Data Agents 與智慧分析系統
設計能用自然語言理解分析意圖、受控存取資料與工具、執行並驗證分析、留下可稽核紀錄的 Data Agent：從判斷何時真的需要 agent 出發，把需求轉成分析計畫再執行，給 agent 窄範圍 allowlisted 的工具並分離 read/write，用可信 semantic layer 固定 metrics 與 definitions，在 Guided Lab 建立可驗證的 read-only prototype，再學會傳遞授權與資料最小揭露、回答前的 verification harness、golden question 與 adversarial 評估、observability 與 human-in-the-loop 核准，最後在 Independent Lab 交付一份受控的 Data Agent Architecture、prototype 與 evaluation pack。
課程主軸：從接上資料的 chatbot 到受控的 Data Agent
整門課沿著同一條學習循環走：Intent、Plan、Tool/Data Access、Execute、Verify、Explain、Approve、Observe。AI 可以在受控範圍內規劃並執行，人負責判斷是否需要 agent、核准有實質影響的動作，並對結果負責。
- 1. Intent
這個需求實際上在問什麼？真的需要 agent 嗎？
- 2. Plan
執行前是否已解析出實體、指標、篩選、期間與證據需求？
- 3. Tool/Data Access
Agent 是否只使用窄範圍、allowlisted、read/write 分離的工具？
- 4. Execute
查詢/程式是否真的執行過，並記錄了資料版本？
- 5. Verify
答案是否通過 verification harness（query scope、row counts、reconciliation）？
- 6. Explain
答案能否附上證據、資料版本與明確標示的不確定性？
- 7. Approve
高影響的 write/publish 動作前，是否設有人工核准點？
- 8. Observe
是否記錄了 intent、plan、tool calls、版本與結果供稽核？
你的下一步
DS 302 · Module 1 · Data Agent 架構：意圖、工具、資料與語意
課程內容
- Module 1Data Agent 架構：意圖、工具、資料與語意從判斷何時真的需要 Agent 出發，先把需求轉成分析計畫再執行，給 Agent 窄範圍、allowlisted 的工具，把 metrics 固定在可信的 semantic layer 上，再於 Guided Lab 建立可驗證的 read-only prototype。
- Module 2可靠智慧分析：驗證、權限、評估與治理學習傳遞授權並將資料揭露降到最低，回答前要求證據，建立能對抗 adversarial 與模糊需求的可重複評估流程，加入 observability 與 human-in-the-loop 核准，再於 Independent Lab 交付一個受控的 Data Agent 架構。
進度儲存在這個瀏覽器，不會記錄你的身分；只有在下方加入進度同步時才會上傳。
同步我的進度加入梯次後，進度可跨裝置保存，講師也能看到
實作與評量
- 實作 A：Agent vs. Workflow 判斷判斷哪些範例需求真的需要動態規劃的 agent，哪些用固定 dashboard 或 workflow 就足夠。尚未完成
- 實作 B：分析計畫檢視檢視一份留白的分析計畫，把它改寫成每個必要元素都明確的版本。尚未完成
- 實作 C：Tool Contract 設計設計窄範圍、allowlisted 的 tool contracts，附明確 schema 與 read/write 分類。尚未完成
- 實作 D：Semantic Metric 解析把兩個互相衝突的隨手指標定義，解析成一筆 semantic layer 條目。尚未完成
- 實作 E：權限邊界測試測試一個範例 agent 工具是否正確地為某個角色強制執行 row/column security。尚未完成
- 實作 F：Golden Question 評估建立一組小型 golden question 集合，檢查一個範例 agent 回應是否有 regression。尚未完成
- 實作 G：Prompt Injection 防禦找出隱藏在檢索資料中的指令，驗證它是否被當成不可信內容處理。尚未完成
- 實作 H：Verification Harness 演練在一個範例答案被呈現前，用 verification harness 檢查清單跑一遍。尚未完成
- DS 302 前測與後測以前測與後測檢查你在何時該用 agent、規劃、工具設計、read/write 分離、semantic layer、安全性、驗證、prompt injection、評估、observability、失敗復原與 human-in-the-loop 核准上的判斷力改變。尚未完成
- Data Agent Architecture Canvas + Governed Prototype + Evaluation Pack把所學轉成自己的 Data Agent Architecture Canvas + Governed Prototype + Evaluation Pack，說清楚問題、資料、方法、驗證方式與治理判斷。尚未完成
關於這門課
學習成果
- 判斷何時需要 Agent，區分自然語言介面與自主分析行動
- 把需求轉成實體、指標、篩選、期間、分析計畫、證據與 approval needs
- 使用 allowlisted、窄介面的工具，分離 read 與 write/action tools
- 以可信 semantic layer 固定 metrics、dimensions、definitions、join paths、units 與 policy
- 建立 read-only prototype：規劃、查詢、必要時跑 Python、標示資料版本並驗證 totals
- 完成最終成果：Data Agent Architecture Canvas + Governed Prototype + Evaluation Pack
先備條件
- 建議完成 DS 301 與 AI 104；AI 201 建議完成
- 具備 DS 101–301 程度的 Python/pandas 能力
適合對象
- NTPU 學生、教師與行政人員，日常需要處理結構化資料
- 已完成 DS 301，想進一步設計受控、可驗證 Data Agent 的學員
- 需要更強驗證、權限治理與負責任 AI/資料實務能力的分析人員
完課證書
完成後可取得完課證書（L1）；另可透過額外的實作審查取得能力證書（L2）。
達成條件
- 完成全部 2 個課程模組
- 後測評量達 80% 以上
- 提交實作成果並經審查通過
課後回饋
約 2 到 3 分鐘，回饋會用來改進課程。