一个做数据开发的朋友，最近给我发了一张截图。
截图不是报错日志，也不是 SQL 执行计划，而是他的浏览器收藏夹。里面有提示词教程、Agent 框架、RAG 实战、向量数据库、AI 工作流平台、Text-to-SQL、企业知识库，还有几个“数据人转 AI”的训练营页面。
他说：“我不是不学。我是越学越不知道自己到底要学到哪一步。”
这句话很真实。
现在很多数据从业者学习 AI，像在一个灯火通明的夜市里走路。每个摊位都很热闹，每个摊主都说自己这里是入口。你站在中间，手里拿着十几个链接，最后反而不知道第一步该往哪儿迈。
问题不在于资料太少。
问题在于我们习惯把 AI 能力理解成工具清单：会不会写提示词，会不会调 API，会不会搭一个 RAG Demo，会不会用某个 Agent 框架。
这些当然有用，但它们只是外层。
对数据从业者来说，AI 能力真正该长成一张地图。它不是从 SQL 一步跳到大模型，也不是从报表一步跳到“AI 工程师”。它更像一条从公司日常数据工作里长出来的路：先能把数据说清楚，再能让 AI 帮自己做事，然后参与智能应用建设，最后负责这个应用的可靠性、边界和结果。
换句话说，数据从业者的 AI 升级，不是换一个更时髦的岗位名字。
它是从“我能把数取出来”，走向“我能让数据进入智能系统，并且让这个系统可控、可信、可用”。
先把地图画出来：五层能力，不是一堆工具
如果只用一句话概括这张地图，我会这么说：
数据从业者的 AI 能力，可以分成五层。
第一层，数据基本功。包括 SQL、指标口径、数据建模、任务调度、质量监控、权限和血缘。这些东西听起来不新，但 AI 进入企业后，最先暴露的往往就是这些旧账。
第二层，个人 AI 工作流。把 AI 用进自己的日常工作，比如辅助写 SQL、拆需求、整理访谈、检查文档、生成分析初稿。目标不是炫技，而是把重复动作降下来，把注意力留给判断。
第三层，可信数据供给。把原来只给人看的数据，整理成 AI 也能使用的供给：指标契约、语义层、数据说明、样例问题、可追溯来源和质量边界。
第四层，智能应用建设。参与 AI 问数、经营助手、知识检索、异常归因、客服辅助、风控提示这类应用的设计。你不一定要从零训练模型，但要懂场景、数据、检索、查询、答案生成、人工反馈和效果评估之间的关系。
第五层，治理与责任边界。AI 应用一旦进入真实业务，就会遇到权限、审计、解释、监控、错误纠正和责任归属。越到后面，这一层越决定系统能不能长期活下去。
这五层里，越往上越接近业务结果，越往下越接近数据地基。
很多人的焦虑，是跳层造成的。
数据底座还没理清，就急着学 Agent 编排；个人工作流还没用顺，就急着做企业应用；问数 Demo 还没评估，就急着接生产库。这样学，当然会乱。
一张地图的价值，不在于让你一次走完，而在于告诉你：你现在在哪一层，下一层是什么，以及哪些路暂时不用走。
第一层：数据基本功不是旧能力，而是 AI 的地基
很多人一提 AI，就觉得 SQL、数仓、指标、权限这些东西“旧了”。
我反而觉得，这些旧能力正在重新变贵。
原因很简单：AI 应用一旦进入企业，就不是在互联网上随便聊天，而是在公司的真实数据里回答问题、生成建议、触发动作。它要查的是订单、客户、库存、合同、客服记录、营销活动、财务口径、经营指标。
这些东西如果本来就乱，AI 只会更快地把混乱展示出来。
一个 AI 问数系统回答错了，不一定是模型不聪明，可能是“有效订单”本来就有两套口径。一个经营助手给出错误建议，不一定是提示词写得差，可能是数据延迟了两个小时。一个客服知识库答非所问，不一定是 RAG 架构不行，可能是知识源没人负责、版本没人更新。
所以第一层能力，不是“低级能力”。
它是所有智能应用的地基。
这一层至少要能回答六个问题：
- 核心指标从哪些表来？
- 指标口径是谁确认的？
- 数据更新频率和延迟是多少？
- 哪些字段有质量风险？
- 哪些人可以访问哪些数据？
- 答案出错后能不能追到来源？
如果这六个问题答不清，先别急着说自己要转 AI。
你真正该做的是把当前业务里最常用的 5 个指标、3 张核心表、10 个高频问题整理出来。它们比你收藏 20 个 Agent 框架更值钱。
第二层：个人 AI 工作流，练的是表达和审稿
第二层，是把 AI 用进自己的工作。
这一层很适合个人先练，不用等公司立项，也不用等老板批准。
你可以让 AI 帮你做很多事：
- 把一句模糊需求拆成澄清问题；
- 根据表结构生成 SQL 初稿；
- 解释一段旧 SQL 的业务含义；
- 把需求访谈整理成字段清单；
- 给分析报告补一版结构；
- 检查指标口径说明里哪些地方容易误解；
- 把一次项目复盘改成能放进简历的表达。
但这里有个很重要的边界：AI 可以帮你起草，不能替你判断。
很多人用了 AI 以后，工作流只是变成“复制需求，粘贴给模型，复制输出，发给别人”。这不是升级，只是换了一种偷懒方式。短期看很爽，长期看会削弱自己的判断肌肉。
个人 AI 工作流真正训练的，不是“会不会写提示词”。
它训练的是两种能力。
第一，表达能力。你能不能把问题说清楚：背景是什么，数据范围是什么，字段含义是什么，输出格式是什么，判断标准是什么。
第二，审稿能力。AI 给你一段 SQL、一份报告、一组建议，你能不能看出哪里是事实、哪里是假设、哪里缺证据、哪里可能误导业务。
表达和审稿，才是这一层的核心。
你可以给自己定一个小规则：每次让 AI 参与数据工作，都留下两份东西。
一份是你的输入，看看自己有没有把问题讲清楚。
一份是你对 AI 输出的修改记录，看看你到底在哪些地方比模型更懂业务。
这两份东西积累多了，你会发现自己的 AI 能力不是“会用工具”，而是“能让工具在正确边界内帮你”。
第三层：可信数据供给，让 AI 不再靠猜
很多公司做 AI 问数，第一反应是“把数据库接上”。
这一步听起来很自然，实际非常危险。
数据库里有表，不代表 AI 能理解业务。表名叫 dwd_order_detail，字段叫 pay_amt，人类老员工可能知道它的坑：预售尾款怎么算，退款什么时候扣，异常订单是否排除，历史分区有没有回刷。但模型不知道。
