知识库 + 专家规则双方案驱动质量规则智能推荐

行业痛点-质量问题永远在报表里暴露

数据质量的代价，往往不是在数据入库时被发现，而是在决策会议上当着全场的面爆发。

📊 规则冷启动难：编写有效的质量规则需同时具备业务知识和技术能力。这类人才稀缺，导致规则要么缺失，要么泛化到没有业务意义（全是 NULL 检查），新项目上线后质量监控长期"裸奔"。
🔔 告警噪声严重：规则粒度粗、阈值设置不合理，导致每天产生大量误报。数据团队陷入"告警疲劳"，真正的质量问题反而被淹没。
🔄 规则维护成本高：表结构变化、业务逻辑迭代后，质量规则需同步更新，但往往滞后数周甚至数月，规则失效后无人察觉。
🐢 规则上线链路长：一条质量规则从监控需求提出到真正生效，要经历需求分析→规则模板创建→参数调试→规则配置→任务运行五个环节，周期以周计。覆盖度始终追不上业务增长，大量字段长期处于"无规则监控"状态。

Agent 介绍

Astro 数据质量 Agent 提供双方案并行的规则推荐机制：知识库方案基于五级数据分类体系和内置质量规则模板，适合已有分类体系的客户快速匹配行业最佳实践；专家规则方案融合数据标准技术属性、采样数据特征和内置专家规则库（正则、码值、时间格式、时间对比），适合冷启动场景。

推荐结果覆盖完整性、唯一性、规范性、一致性、准确性、及时性六大质量维度，支持一键推送至 TDS 并自动创建质量检查任务，实现从规则推荐到任务执行到质量报告的端到端闭环。

一. 双方案驱动的质量规则推荐流程
系统支持三种输入方式：

1. TDS元数据选择
2. 本地Excel上传
3. 自然语言输入表名

流程分为两条路径：

1. 知识库方案（适合已有分类体系的客户）
   -获取/确认四级分类（业务大类）
   -匹配五级分类（字段细类）知识库
   -召回对应质量规则模板
2. 专家规则方案（适合冷启动、无全量分类的客户）
   -提取数据标准技术属性
   -采样数据特征分析
   -内置专家规则库匹配

两条路径的结果经过分类驱动规则匹配与多源融合规则推荐后，进行规则合并去重（智能去重算法，规则来源可解释），最终输出规则推荐结果。

二、端到端闭环流程
规则推荐结果生成后，进入以下闭环流程：
1.在线确认/编辑
2.推送TDS
3.创建质量任务
4.执行检查
5.生成质量报告

三、两种方案对比

对比分析——传统方式 vs. Astro Agent

技术优势

双方案驱动，让质量管理从规则稀缺到智能推荐

1. 知识库 + 专家规则双方案，适配不同客户成熟度
   已有数据分类体系的客户，通过知识库方案快速匹配行业规则模板；尚未建立分类体系的客户，专家规则方案融合数据标准、采样数据和内置规则库，同样能快速产出高质量规则。两种方案可在同一个 Agent 中按需切换。
2. 端到端闭环：从推荐到报告
   规则推荐完成后，支持在线预览和编辑确认，一键推送至 TDS 并自动创建质量检查任务。任务执行完成后生成结构化质量报告，包含异常明细、通过率、问题分布等关键指标。全流程无需切换系统。
3. 主动 + 被动双模式运营
   用户可以主动选择元数据发起规则推荐；系统也支持配置定时任务，自动扫描新增或变更的元数据，触发规则推荐流程，以工单形式推送给治理人员。两种模式确保质量规则覆盖不留死角。
4. 规则来源可解释，支持透明审计
   每条推荐规则都标注来源（知识库模板匹配 / 数据标准关联 / 专家规则匹配 / 采样数据推断），支持配置文件动态调整专家规则逻辑。规则不是黑箱输出，业务人员可追溯每条规则的生成依据。

实战场景

从规则稀缺到规则自动化

• 元数据选择 → 规则推荐 → 任务执行
  选择 TDS 元数据或上传 Excel，Agent 自动输出执行步骤。用户确认四级分类后，Agent 推荐质量规则并在线展示。用户可删除不需要的规则，确认后选择"批量录入规则到 TDS 并创建和启动任务"，任务执行完成即可查看质量检查报告。
• 自然语言提问 → 模糊匹配 → 精准推荐
  直接输入"为个人客户信息表推荐质量规则"，Agent 自动模糊匹配用户有权限的工作区下的数据表，用户通过序号确认后进入推荐流程。降低使用门槛，业务人员也能快速发起质量检查。
• 跨团队协作 → 工单分发 → 协同确认
  规则推荐结果可通过工单、邮件、企业微信推送给业务方或管理层。接收方可直接确认或修改规则，所有操作保留版本历史，形成完整的协作轨迹和审计记录。