仪表板会被一个写总结的 agent 取代吗？Brilliant Earth 已经走了一半

数据可视化通常在管道的最末端：数据进仓、算好指标，最后画成图给人看。图存在的理由，是让人更快读懂数字。可 LLM 一次能读的数字比人多得多，那么末端这一步，会不会从“一块仪表板”变成“一个替你读完、再告诉你结论的 agent”？

Snowflake 10 月 22 日发布的珠宝商 Brilliant Earth 案例，正好走到这个问题的一半。

四种数据产品里，固定仪表板只剩一种

Brilliant Earth 把 Posit 的分析平台作为原生应用装进 Snowflake，权限沿用 Snowflake 的角色。团队在上面做了四类东西：一个营销组合模型的情景规划器；替换旧 BI 的门店仪表板，100 多名门店运营用户已经迁过来，外面还套了 querychat，经理可以直接打字问“我这家店最近 14 天的预约表现”；由 LLM 撰写的每周叙述报告；还有为一个具体问题临时搭、用完就扔的 Shiny 仪表板。¹

负责分析的 Matthias Mueller 说，他不想再重建越来越多的仪表板，宁可为每个需求做定制方案；临时搭的那种，多数时候反而把问题讲得更清楚。¹固定仪表板还在，但已经不是唯一的出口。

让 LLM 写字，把计算留给代码

周报的做法是这套设计的关键：先用 Python 和 R 直接在 Snowflake 的数据上算出指标，数字校验过后，才交给 LLM 写成文字。Mueller 的原话大意是：LLM 擅长用文字做总结，计算要交给数学函数。¹

这正是“总结型 agent”能成立的前提。LLM 读得多，但不保证算得对；让它只负责讲，数字由可复现的代码给出，讲错了也能对回原数。这和我在快速决策模型那篇里的判断一致：必须算准的数，留给 SQL 和代码。

只读摘要，会漏掉形状

agent 能不能连图都不要？统计学里有个老例子。1973 年，Anscombe 构造了四组数据，每组 11 个点，均值、方差、相关系数和回归线全都相同。²

只把这些统计量交给 agent，它会给四组写出同一段总结，可画出来是四种形状：一条直线、一条曲线、一个离群点、一个点撑起的相关。2017 年 Autodesk 的研究者把这个例子推到极致，从一组画出来是恐龙的数据出发，生成了十几组统计量相同、形状各异的数据。他们的结论是：永远不要只信摘要，一定要把数据画出来。³

所以我的回答是：固定仪表板会退场，可视化不会。

图会留下来，只是变成 agent 按需画出的证据

工具已经往这个方向走。Posit 2026 年 6 月给 querychat 加了画图功能：问题更适合用图回答时，LLM 生成一段图形查询，图直接出现在对话里，同一张图也交给 LLM 解读；每个工具都只执行 SQL，查询语句看得见、能复现。⁴

也别把时间表想得太近。Gartner 2021 年预测，到 2025 年数据故事会成为最主要的分析消费方式，75% 由机器自动生成。⁵2026 年的 Brilliant Earth 仍然给 100 多名用户保留了仪表板；Mueller 也说，人都有习惯，新工具得让人觉得确实更好。¹

对做数据的人，先把数算对，再谈谁来讲

• 把指标口径和计算放在代码里，先校验，再交给任何 agent；Snowflake 的 Sem Sergunin 说得直接，在没整理好的数据上跑 agent，只会把混乱放大。¹
• agent 的每个结论都附上查询语句，能回到原数。
• 结论依赖分布、趋势或离群点时，让 agent 把图画出来，而不是只给一句话。
• 每天都要盯的少数指标，固定仪表板仍然最快，不必急着拆。