DataAgent 赛道正从概念验证走向产业落地，而企业级数据查询始终是一道绕不开的门槛：纯大模型方案易受幻觉困扰，复杂多表场景准确率骤降，黑箱式输出让业务人员难以采信。

当 WorkBuddy 智能体与润乾 NLQ MCP 查询服务相结合，恰好形成能力互补的完整方案：智能体专注自然语言交互与任务编排，NLQ MCP 负责确定性数据查询与计算，共同打造可落地、可验证、可扩展的企业级 DataAgent。

各司其职，边界清晰

WorkBuddy 管“想”管“做”，NLQ 管“查”。

WorkBuddy 负责理解用户意图、规划执行步骤、调度工具、渲染结果。NLQ MCP 负责一件事：把数据准确地取出来算出来。

NLQ 不参与推理，不做归因分析，不生成报告。它接收 WorkBuddy 发来的查询请求，执行，返回结果。WorkBuddy 拿到数据后，继续完成它擅长的部分，分析、呈现、决策辅助。

两者分工明确，没有重叠，也不竞争。

几个例子，看懂这种配合

例 1：查询 + 计算

用户说：“计算 2025 年订单明细的折扣后金额、税额和含税总价。”

WorkBuddy 生成命令：查询 “发货日期 2025 年 1 月 1 日 至 2025 年 12 月 31 日 订单明细”，然后追加计算列：计算列 订购金额 *(1- 折扣率) 命名 折扣后金额, 折扣后金额 * 税率 命名 应缴税额, 折扣后金额 + 应缴税额 命名 含税总价。

NLQ MCP 执行后，返回的每一条明细都带上了三个计算列。WorkBuddy 直接呈现。

查询和计算在 NLQ 内部完成，Agent 不用做算术。

例 2：关联汇总 + 排名过滤

用户说：“查询客户信息以及它们的订单数，按照订单数降序排序，列出前 10 名，保留同名次的。”

WorkBuddy 生成命令：查询 “客户，订单 数” 排名 订单数 降序 前 10 命名 排名。

NLQ MCP 执行后返回客户信息和订单数，按订单数降序取前 10 名，同名次保留。WorkBuddy 渲染表格，用户直接看到排名结果。

多表关联的 JOIN、排名计算、过滤条件——全在 NLQ 内部完成，Agent 只需要说清楚“要什么”。

例 3：环比增长率后再分析

用户说：“计算月度订单总额、订单数量的环比增长率，并绘制折线图。”

WorkBuddy 生成命令：查询 "年 月 订单金额 总和，订单 数" 排序 年, 月 计算列 订单金额总和 增长率 命名 总额环比, 订单数 增长率 命名 数量环比。

NLQ MCP 执行后返回月度数据，每一行都带上了环比增长率，图形也一并呈现。

环比这种跨行运算，NLQ 用规则引擎预定义好逻辑，Agent 只管调用，不用理解计算过程。

再分析

依托 Workbuddy 可以继续分析，实现完整的分析流程。比如：这个数据能得到什么结论吗？

继续让 AI 给方案：

再分析的结论跟 NLQ 就没关系了，完全是 Agent 自己的能力，充分体现了融合的必要性。

为什么说这是“绝配”

NLQ 的确定性给 Agent 兜底

与众不同的是，NLQ 是唯一采用汉语书写查询命令的，这样，普通业务人员就能看得懂。Agent 生成的查询动作是否正确，用户一目了然，可以轻松确认。确认之后，编译路径是 100% 准确的，没有“大概率正确”。Agent 基于可靠数据做分析，这才能带来确定性，结论才有意义。

而业界众多 Text2SQL 方案都在使用业务人员看不懂的 DSL 作为中间层，幻觉挡不住，也就无法提供这种确定性。

NLQ 的复杂查询能力给 Agent 留足空间

单表明细、计算列、多表汇总、排名过滤、环比增长等等场景 NLQ 都能稳定覆盖。Agent 不用操心“这个查询能不能做”，它只需要关注分析逻辑本身。

而大多数 Text2SQL 方案总是在准确性和复杂性之间反复权衡，模式搞复杂了就不准，想提高准确率则又要限制复杂度，陷入死循环。

集成极简

NLQ 已经做成了 MCP 服务，提供了标准工具接口。WorkBuddy 通过 Skill 机制接入，把 NLQ 当成一个标准的数据查询工具来用。

当然这不是“安装即用”的开箱体验，MCP 集成需要一定工作，包括对接用户的登录权限、根据企业实际业务配置 Skill 文件等。但整体实施成本很低，在 AI 辅助下，定制开发工作量比较小，相比从头搭建一套 Text2SQL 能力，这个集成成本甚至可以忽略不计。

Workbuddy 接入润乾 NLQ MCP 等于给 Agent 装上了一个可靠的数据查询引擎。Agent 继续专注于它擅长的事——任务规划、工具编排、多轮交互、结果呈现。数据查询这个环节交给 NLQ，准确、稳定、覆盖复杂场景。而且 NLQ 的部署门槛很低，平台不需要额外背负算力成本，就能获得处理多表关联和复杂计算的数据查询能力。

WorkBuddy 负责“能动手”，NLQ 负责“查得准”。两者合在一起，DataAgent 的链路才真正闭环，这正是“绝配”的含义。