Salesforce發(fā)布EDR：讓AI智能體像專業(yè)分析師一樣做企業(yè)深度研究

這項由Salesforce AI Research團隊的Akshara Prabhakar、Roshan Ram、Zixiang Chen等研究人員開展的研究發(fā)表于2025年10月，論文編號為arXiv:2510.17797v1。有興趣深入了解的讀者可以通過該編號查詢完整論文。

當今企業(yè)面臨著前所未有的數(shù)據(jù)爆炸挑戰(zhàn)。每天產(chǎn)生的海量信息就像無邊無際的圖書館，企業(yè)需要從中找到對業(yè)務決策有用的洞察。然而，傳統(tǒng)的分析方法就像用放大鏡在圖書館里一本一本地翻找信息，既費時又容易遺漏關鍵內容。

Salesforce的研究團隊開發(fā)了一個名為"企業(yè)深度研究"（Enterprise Deep Research，簡稱EDR）的AI系統(tǒng)，它就像一個永不疲倦的專業(yè)研究分析師。這個AI分析師不僅能夠同時處理多個復雜的研究任務，還能在研究過程中接受人類的實時指導，確保研究方向始終符合企業(yè)需求。

EDR系統(tǒng)最大的創(chuàng)新在于它的"可操控性"。傳統(tǒng)的AI研究工具就像自動駕駛汽車，一旦啟動就只能按照預設路線行駛，無法中途調整方向。而EDR更像是一個經(jīng)驗豐富的出租車司機，不僅知道目的地在哪里，還能根據(jù)乘客的實時需求調整路線，甚至在發(fā)現(xiàn)更有價值的信息時主動建議繞道探索。

一、EDR系統(tǒng)的核心架構：像交響樂團一樣協(xié)調工作的AI團隊

EDR系統(tǒng)的設計理念就像組建一個專業(yè)的研究團隊。在這個團隊中，有一個總指揮（主研究智能體），負責分解復雜的研究任務并協(xié)調整個團隊的工作。同時，還有四個專業(yè)的搜索專家分別負責不同的信息來源：一個負責搜索互聯(lián)網(wǎng)上的通用信息，一個專門查找學術論文，一個專注于代碼倉庫，還有一個專門挖掘LinkedIn上的專業(yè)人士信息。

這種分工就像一家高端咨詢公司的運作模式。當客戶提出一個復雜的商業(yè)問題時，項目經(jīng)理會將任務分解為多個子問題，然后安排不同專業(yè)背景的顧問分別負責市場調研、技術分析、人員評估等工作。每個顧問都在自己的專業(yè)領域內深挖信息，最后由項目經(jīng)理將所有信息整合成一份完整的報告。

EDR系統(tǒng)的主研究智能體扮演的就是這個項目經(jīng)理的角色。當企業(yè)用戶提出研究需求時，比如"分析人工智能在醫(yī)療行業(yè)的應用前景"，主智能體會智能地將這個大問題分解為若干個具體的子問題：AI在診斷領域的應用現(xiàn)狀、主要技術供應商的產(chǎn)品對比、醫(yī)療機構的采用情況、監(jiān)管政策的影響等等。

然后，它會根據(jù)每個子問題的特點，派遣最合適的專業(yè)搜索智能體去收集信息。需要查找最新的研究論文時，就派學術搜索專家出馬；需要了解相關技術的開源實現(xiàn)時，就讓代碼搜索專家上場；需要找到行業(yè)內的關鍵人物和公司信息時，LinkedIn搜索專家就會發(fā)揮作用。

更重要的是，EDR系統(tǒng)還配備了一個"反思機制"，就像團隊中有一個質量管控專員，會定期檢查研究進度，發(fā)現(xiàn)信息缺口，并及時調整研究方向。這個機制會自動識別出哪些方面的信息還不夠充分，哪些研究方向可能已經(jīng)偏離了用戶的真實需求，然后生成新的研究任務來填補這些空白。

二、任務管理系統(tǒng)：讓研究過程像項目管理一樣清晰可控

EDR系統(tǒng)最具創(chuàng)新性的特征之一是它的任務管理機制。研究團隊創(chuàng)建了一個叫做"todo.md"的動態(tài)任務清單，就像項目管理軟件中的任務看板一樣，將整個研究過程變得透明可控。

這個任務清單不是簡單的文本文檔，而是一個智能的、實時更新的工作計劃。每個研究任務都有自己的身份標識、優(yōu)先級評分、當前狀態(tài)和來源標記。任務的優(yōu)先級從5到10分不等，分數(shù)越高表示越重要。系統(tǒng)會自動根據(jù)用戶的指導意見調整任務優(yōu)先級，確保最重要的問題得到優(yōu)先解決。

任務的生命周期就像工作流程一樣清晰：從"待處理"狀態(tài)開始，轉為"進行中"，最后變成"已完成"或"已取消"。用戶可以隨時查看這個任務清單，了解研究進展，就像查看項目進度表一樣。

更重要的是，用戶可以在研究過程中通過自然語言向系統(tǒng)發(fā)送指導意見。比如，用戶可以說"更多關注同行評議的學術資源"或"優(yōu)先考慮最近發(fā)表的研究"。系統(tǒng)會智能地理解這些指導，并相應地調整任務優(yōu)先級、添加新任務或取消不相關的任務。

這種設計的巧妙之處在于，它解決了傳統(tǒng)AI系統(tǒng)的一個核心問題：用戶無法在AI工作過程中進行干預。就像給GPS導航儀重新設定目的地一樣，用戶現(xiàn)在可以在AI研究過程中隨時調整方向，確保最終結果符合自己的真實需求。

三、專業(yè)搜索工具：針對不同信息源的精準挖掘策略

EDR系統(tǒng)配備的四個專業(yè)搜索智能體各有各的"專業(yè)技能"，就像不同領域的專家一樣。

通用網(wǎng)絡搜索專家負責在互聯(lián)網(wǎng)上搜索新聞、報告和一般知識。它使用Tavily API作為搜索引擎，能夠進行語義去重，避免收集到重復信息。這個專家特別擅長找到最新的市場動態(tài)、企業(yè)新聞和行業(yè)趨勢。

學術搜索專家專門針對學術出版物和同行評議的內容。它能夠訪問包括arXiv在內的多個學術資源庫，支持模糊去重來處理標題變化的同一篇論文，還可以根據(jù)時間加權來強調最新的研究。當企業(yè)需要了解某個技術領域的最新科研進展時，這個專家就會發(fā)揮重要作用。

GitHub搜索專家專注于代碼倉庫、技術實現(xiàn)和軟件文檔。它會在倉庫級別進行去重，避免重復分析同一個項目，并且優(yōu)先提供文件級別的URL以獲得最大效用。當企業(yè)想要了解某項技術的開源實現(xiàn)情況或尋找可用的開發(fā)工具時，這個專家最為有用。

LinkedIn搜索專家則專門挖掘專業(yè)檔案、公司信息和領域專家。它經(jīng)過優(yōu)化，能夠高效檢索相關人員信息，并且嚴格限制在linkedin.com域名內搜索，確保信息的專業(yè)性和可靠性。這對于了解行業(yè)內的關鍵人物、公司高管或尋找潛在合作伙伴特別有價值。

每個專家都配備了智能的結果處理機制，包括內容提取、去重和相關性評分。它們就像訓練有素的助理研究員，不僅知道在哪里找信息，還知道如何篩選和整理信息，確保提供給用戶的都是高質量、高相關性的內容。

四、企業(yè)級工具生態(tài)：連接內部數(shù)據(jù)的智能橋梁

除了搜索外部信息，EDR系統(tǒng)還配備了一套完整的企業(yè)內部數(shù)據(jù)分析工具，就像給研究團隊配備了一套專業(yè)的實驗設備。

文件分析工具就像一個多才多藝的文檔專家，能夠處理各種格式的文件，包括數(shù)據(jù)庫文件、PDF文檔、Word文檔、文本文件、電子表格和圖像。它使用格式特定的解析器和AI驅動的內容摘要技術，不僅能提取文件內容，還能保持原有的布局結構，并進行語義內容分析。這意味著企業(yè)可以將自己的內部報告、研究文檔或數(shù)據(jù)文件上傳到系統(tǒng)中，讓AI分析師充分利用這些內部知識。

NL2SQL智能體則像一個精通數(shù)據(jù)庫的分析師，能夠將自然語言查詢轉換為SQL語句，直接與企業(yè)的結構化數(shù)據(jù)庫進行交互。它具備模式感知能力，能夠理解數(shù)據(jù)庫的結構，并進行查詢分解和多層驗證，包括語法檢查、語義驗證、性能優(yōu)化和安全檢查。這讓非技術人員也能夠通過自然語言查詢復雜的企業(yè)數(shù)據(jù)。

數(shù)據(jù)可視化智能體就像一個專業(yè)的圖表設計師，能夠根據(jù)量化發(fā)現(xiàn)生成可視化圖表。它會根據(jù)數(shù)據(jù)特征自適應選擇圖表類型，包括柱狀圖、折線圖、散點圖、熱力圖和餅圖。所有可視化都在安全的執(zhí)行環(huán)境中渲染，支持交互式探索，并能導出多種格式供報告使用。

通過模型上下文協(xié)議（MCP），EDR系統(tǒng)還支持與自定義企業(yè)系統(tǒng)的擴展集成。這就像給研究團隊配備了一套可定制的專業(yè)工具，企業(yè)可以根據(jù)自己的特定需求連接遠程計算服務和其他領域工具。MCP支持HTTP和stdio傳輸協(xié)議，大大降低了新工具集成的技術門檻。

五、智能研究流程：從問題到洞察的自動化旅程

EDR系統(tǒng)的研究流程設計得就像一個經(jīng)驗豐富的咨詢項目的執(zhí)行過程。當用戶提交研究問題后，系統(tǒng)會自動啟動一個結構化的、迭代的工作流程。

首先，系統(tǒng)會創(chuàng)建一個初始的輕量級任務計劃，通常包含3到5個高優(yōu)先級任務。這些任務會被標注唯一標識符、優(yōu)先級分數(shù)和來源元數(shù)據(jù)。來自初始用戶查詢的任務被標記為"初始查詢"，后續(xù)為解決知識缺口而生成的任務被標記為"知識缺口"，響應用戶指導而創(chuàng)建的任務則標記為"指導"。指導衍生的任務獲得最高優(yōu)先級10分，原始查詢任務獲得9分，知識缺口任務獲得7分。

在每個研究迭代的開始，主研究智能體會構建一個綜合提示，包含原始研究目標、先前發(fā)現(xiàn)的逐步精煉摘要、未解決的信息需求集合，以及從用戶交互中派生的所有主動指導約束。基于這個綜合上下文，AI會執(zhí)行自適應查詢分解，生成3到7個新任務和相應的搜索查詢。

系統(tǒng)實施三層質量控制機制。首先是語義去重，通過模糊字符串匹配和前綴規(guī)范化來防止冗余搜索，合并重復項并在優(yōu)先級更高時更新它們。其次是約束執(zhí)行，確保遵循指導說明，比如排除用戶標記的術語或提升與焦點指令對齊的內容。最后是優(yōu)先級調整，動態(tài)重新排序執(zhí)行序列，讓高影響力和用戶對齊的查詢獲得優(yōu)先處理。

查詢會并行分派給專業(yè)智能體，包括通用搜索、學術文獻、代碼倉庫和領域工具。智能體會執(zhí)行過濾、去重和相關性評分，然后返回結果進行聚合。

六、結果整合與增量合成：構建連貫的知識體系

從不同專業(yè)智能體返回的結果會經(jīng)過三個階段的處理，就像組裝一臺精密機器一樣，每個環(huán)節(jié)都至關重要。

第一階段是智能體間去重。系統(tǒng)通過語義相似性比較來整合結果，識別多個搜索工具間的重疊內容。引用標準化確保URL和標題格式的一致性，優(yōu)先選擇每個獨特來源的最高質量表示。

第二階段是AI驅動的合成。AI會將新收集的研究內容合并到現(xiàn)有的運行摘要中，使用專門的合成過程。它接受四個輸入：先前迭代的運行摘要、新獲取的網(wǎng)絡研究結果、反思產(chǎn)生的知識缺口，以及用戶上傳的知識（如果存在）。AI執(zhí)行上下文壓縮，提取關鍵洞察的同時保留引用鏈接和元數(shù)據(jù)。這防止了指數(shù)級的上下文增長，系統(tǒng)維護的是逐步精煉的知識表示，而不是累積所有原始搜索輸出。

第三階段是源引用管理。提取的來源在去重字典中跟蹤，維護URL到元數(shù)據(jù)的映射，供后續(xù)報告生成使用。未使用的來源會被記錄以保證透明度，但從最終引用中排除。

合成步驟確保每次迭代都在先前發(fā)現(xiàn)的基礎上構建，而不會失去連貫性或超出上下文限制，使系統(tǒng)能夠處理10次以上迭代和數(shù)百個來源的會話。

七、實時指導機制：人機協(xié)作的智能交互

EDR系統(tǒng)最具突破性的特征之一是它的實時指導能力。傳統(tǒng)的AI研究工具就像老式的錄音機，一旦按下播放鍵就只能按照預設程序運行到結束。而EDR更像是一個智能對話伙伴，能夠在工作過程中接收和理解人類的指導意見。

系統(tǒng)實現(xiàn)了一個基于隊列的、競態(tài)條件安全的指導機制，能夠在不中斷正在進行的執(zhí)行過程的情況下實現(xiàn)實時用戶指導。用戶消息在研究執(zhí)行期間排隊，如果積累了多條消息，系統(tǒng)會對它們進行摘要以提取核心指令。比如，"專注于同行評議的資源"和"優(yōu)先考慮最新論文"會被整合為"強調最新的同行評議文獻"。

消息在反思階段的迭代間以原子方式處理，防止與活躍查詢的干擾。為防止數(shù)據(jù)丟失，系統(tǒng)采用基于快照的合并機制：在反思過程中到達的指導消息會自動保存并添加到反思后隊列中。這確保用戶輸入永遠不會丟失，同時在穩(wěn)定的消息集上維護確定性的AI推理。

提取的指令會更新研究任務管理器，將指導約束整合為優(yōu)先級提升、排除過濾器或焦點指令，確保在后續(xù)查詢生成和執(zhí)行周期中與用戶意圖保持一致。

這種設計的精妙之處在于，它讓用戶成為研究過程的積極參與者，而不是被動的觀察者。用戶可以隨時根據(jù)中間結果調整研究方向，就像在導航過程中根據(jù)路況變化選擇更好的路線一樣。

八、反思與任務更新：智能的自我完善機制

反思機制是EDR系統(tǒng)的核心引擎，就像一個經(jīng)驗豐富的項目經(jīng)理會定期檢查工作進展并調整計劃一樣。在每次迭代后，系統(tǒng)會根據(jù)當前任務計劃和累積知識對聚合結果進行評估。

系統(tǒng)會識別幾個關鍵方面的問題。首先是知識缺口，包括缺失的概念、未探索的領域，或相對于原始用戶查詢的證據(jù)不足。其次是任務不對齊，即由于新發(fā)現(xiàn)或用戶指導指令而不再相關的任務。第三是質量不一致，包括智能體返回的矛盾或低置信度信息。

基于這個分析，研究任務管理器會更新任務計劃。它會生成新任務來解決知識缺口，優(yōu)先級分數(shù)反映其重要性。會更新任務狀態(tài)，將不對齊或已解決的任務取消或標記為完成。還會清除隊列，指定已通過任務創(chuàng)建或取消完全解決的用戶指導消息的索引。未解決的消息繼續(xù)排隊等候后續(xù)循環(huán)。

研究任務管理器在每次狀態(tài)修改時會增加版本計數(shù)器，只有在發(fā)生變化時才觸發(fā)前端更新。這種基于版本的輪詢提供了任務狀態(tài)和來源的實時可見性，而無需連續(xù)狀態(tài)流傳輸。

反思是迭代和累積的，確保后續(xù)研究循環(huán)越來越專注于未解決的知識缺口，同時與先前發(fā)現(xiàn)保持連續(xù)性。這就像一個學習型組織，能夠從每次項目經(jīng)驗中總結教訓，并將這些教訓應用到下一個項目中。

九、迭代優(yōu)化與循環(huán)終止：追求完美的平衡藝術

EDR系統(tǒng)的查詢規(guī)劃、智能體執(zhí)行、指導集成、結果聚合和反思的循環(huán)會迭代重復。每個循環(huán)都整合來自先前迭代和用戶指導消息的反饋，逐步朝著研究問題的全面覆蓋收斂。

終止條件的設計體現(xiàn)了系統(tǒng)的智能性。當知識缺口得到解決、達到最大循環(huán)限制，或系統(tǒng)確定報告完整性足夠時，循環(huán)就會結束。這就像一個經(jīng)驗豐富的研究員知道什么時候已經(jīng)收集了足夠的信息來回答研究問題。

系統(tǒng)還實現(xiàn)了智能的成本控制機制。在評估中，EDR在DeepResearch Bench上消耗的令牌數(shù)是其他系統(tǒng)的四分之一，這表明其高效的搜索和合成策略。通過避免冗余搜索和智能的上下文壓縮，系統(tǒng)能夠在保持高質量輸出的同時控制計算成本。

最終報告生成階段，系統(tǒng)會合成運行摘要、聚合來源、代碼片段和指導歷史，形成結構化報告。質量保證檢查會驗證引用完整性、結構連貫性、查詢覆蓋和對用戶指令的遵循。最終文檔通過前端界面交付，提供研究過程的交互式詳細描述，保持透明度、可重現(xiàn)性和用戶對齊的洞察生成。

十、性能評估：在標準測試中展現(xiàn)的卓越表現(xiàn)

研究團隊在三個重要的開放式深度研究基準測試中評估了EDR系統(tǒng)的性能，結果令人印象深刻。

在DeepResearch Bench測試中，這是一個包含100個博士級復雜研究任務的基準，涵蓋22個不同領域，EDR獲得了49.86的總分，在所有專有和開源智能體系統(tǒng)中表現(xiàn)最佳。特別是在指令遵循和可讀性標準方面，EDR獲得了特別高的分數(shù)。在成本方面，EDR消耗的令牌數(shù)比langchain-open-deep-research少4倍，顯示了其高效的搜索和合成策略。

在DeepConsult測試中，這是一個專門的商業(yè)和咨詢導向提示集合，EDR達到了71.57%的最高勝率和6.82的優(yōu)秀平均質量分數(shù)，超過了其他開源系統(tǒng)。同時，失敗率僅為9%，表明大多數(shù)報告都明顯優(yōu)于或與基準系統(tǒng)相當。

在ResearchQA測試中，這是一個包含3750個科學測試問題的大規(guī)模多領域基準，EDR獲得了68.5%的競爭性覆蓋率。雖然Perplexity Deep Research達到了75.3%的最高總體覆蓋率，但EDR在一般、影響和比較項目上表現(xiàn)強勁。分析顯示EDR在引用處理（85%失敗率）、示例生成和多標準標準方面存在嚴重弱點，這為未來改進指明了方向。

在企業(yè)用例評估中，EDR在復雜的內部專有數(shù)據(jù)庫的開放式研究和研究方面都取得了出色的表現(xiàn)。系統(tǒng)在SQL生成和執(zhí)行方面達到了95%以上的準確率，99.9%的正常運行時間，同時在不同工作負載中保持了可靠性和可擴展性。用戶研究報告了98%的任務完成率、4.8/5的滿意度分數(shù)，以及復雜分析任務的洞察時間減少了50%。

十一、研究軌跡數(shù)據(jù)集：為未來研究鋪路的寶貴資源

研究團隊還收集了201個完整的智能體軌跡，其中99個來自DeepResearch Bench，102個來自DeepConsult。與之前只捕獲最終輸出的基準測試不同，這些軌跡暴露了完整的推理過程，包括搜索、反思和合成，使得能夠對規(guī)劃和決策動態(tài)進行細粒度分析。

這個數(shù)據(jù)集的價值就像為AI研究人員提供了一個詳細的"思維錄像"。研究人員可以看到AI系統(tǒng)在每個步驟是如何思考和決策的，這對于研究長期智能體行為和開發(fā)更高效的研究智能體的訓練和評估方法具有重要意義。

軌跡分析顯示了一些有趣的模式。報告合成在第4-5次迭代時達到峰值，詞匯增長+1785詞（是平均值的3倍），標志著在充分信息積累后最有生產(chǎn)力的增長階段。對1422個反思實例的分析揭示了市場（27.1%）、比較（18.4%）和成本（14.2%）分析中反復出現(xiàn)的知識缺口。每次迭代的源使用保持在約14個的穩(wěn)定水平，反映了EDR在擴展研究工作流程中持續(xù)的多樣性和連貫性。

十二、技術實現(xiàn)細節(jié)：構建企業(yè)級系統(tǒng)的工程智慧

EDR系統(tǒng)的技術實現(xiàn)體現(xiàn)了現(xiàn)代軟件工程的最佳實踐。系統(tǒng)使用React 18和TypeScript構建前端，利用并發(fā)渲染、自動批處理和改進的錯誤邊界來實現(xiàn)高性能和穩(wěn)健的開發(fā)體驗。TypeScript確保了全面的類型安全、嚴格的類型檢查和無縫重構。

界面設計采用Material-UI，提供可訪問、響應式和可主題化的組件，遵循WCAG指南，配備高級UI元素如可排序數(shù)據(jù)表、驗證表單和交互式可視化。Tailwind CSS提供實用優(yōu)先的樣式框架，具有自定義設計令牌、響應斷點和優(yōu)化的CSS生成，以實現(xiàn)最小的包大小。

數(shù)據(jù)獲取和狀態(tài)同步由React Query管理，支持智能緩存、后臺重新獲取、樂觀更新和自動重試機制，確保流暢響應的用戶體驗。

后端基于FastAPI構建，提供全面的REST API，具有流式響應、后臺任務處理、全面錯誤處理、CORS支持、自動API文檔生成、緩存控制中間件等高級功能。系統(tǒng)支持多種LLM提供商，包括OpenAI、Anthropic、Groq和SambaNova，通過環(huán)境變量配置API密鑰。

十三、未來發(fā)展方向：持續(xù)改進的roadmap

基于評估結果，研究團隊識別了幾個重要的改進方向。首先是增強輸出事實性，通過改進引用和證據(jù)基礎來解決引用處理的弱點。其次是開發(fā)預測性指導機制，讓系統(tǒng)能夠更主動地預測用戶需求。第三是擴展跨更廣泛企業(yè)數(shù)據(jù)生態(tài)系統(tǒng)的集成，提高系統(tǒng)的適用性。

研究團隊還計劃繼續(xù)完善多智能體推理應用，探索更復雜的協(xié)作模式和更智能的任務分解策略。這些改進將進一步提升EDR系統(tǒng)在企業(yè)環(huán)境中的實用性和效果。

EDR系統(tǒng)代表了AI驅動企業(yè)分析的重要進步，通過可操控的上下文工程實現(xiàn)了動態(tài)和可解釋的人機協(xié)作。系統(tǒng)將智能工具選擇、自適應規(guī)劃和跨系統(tǒng)檢索相結合，促進了大規(guī)模、透明和目標對齊的研究工作流程。

說到底，EDR系統(tǒng)就像給企業(yè)配備了一個永不疲倦、知識淵博的研究助手。這個助手不僅能夠獨立工作，還能夠理解和響應人類的指導，確保研究結果始終符合企業(yè)的實際需求。隨著企業(yè)面臨越來越復雜的決策挑戰(zhàn)，這樣的AI助手將成為不可或缺的戰(zhàn)略工具，幫助企業(yè)在激烈的市場競爭中保持優(yōu)勢。

Q&A

Q1：EDR系統(tǒng)與傳統(tǒng)的AI研究工具有什么本質區(qū)別？

A：EDR最大的區(qū)別在于它的"可操控性"。傳統(tǒng)AI研究工具像自動駕駛汽車，一旦啟動就只能按預設路線行駛。而EDR更像經(jīng)驗豐富的出租車司機，能根據(jù)乘客實時需求調整路線。用戶可以在研究過程中通過自然語言發(fā)送指導意見，系統(tǒng)會智能理解并調整研究方向，確保結果符合真實需求。

Q2：EDR系統(tǒng)如何保證企業(yè)數(shù)據(jù)的安全性？

A：EDR系統(tǒng)設計了完整的企業(yè)級安全機制。它支持處理內部專有數(shù)據(jù)庫，通過模型上下文協(xié)議（MCP）實現(xiàn)安全的企業(yè)系統(tǒng)集成。所有數(shù)據(jù)可視化都在安全的執(zhí)行環(huán)境中渲染，支持多種格式導出。系統(tǒng)還配備了多層驗證機制，包括語法檢查、語義驗證、性能優(yōu)化和安全檢查，確保企業(yè)數(shù)據(jù)的安全和隱私。

Q3：普通企業(yè)用戶需要什么技術背景才能使用EDR系統(tǒng)？

A：EDR系統(tǒng)專門為非技術用戶設計。企業(yè)用戶只需要用自然語言描述研究需求，就像和專業(yè)分析師對話一樣。系統(tǒng)配備的NL2SQL智能體讓非技術人員也能通過自然語言查詢復雜的企業(yè)數(shù)據(jù)庫。整個研究過程通過直觀的任務清單展示，用戶可以隨時查看進展并發(fā)送指導意見，無需任何編程或技術背景。