项目初衷

项目背景AGI-吉尔伽美什是一个面向大数据工程和图计算场景的 TUI agent原型。它的核心不是“让用户学 Spark”，而是把 Spark、数据处理、图计算、向量知识库、任务编排这些能力沉到系统基建里，让用户用自然语言描述问题，系统自动判断要不要进入数据任务模式，并把任务拆解、执行、诊断和...

字数: 891 | 语雀原文

项目背景

AGI-吉尔伽美什是一个面向大数据工程和图计算场景的 TUI agent原型。它的核心不是“让用户学 Spark”，而是把 Spark、数据处理、图计算、向量知识库、任务编排这些能力沉到系统基建里，让用户用自然语言描述问题，系统自动判断要不要进入数据任务模式，并把任务拆解、执行、诊断和产物管理串起来。

使用人群

主要面向这些人：

数据工程师：做 ETL、数据清洗、质量检查、特征工程、表分析。
算法工程师：准备训练数据、构建特征、做样本处理。
风控 / 推荐 / 增长分析人员：需要分析用户、设备、交易、行为之间的关系网络。
数据平台团队：想做一个自然语言驱动的数据工程入口。
AI Agent / Data Infra 团队：想验证“自然语言到 Spark Job”的操作系统式产品形态。它不是给完全没有数据背景的普通用户用的，而是给“懂业务、懂数据目标，但不想每次都手写 Spark 任务和排查执行细节”的人用。

解决的痛点

传统大数据任务有几个典型痛点：

用户要把业务问题翻译成 SQL、PySpark、ETL DAG、质量规则、调度配置，链路很长。
Spark 对很多人来说门槛高，用户需要理解分区、shuffle、join、倾斜、执行资源。
数据任务不是一次性问答，而是多阶段过程：规划、生成、执行、观察、诊断、修复。
图计算、训练数据处理、向量知识库构建这些能力通常分散在不同工具里。
很多平台是后台管理系统风格，信息密度低，操作慢，不适合工程师长时间工作。

为什么用 TUI

因为目标用户是工程师和数据平台人员，TUI 比 Web 后台更适合这个产品形态。

原因有几个：

工程师天然在终端里工作数据工程师经常操作 Git、脚本、Spark、日志、集群命令。TUI 不打断工作流。
适合长时间运行任务 Spark / ETL / 图计算不是秒回任务。TUI 很适合持续显示流式日志、步骤状态、Agent 执行过程。
信息密度高相比 Web 后台，TUI 可以更紧凑地展示对话、计划、执行状态、产物路径、诊断信息。
更像 AI Coding Agent 这个项目要表达的是“现代 AI Agent 工作台”，不是传统数据平台管理后台。Codex CLI、Claude Code、Gemini CLI 这类体验更贴近目标方向。
键盘优先，操作快用户可以快速输入 query、引用文件、查看产物、切换任务，不需要大量鼠标点击。一句话总结：

AGI-吉尔伽美什想做的是“数据工程领域的 Codex CLI”：用户不直接操作 Spark，而是通过一个 TUI Agent，把自然语言问题转成可执行、可诊断、可追踪的大数据和图计算任务。