Jedify 正式推出 Data Agents，業務團隊只需要用普通語言描述想做到嘅嘢，就可以自建會自動運行嘅 AI 分析員。產品已於 10 月 28 日上線，透過 Agents Hub 免費使用。
企業 AI context startup Jedify 於 10 月 28 日正式推出 Data Agents，讓業務團隊用普通語言（plain language）描述想處理嘅工作，即可建立自主運行嘅 AI 分析員（autonomous AI analyst）。產品現已透過 Jedify 嘅 Agents Hub 提供，公司可免費開始使用。
呢個產品針對嘅係傳統 BI（商業智能）軟件嘅一個老毛病：分析員要預先按「估到有人會問嘅問題」去砌 dashboard，而通用 AI 助手喺處理結構化數據時，往往要靠猜去理解企業嘅指標定義與表結構（schema）。Jedify 嘅做法係先有一張「context graph」，將結構化數據同文件整合入一個統一嘅業務模型，包含指標定義（metric definitions）至記錄級別權限（record-level permissions）。Data Agents 就建喺呢個圖之上，因為關聯（joins）同 schema mapping 已經喺圖入面預先處理好，所以建立一個 agent 只需要描述問題。
運行方式同成本
用户可以自行決定 agent 幾時運行：即問即答、按排程（schedule），或者當用户定義嘅某個條件被觸發時自動啟動。Jedify 舉例話，某個市場開始表現轉差，呢類異常（anomaly）正係 agent 應該自動攬住嘅嘢，屆時 Jedify 嘅「deep research engine」會自動分析最可能嘅驅動因素。
喺成本方面，Jedify 聲稱其 agent 每次提問消耗嘅 token 數量遠低於需要喺查詢時即時探索 raw schema 嘅 agent。呢個係廠商嘅自我聲稱，目前冇獨立第三方數據證實。
權限跟隨用户，唔跟隨數據源
Data Agents 嘅數據存取與提問者綁定：任何該用户無權查看嘅內容，即使只係表中嘅單一列（row），都會被排除喺 agent 結果之外。
MCP 整合，唔限於 Jedify 平台
團隊可以喺 Jedify 自有介面之外同 agents 協作。根據 Model Context Protocol（MCP，一套讓 LLM 同外部工具互聯嘅標準協議），每個 agent 都作為一個工具，可被 Claude、ChatGPT、Slack 或公司自運嘅任何 agent 平台呼叫。結果可直接推送至 email 或 Slack。
目標用户
Jedify 將產品定位於數據團隊同佢哋所支持嘅業務人員，主張一直重複處理同一 dashboard 請求嘅分析員可以將呢類工作交予 agent。財務、收入運作（revenue operations）同銷售團隊嘅人員可以自行設定自己嘅 agents。
一個已使用嘅客户
線上賭場遊戲開發商 RubyPlay 已開始使用 Data Agents。佢哋嘅團隊設定咗一個 agent 並排程每日運行，報告現在自動送達，唔使人手問取。RubyPlay 數據及商業應用副總裁 Avi Baruch 話：
「佢甚至主動通知我哋，有啲目標市場仲未覆蓋，呢件事令我哋知道佢係喺推理（reasoning through the task），而唔係單純跑腳本。」
Jedify 聯合創辦人兼 CTO Adi Elimelech 表示，企業分析正「由回答問題（answering questions）轉向做有意義嘅工作（doing meaningful work）」，目標係讓團隊建立一套「分析勞動力（an analytical workforce）」，對應佢哋業務嘅實際運作方式，並可從員工已使用嘅工具直接存取。
Jedify 係由風險資本支持嘅 startup，累計融資超過 3,300 萬美元，包括 6 月由 Norwest 領投嘅 2,400 萬美元 A 輪。
阿調搞兩下
呢個嘢有啲意思，唔係因為「AI 分析員」三個字，而係因為佢將 schema mapping 呢個最麻煩嘅部分前置咗。通用 AI 助手好耐都有呢個問題：你問佢「上季毛利點樣」，佢先要去猜邊張表係什麼意思、哪個欄位同哪個欄位有關係，呢個過程消耗大量 token，而且好容易猜錯。Jedify 話佢將呢個步驟搬入 context graph，所以 token 消耗低。但呢個係佢自己講，冇獨立跑過嘅數字，所以呢度要留個心眼——廠商聲稱同已驗證結果係兩回事。
另外，MCP 呢個位好關鍵。唔好以為呢個 agent 只可以喺 Jedify 平台入面用，佢可以接入 Claude、ChatGPT、Slack，呢個代表佢唔係封閉生態，而係將自己當作一個可被任何 MCP 兼容平台呼叫嘅工具。對已經用緊其他 LLM 工具嘅團隊嚟講，呢個係一個唔小嘅降低摩擦點。
RubyPlay 嘅案例好，但要注意：單一個客户、單一句引述，唔構成廣泛驗證。呢個產品有冇喺其他行業、其他數據規模下表現一致，仲要睇。
阿調｜深度調教
