01部署位置与代理任务
据AWS机器学习博客2026年11月4日文章，Indegene Limited是生命科学行业的战略运营伙伴，其在AWS上的NEXT Unified Data Platform（NEXT UDP）中构建了生产级、大语言模型（LLM）驱动的Data Quality Agent。文章说明，这个代理用于生成和验证数据质量规则，并产出可直接运行的代码；治理方式为集中式、有人工参与审核。LLM在这里承担生成规则和代码的任务，代理的输出包括SQL和Python两种可执行代码。612
02规模化难点与基础校验边界
文章将企业数据质量难以规模化的原因归结为手工创建数据质量规则、治理碎片化和业务定义不断变化。文章指出，空值、数据类型、唯一性和引用完整性等检查仍然必要，但无法捕捉业务特定上下文。也就是说，基础校验能确认数据在结构上是否合格，却不足以判断数据在具体业务场景中是否合理。文章对代理的定位是生成结合上下文的数据质量规则，背景正是基础校验覆盖不了业务特定上下文。34
03产出、目标与未披露信息
在产出上，代理会生成规则、验证规则，并在集中式人工参与审核的治理下给出可直接运行的SQL和Python代码。博客称，这些能力帮助组织在企业级规模改善数据质量，同时减少构建和维护数据质量项目所需的工作量。这是该博客对方案目标的表述，文章没有给出独立验证结果。文章将部署描述为生产级，并把代理放在NEXT UDP内；但在提供的文章内容中，没有给出客户部署数量、规则准确率或运行性能数字。251
原文摘录
文中的小数字对应下面的英文原句，点句子或“原文 ↗”可打开英文原文。
1
This post explores how Indegene built a production-grade, large language model (LLM) powered Data Quality Agent within its NEXT Unified Data Platform (NEXT UDP) on AWS.原文 ↗
2
The agent generates context-aware data quality rules, validates them, and produces ready-to-run SQL and Python code under centralized, human-in-the-loop governance.原文 ↗
3
Manual data quality rule creation, fragmented governance, and evolving business definitions make it challenging to scale data quality across the enterprise.原文 ↗
4
Checks for null values, data types, uniqueness, or referential integrity remain essential, but they can’t capture business-specific context.原文 ↗
来源：AWS 机器学习博客 ↗ · 数字均为来源方口径，未经我们独立验证