置准备

1. 配置 LLM 提供者

在使用 AI Agent 之前,需要先配置大模型:

进入 TIS 管理界面,点击顶部导航栏的"系统设置"
选择"AI Agent 配置"
选择 LLM 提供者 (推荐 DeepSeek 或通义千问)
填写 API Key 和相关配置
点击"测试连接"验证配置是否正确

推荐配置:

提供者	优势	API Key 获取
DeepSeek	高性价比,推理能力强	https://platform.deepseek.com
通义千问	阿里云生态,稳定可靠	https://dashscope.aliyun.com

2. 准备数据源信息

确保您手头有以下信息:

✅ 源端数据库连接信息 (主机、端口、用户名、密码、库名)
✅ 目标端数据库连接信息
✅ 需要同步的表名称
✅ 是否需要实时增量同步

第一个管道:MySQL → Paimon

步骤1: 打开 AI Agent 对话界面

在 TIS 首页点击"创建数据管道"
选择"AI Agent 智能创建" (新功能标识 🆕)
进入聊天界面

AI Agent 智能创建入口

步骤2: 使用快捷模板 (可选)

点击底部的快捷模板按钮,快速填充常见场景:

📋 MySQL → Paimon 数据湖
📋 MySQL → Doris 实时数仓
📋 PostgreSQL → ClickHouse 分析
📋 Oracle → Hive 离线仓库

点击快捷模板按钮快速编写符合自己需求的任务需求

步骤3: 描述您的需求

在输入框中用自然语言描述需求,例如:

请创建一个从MySQL的shop_db库到Paimon的数据管道,
同步orders和customers两张表,需要实时增量同步

然后点击"发送"按钮 (或按 Ctrl+Enter)。

步骤4: 跟随 AI 引导完成配置

AI Agent 会自动执行以下步骤,您只需要在需要时填写配置:

插件安装 (自动)
AI 会检测并安装缺失的插件,无需干预
MySQL 配置 (需要填写)
弹出配置对话框,填写数据库连接信息:
- 主机地址: 192.168.1.100
- 端口: 3306
- 用户名: root
- 密码: ******
点击"确认"提交
Paimon 配置 (需要填写)
填写 HDFS 和 Hive 连接信息,点击"确认"
选择表 (自动)
AI 自动识别到 orders 和 customers,无需手动选择
启动同步 (自动)
批量同步和增量同步自动启动

步骤5: 完成!

看到"任务完成"消息后,您的数据管道已经成功创建并运行! 🎉

可以点击消息中的链接查看:

📊 批量同步进度
📈 增量同步日志
⚙️ 管道配置详情

功能边界:明确支持范围

✅ 当前支持

数据源 (Reader)

关系型数据库: MySQL、PostgreSQL、Oracle、SQL Server、DB2
NoSQL: MongoDB、Cassandra、HBase
消息队列: Kafka
文件系统: HDFS、FTP、OSS
数据仓库: Hive、Doris (查询)

数据目标 (Writer)

数据湖: Paimon、Iceberg、Hudi
实时数仓: Doris、ClickHouse、StarRocks
搜索引擎: Elasticsearch、Solr
数仓: Hive、Snowflake
消息队列: Kafka

同步模式

✅ 批量同步: 全量历史数据同步
✅ 增量实时同步: 基于 CDC (Change Data Capture) 的实时同步
✅ 混合模式: 先批量后增量

操作类型

✅ 创建新管道
✅ 配置插件实例
✅ 选择同步表
✅ 启动/停止同步任务
✅ 查看执行日志

❌ 暂不支持

❌ 修改已有管道配置 (需要手动编辑)
❌ 复杂的字段映射和转换 (需要使用 Transformer 功能)
❌ 数据质量校验规则设置
❌ 自定义数据过滤条件
❌ 管道的删除操作 (需要手动删除)

替代方案:
对于暂不支持的功能,可以先用 AI Agent 创建基础管道,然后在管道详情页手动配置高级选项。

🚀 未来规划

基于 TIS 的能力抽象层设计,未来将支持:

1. 能力组合 (Capability Composition)

当前: AI Agent 只能创建数据管道
未来: 支持更多能力组合

👤 用户: 创建一个从MySQL到Doris的管道,并设置数据质量监控规则

🤖 AI: 我将为您完成:
     1. 创建 MySQL → Doris 数据管道 ✅
     2. 添加数据质量检查规则:
        - 空值检测 (不超过5%)
        - 重复值检测
        - 数据分布监控
     3. 设置告警通知 (钉钉/邮件)

2. 数据血缘分析

👤 用户: 分析orders表的数据血缘关系

🤖 AI: orders表的数据血缘:
     📊 上游: MySQL shop_db.orders
     📊 下游:
        - Paimon datalake.orders (实时同步)
        - Doris dw.fact_orders (每日ETL)
        - ClickHouse analytics.order_events (实时推送)

3. 智能运维助手

👤 用户: 为什么我的MySQL到Doris管道同步延迟突然增加了?

🤖 AI: 我检测到以下异常:
     1. Doris集群负载过高 (CPU 95%)
     2. 源端MySQL有大量写入 (QPS从1000升至8000)
     3. 网络带宽接近上限

     建议措施:
     1. 扩容Doris集群 (增加2个BE节点)
     2. 调整同步并行度 (从4增至8)
     3. 考虑错峰同步策略

未来规划架构图 - 展示能力抽象层、组合器、扩展场景

拥抱开源: 使用开源组件，回馈开源社区

站在巨人的肩膀上

TIS 本身是一款基于开源生态构建的开源产品。我们深知，开源策略对于 TIS 成为一款成功的数据集成软件具有重大意义。

TIS 融合了业界最优秀的开源组件：

DataX：阿里巴巴开源的批量数据同步工具，支持数十种数据源
Apache Flink：业界领先的流计算框架，提供强大的实时处理能力
Flink CDC：实时数据捕获组件，支持多种数据库的增量监听

这些都是当下开源社区中人气旺盛、生产验证充分的组件，为 TIS 打下了坚实的技术基础。

有机融合，而非简单堆砌

TIS 并不是对这些组件的简单堆砌，而是通过模型驱动架构将它们有机地无缝衔接在一起。

Pipeline AI Agent 的诞生，正是这种融合的成果：

1. 模型驱动的架构基础

为了避免为每个前端业务编写重复的 CRUD 逻辑，TIS 采用了模型驱动的设计理念：

统一的元语义层：为每个业务模型定义强大的元数据语义
自动表单生成：前端组件可以根据元数据自动生成
一致的验证逻辑：参数校验、依赖关系检查统一处理

过去四年中，随着业务逻辑的不断迭代和持续重构，TIS 逐渐形成了一套语义一致、结构完整的元语义模型层。

2. 从元语义到 AI Prompt

有了这套元语义层，生成 AI Agent 的 Prompt 提示词就变得水到渠成：

// path:https://github.com/datavane/tis/blob/v5.0.0/tis-plugin/src/main/java/com/qlangtech/tis/util/DescriptorsJSONForAIPromote.java
// AI Agent 直接调用插件描述接口生成 Prompt
DescriptorsJSONForAIPromote.desc("com.qlangtech.tis.plugin.datax.DataxMySQLReader")

返回的 JSON 不仅包含插件参数，还包括：

字段类型、默认值、必填项
参数之间的依赖关系
插件的扩展点信息
嵌套插件的描述

这些丰富的元信息作为 Prompt 提交给大模型（DeepSeek / 通义千问），让 AI 能够真正"理解" TIS 的插件体系，从而准确地生成配置参数。

Pipeline AI Agent 核心代码架构

Pipeline AI Agent 的第一个版本已经完成，功能目前限于创建数据管道。后续版本我们将把 Agent 能力扩展到数据集成的各个领域（参见未来规划）。

以下是 Pipeline AI Agent 功能相关的主要代码及说明：

1. 整体架构设计

采用 Plan-and-Execute Agent 模式，前后端分离架构：

# source from https://github.com/datavane/tis/blob/v5.0.0/tis-console/src/main/java/com/qlangtech/tis/aiagent
com.qlangtech.tis.aiagent/
├── core/                       # 核心控制
│   ├── TISPlanAndExecuteAgent # 主Agent控制器
│   ├── AgentContext           # 执行上下文
│   └── TaskExecutor           # 任务执行器
├── plan/                       # 计划生成
│   ├── TaskPlan               # 任务计划定义
│   ├── TaskStep               # 任务步骤定义
│   └── PlanGenerator          # 计划生成器
├── execute/                    # 执行引擎
│   ├── StepExecutor           # 步骤执行器接口
│   ├── PluginCreateExecutor   # 插件创建执行器
│   └── PipelineExecutor       # 管道执行器
├── llm/                        # 大模型集成
│   ├── LLMProvider            # 大模型接口抽象
│   ├── DeepSeekProvider       # DeepSeek实现
│   └── QianWenProvider        # 通义千问实现
├── template/                   # 提示词模板
│   ├── PromptTemplate         # 提示词模板
│   └── TaskTemplateRegistry   # 任务模板注册表
└── controller/                 # HTTP/SSE接口
    └── ChatPipelineAction     # SSE控制器

2. 核心组件说明

TISPlanAndExecuteAgent - 主控制器：

解析用户自然语言输入
生成结构化执行计划
协调任务执行流程
处理错误恢复
管理与用户的交互（询问缺失参数）

任务执行流程：

意图识别：接收用户输入 → 调用 LLM 解析意图
计划生成：匹配任务模板 → 生成执行计划
步骤执行：逐步执行任务 → 实时反馈进度（SSE）
参数补全：验证必需参数 → 询问缺失信息
插件创建：创建插件实例 → 配置数据管道
任务触发：触发批量/增量任务 → 监控执行状态

3. 插件实例创建流程

对于每个插件实例的创建：

// 1. 获取插件元数据描述
String pluginDesc = DescriptorsJSONForAIPromote.desc(
    "com.qlangtech.tis.plugin.datax.DataxMySQLReader"
);

// 2. 将描述发送给LLM，结合用户输入解析参数
LLMResponse response = llmProvider.chat(
    PromptTemplate.build(pluginDesc, userInput)
);

// 3. 验证必需字段，缺失则向用户询问
Map<String, Object> params = response.extractParams();
List<String> missingFields = validateRequiredFields(params);
if (!missingFields.isEmpty()) {
   
    askUserForParams(missingFields); // 阻塞等待用户输入
}

// 4. 生成插件实例配置并创建
pluginSystem.createInstance(pluginType, params);

4. SSE 实时推送实现

基于 Server-Sent Events 实现服务端到客户端的实时消息推送：

// path:https://github.com/datavane/tis/blob/v5.0.0/tis-console/src/main/java/com/qlangtech/tis/coredefine/module/action/ChatPipelineAction.java
public void doChat(Context context) {
   
    String userInput = getString("input");
    String sessionId = getString("sessionId");

    // 设置SSE响应头
    response.setContentType("text/event-stream");
    response.setCharacterEncoding("UTF-8");

    PrintWriter writer = response.getWriter();

    // 创建Agent执行上下文
    AgentContext ctx = new AgentContext(sessionId, writer);

    // 执行Agent任务（异步推送进度）
    TISPlanAndExecuteAgent agent = new TISPlanAndExecuteAgent(ctx);
    agent.execute(userInput);
}

支持的SSE事件类型 （详见 SSERunnable.java）：

AI_AGNET_MESSAGE：文本消息（支持打字机效果）
AI_AGNET_PLUGIN：插件配置请求
AI_AGNET_SELECT_TABS：表选择请求
AI_AGNET_PLUGIN_INSTALL_STATUS：插件安装进度
AI_AGNET_TOKEN：Token 消耗统计
AI_AGNET_PROGRESS：任务进度
AI_AGNET_ERROR：错误消息

回馈开源，与社区共同成长，这是 TIS 始终坚持的理念。

FAQ:常见问题解答

1. LLM 选择与配置

Q: 推荐使用哪个大模型?

A: 推荐 DeepSeek-V3,原因:

✅ 性价比极高 (0.14¥/百万tokens)
✅ 推理能力强,适合结构化任务
✅ 响应速度快
✅ 支持大上下文窗口 (64K)

对于企业用户,通义千问 也是不错的选择,阿里云生态集成更好。

Q: 如何获取 DeepSeek API Key?

A: 访问 https://platform.deepseek.com → 注册账号 → 进入"API Keys"页面 → 创建新密钥 → 复制到 TIS 配置中

Q: LLM调用失败怎么办?

A: 按以下步骤排查:

检查 API Key 是否正确
验证账户余额是否充足
测试网络连通性 (ping api.deepseek.com)
查看 TIS 日志 (/tis/logs/tis.log) 中的错误详情

2. 安全性考虑

Q: 我的数据库密码会被发送给 LLM 吗?

A: 不会。隐私保护机制:

✅ 用户填写的密码不会发送给 LLM
✅ 只有插件参数的 Schema 描述发送给 LLM
✅ LLM 只生成配置结构,不接触真实数据
✅ 密码在 TIS 服务端加密存储

3. 性能与成本

Q: 创建一个管道大概消耗多少 Token?

A: 典型场景:

简单管道 (MySQL → Paimon): 15000-25000 tokens (约 ¥0.003)
复杂管道 (多表、嵌套插件): 30000-50000 tokens (约 ¥0.007)
错误重试、多轮交互: 50000-100000 tokens (约 ¥0.014)

Q: 如何减少 Token 消耗?

精简需求描述 (见"Token优化建议"章节)
复用会话上下文
提前准备配置信息,减少重试
选择 DeepSeek 等低成本模型

Q: AI Agent 创建的管道性能如何?

A: 与手动创建的管道完全一致,因为:

✅ 底层使用相同的 DataX 和 Flink 引擎
✅ 生成的配置经过验证和优化
✅ 只是改变了创建方式,不改变运行时逻辑

4. 功能限制

Q: 可以修改已创建的管道吗?

A: 目前 AI Agent 暂不支持修改已有管道,但您可以:

在管道详情页手动编辑配置
或者删除管道后重新用 AI Agent 创建

Q: 支持自定义字段映射吗?

A: 当前版本 AI Agent 使用默认的同名映射,如需自定义映射:

先用 AI Agent 创建基础管道
在管道详情页 → "字段映射"Tab 手动调整
未来版本将支持在对话中指定映射规则

Q: 能否设置数据过滤条件?

A: 暂不支持在 AI Agent 中设置过滤条件,可以:

在管道详情页 → Reader 配置 → 添加 WHERE 条件
或使用 Transformer 功能进行数据过滤

5. 其他问题

Q: 如何查看历史会话?

A: 左侧会话列表展示所有历史会话,点击即可切换。会话会持久化保存,重新登录后仍可查看。

Q: 可以分享会话给同事吗?

A: 当前版本会话是用户私有的,暂不支持分享。未来版本将支持会话导出和导入功能。

Q: AI Agent 支持哪些语言?

A: 目前主要支持中文,英文也可以使用但效果可能不如中文。未来将优化多语言支持。

总结:开启数据集成新时代

TIS Pipeline AI Agent 的推出,标志着数据集成工作从"配置时代"进入"对话时代"。

核心价值

⏱️ 提升效率: 创建管道时间从 30 分钟缩短到 3 分钟
🎯 降低门槛: 无需深入学习插件配置,自然语言即可上手
🧠 智能辅助: LLM 自动推断参数,减少人工填写
🚀 技术领先: 国内首个大数据原生 AI Agent,Plan-and-Execute 架构

适用人群

📊 数据分析师: 快速搭建数据管道,专注数据分析
🔧 数据工程师: 提升开发效率,避免重复配置
🏢 企业用户: 降低人员培训成本,加速数据项目落地
🎓 学习者: 通过对话式交互学习数据集成知识

立即开始

升级到 TIS v5.0 TIS单机版安装
配置 LLM 提供者 (推荐通义千问QWen)
点击"AI Agent 智能创建"
用自然语言描述需求,开始体验! 🎉

让数据管道听懂人话,让数据集成更简单! TIS官网

Pipeline AI Agent - 让数据管道听懂人话