F1车队如何用智能体AI将数据接入时间从8周压缩至40分钟

Formula 1每两周举办一场比赛，粉丝互动窗口以分钟计算，商业决策必须跟上赛道节奏。其营销技术平台Customer 360负责整合票务合作伙伴、流媒体服务、赞助商激活、社交媒体和周边商品等多个触点的数据，为个性化推送、用户分层和商业策略提供支撑。然而，平台的数据接入流程极度依赖人工，每个新数据源都需要工程师从头编写模式映射、构建摄取管道并配置治理策略，单次耗时高达6至8周，积压的集成需求一度长达18个月。

F1数据运营负责人Matt Kemp指出，手动接入数据源不仅耗时，还会产生方案差异，最终导致数据完整性问题。与此同时，上游数据提供商频繁在未提前通知的情况下修改字段名称、新增列或重构数据结构，这些变化往往在比赛周末或关键营销活动期间突然出现，给运营团队带来极大压力。此外，平台的可观测性也严重碎片化，日志分散在各个服务中，工程师在排查问题时需要手动追溯Amazon S3路径、Redshift控制表、Airflow日志和DBT输出，耗费大量时间。

为解决上述痛点，F1与AWS共同构建了Data Accelerator。该系统的核心是一套基于Amazon Bedrock AgentCore Runtime的平台智能体，能够读取包含数据源基本信息的业务需求文档，自动生成完整的生产就绪接入管道，涵盖基础设施代码、数据转换逻辑、治理策略和GDPR分类标注，全程无需工程师手写任何样板代码。整个流程分为两个阶段：第一阶段由智能体生成配置文件并通过GitHub App提交Pull Request；第二阶段在工程师审批后，智能体分别生成AWS Glue应用代码、DBT转换框架和治理策略的三个独立PR，并通过Jira实现全程可追溯。

GDPR合规分类是Data Accelerator区别于普通代码生成器的关键能力。智能体会主动分析每一个数据列，判断其是否包含个人数据、敏感个人数据或假名化数据，并打上相应的GDPR分类标签，直接发布至SageMaker Unified Studio的治理注册表，合规团队无需再进行人工审核。系统采用模块化技能架构，单一智能体通过独立封装的技能模块分别处理模式映射、数据质量验证、治理执行和敏感数据分类，在运行时根据输入需求动态调用相应能力，兼顾灵活性与可维护性。

在可观测性方面，Data Accelerator构建了统一的端到端视图，将数据血缘、根因分析和智能体操作记录整合在单一界面中，彻底告别了过去依赖分散告警仪表盘的局面。F1 IT总监Chris Roberts表示，这是平台首次实现跨整个MarTech平台的端到端可见性，工程师可以直接定位问题根源而非在海量告警中逐一排查。系统还具备自动识别生产环境异常并通过代码变更进行修复的能力，进一步降低了人工干预的频率，让数据运营团队得以将精力集中在更高价值的工作上。

Data Accelerator的落地效果显著：数据源接入时间从最长8周压缩至约40分钟代码生成加数小时部署，原本积压18个月的集成需求得到根本性缓解。通过Amazon SageMaker Unified Studio提供的统一数据访问入口，分析师、工程师和数据科学家得以在同一平台上协作，打破了此前的信息孤岛。这一案例展示了智能体AI在企业级数据工程场景中的实际价值：不仅提升了效率，更通过标准化流程和自动化治理从根本上改善了数据质量与合规水平。

要点

• F1与AWS合作的Data Accelerator将数据源接入时间从6至8周压缩至约40分钟代码生成，解决了长达18个月的积压需求。
• 系统基于Amazon Bedrock AgentCore构建，智能体可自动生成基础设施代码、DBT转换逻辑和GDPR分类标注，全程无需手写样板代码。
• 自动化模式演化检测能力使平台可在上游数据结构发生变化时主动识别并修复异常，避免比赛周末或关键活动期间的数据中断。
• 统一的端到端可观测性视图整合了数据血缘与根因分析，将工程师的问题排查时间从数小时缩短至可直接定位。
• 模块化智能体架构兼顾灵活性与可维护性，为分析师、工程师和数据科学家提供了统一的协作入口。