国产组合登顶DAB数据智能体榜：OceanBase加GLM-5.2

数据智能体的评测榜上，第一次有方案越过了90%。

做到这一点的是OceanBase团队。他们提交的Data Agent方案在Data Agent Benchmark（DAB）上拿到90.62%的准确率，排名第一，底层模型用的是智谱的GLM-5.2，也就是智谱清言所属的GLM系列。被它压在后面的，有好几套基于GPT、Claude Opus、Claude Fable搭建的方案。

DAB由UC Berkeley EPIC Data Lab和Hasura PromptQL合作推出，题目覆盖本地生活、金融股票、生物医学、知识产权、企业运营、政务、媒体文娱等多个领域，数据分散在PostgreSQL、MongoDB、SQLite、DuckDB等不同数据库里。

它和常见的Text-to-SQL评测不是一回事。后者主要看模型能不能把一句自然语言翻成SQL；DAB则把智能体扔进真实的数据环境，数据散、格式杂，要它自己理解数据、挑数据、规划分析路径、执行查询计算，最后还得验证答案对不对。

所以这个分数考的不只是模型。模型管理解和推理，Agent管规划和执行，数据系统管数据发现、关联计算和结果校验，三块拼不好，模型再强也拿不到正确答案。

OceanBase的方案先用DataLens给数据建画像，识别字段和数据之间的关系；再按任务复杂度规划执行路径，完成选择、筛选、关联和计算；结果出来后，用证据追踪和答案校验复核一遍，发现问题就调整方案重新验证。

我觉得拉开差距的就是最后这一步。数据分析最怕的不是算不出来，而是算错了还给出一个看起来很像样的数字。能自己回头查账的Agent，在企业里才敢用。

这套方案的内部代号叫Scout，相关能力后续会并入OceanBase DataPilot，那是它面向AI数据分析的产品方向。

对数据库厂商来说，这个成绩的用处很实在。当AI Agent成了数据的新使用者，数据库光把数据存好、算好、取出来已经不够，还得帮AI看懂数据、把分析做完。

单一榜单的第一，也不等于在企业真实场景里一定好用。GLM-5.2在这套方案里贡献了多少，系统工程又贡献了多少，外人目前还分不清。