自动驾驶数据打标干一周?我用 DataWorks Data Agent 快速搞定!

让我们看一个典型的新业务场景：自动驾驶数据标注。

传统做法需要多个角色协作：数据工程师搭建 ETL 流程，算法工程师调用视觉模型打标，运维工程师配置调度和监控。整个流程涉及 OSS 视频读取、MaxFrame 切帧、Qwen3.6-plus 多模态大模型打标、vl-embedding 向量化、Hologres 混合检索等多个技术环节。

使用 DataWorks Data Agent，整个过程被简化为五个步骤：

第一步：需求分析｜把活儿交给它

进入 DataWorks 控制台，左侧导航栏点一下「Data Agent」，对话框就唤起来了。接下来什么都不用做，就一件事：把需求像和同事聊天一样讲清楚。

示例 Prompt：

"请帮我在 DataWorks 'new_IDE_test_baige' 空间中创建一个自动驾驶打标工作流'vehicle_demo_v2'。原始输入为存储在华东1（杭州）OSS 的视频文件，使用 PyODPS3 节点进行 MaxFrame 作业切帧，调用百炼 Qwen3.6-plus 模型对图片进行智能打标，最终将结果同步到 Hologres 并建立向量索引。代码需要遵循自动驾驶 skill 的规范。"

DataWorks Data Agent 会自动进行需求拆解与确认、数据源识别、业务口径澄清。

📷DataWorks Data Agent正在分析需求

第二步：工作流生成

规划完成后，DataWorks Data Agent 会自动在工作空间内生成工作流与任务，并配置好调度依赖关系。自动生成的代码遵循企业级编码规范（命名约定、注释、分区策略），内置增量/全量处理逻辑，包含异常数据处理（NULL 值、数据类型转换），并自动添加数据质量断言。

📷DataWorks Data Agent 创建工作流

📷DataWorks Data Studio 界面里生成对应的工作流

DataWorks Data Agent 自动构建完整的自动驾驶打标向量化流程：

• 通过 MaxFrame 任务读取视频路径，对视频进行切帧并将图片存储在 OSS 中

• 调用百炼多模态大模型 Qwen3.6-plus 对图片进行智能打标，打标结果写入 MaxCompute 内表

• 调用 MaxCompute AI Function vl-embedding 模型对图片进行向量化，将向量传入 Hologres

• 构建数据挖掘脚本，基于 Hologres 中的标量和向量数据进行混合检索

全链路通过 DataWorks 工作流统一编排调度，实现端到端自动化运行

第三步：运行调试

在 DataWorks 中创建自定义镜像，安装必要的依赖包（maxframe、pyodps、pyarrow、pandas）。在生成的 PYODPS3 代码右侧选择“运行配置”，选择创建好的自定义镜像作为资源组。试运行每个节点，观察输出是否符合预期。

📷DataWorks 创建自定义镜像界面

📷DataWorks 节点“运行配置”界面

第四步：发布上线

可以通过 Data Agent 或者手动完成工作流发布上线：代码提交至生产环境、调度任务上线、发布记录归档。

📷DataWorks 发布界面，展示发布包内容和状态

 任务运行后，即可获得打标切帧的图片及向量表。

过去你要做这件事，得是一个数据工程师 + 一个算法工程师 + 一个运维工程师，仨人加班加点至少干一周。

现在DataWorks Data Agent一个人扛了：理解你的话、做需求拆解、生成代码、配好调度、跑通验证、发布上线——全链路全自动。

更重要的是，它产出的不是“玩具 demo”，而是符合企业级规范、能直接进生产的工程交付物。

数据开发这件事，过去的护城河是“我能写很复杂的 SQL/Python”；从今天起，护城河是“我能用一句话，让 AI 帮我把整个数据开发与处理链路干起来”。

这正是 Agent-Native 数据平台的核心价值：它将数据开发的门槛从“技术能力”降低到“业务能力”。业务人员可以用自然语言描述需求，AI 智能体负责将其转化为可执行的技术方案。这不仅提升了效率，更释放了数据团队的创新潜力——让他们从重复的“体力活”中解放出来，专注于更有价值的业务洞察和架构设计。

🚀立即体验：

https://dataworks.data.aliyun.com/product/agent?source=aitraining05

📚课程学习：

https://www.aliyun.com/benefit/aihands-on/mainpage