4月22日，Aloudata大應(yīng)科技自研推出的Aloudata Agent正式發(fā)布。這是一款基于NoETL明細(xì)語(yǔ)義層、以“萬(wàn)數(shù)皆可問(wèn)”為目標(biāo)的分析決策智能體，致力于讓企業(yè)通過(guò)自然語(yǔ)言即可完成查數(shù)取數(shù)、歸因診斷、數(shù)據(jù)解讀、報(bào)告生成，驅(qū)動(dòng)經(jīng)營(yíng)管理決策。

　　從企業(yè)發(fā)展歷程來(lái)看，數(shù)據(jù)分析經(jīng)歷了三個(gè)階段：傳統(tǒng) BI 階段、敏捷 BI 階段以及當(dāng)前的智能 BI 階段。在傳統(tǒng) BI 和敏捷 BI 階段，數(shù)據(jù)分析主要聚焦于讓有一定技術(shù)能力和分析技能的專業(yè)人員通過(guò)編寫(xiě) SQL 或拖拉拽等方式查看和分析數(shù)據(jù)。進(jìn)入智能 BI 階段后，依托大模型的能力，企業(yè)數(shù)據(jù)分析邁向了面向更廣泛的人群進(jìn)行主動(dòng)洞察和智能洞察的新階段。

　　隨著 DeepSeek的出現(xiàn)， 加速了大模型的平權(quán)，企業(yè)實(shí)現(xiàn)“人人都是分析師”的愿景正逐步成為可能，數(shù)據(jù)民主化進(jìn)程顯著加速。

　　企業(yè)數(shù)據(jù)分析 Agent 建設(shè)挑戰(zhàn)

　　在Aloudata看來(lái)，企業(yè)級(jí)數(shù)據(jù)分析是一個(gè)低容錯(cuò)度的場(chǎng)景，盡管大模型目前的智能化水平有了快速的提升，但實(shí)現(xiàn)企業(yè)級(jí)分析場(chǎng)景的落地還面臨著很大的挑戰(zhàn)。

　　首先是意圖理解挑戰(zhàn)。業(yè)務(wù)人員通常以口語(yǔ)化、業(yè)務(wù)化的方式表達(dá)需求，而數(shù)倉(cāng)資產(chǎn)中的數(shù)據(jù)語(yǔ)言與之存在巨大差異，導(dǎo)致大模型難以直接跨越這一鴻溝實(shí)現(xiàn)精準(zhǔn)理解。

　　其次，數(shù)據(jù)口徑一致性挑戰(zhàn)。同一問(wèn)題在不同時(shí)間或由不同業(yè)務(wù)人員提出時(shí)，可能得到差異化的結(jié)果，這種“幻覺(jué)”現(xiàn)象影響了分析結(jié)論的可靠性。

　　第三，場(chǎng)景覆蓋度挑戰(zhàn)。當(dāng)前有些企業(yè)已經(jīng)進(jìn)行了初步探索，但僅限于比較小的場(chǎng)景和有限范圍的嘗試。當(dāng)分析需求擴(kuò)展至更多業(yè)務(wù)場(chǎng)景或更大用戶群體時(shí)，企業(yè)需投入高昂成本才能維持 80% 以上的精準(zhǔn)度，場(chǎng)景覆蓋能力有待提升。

　　第四，性能優(yōu)化和成本平衡的挑戰(zhàn)。大模型本身并不擅長(zhǎng)數(shù)據(jù)查詢性能優(yōu)化，直接生成查詢 SQL 較難確保穩(wěn)定的性能輸出與成本之間的平衡。

　　第五，數(shù)據(jù)權(quán)限管控的挑戰(zhàn)。智能分析場(chǎng)景一定解決數(shù)據(jù)權(quán)限管控問(wèn)題，避免問(wèn)數(shù)時(shí)出現(xiàn)數(shù)據(jù)越權(quán)泄露。

　　企業(yè)數(shù)據(jù)分析 Agent 落地路徑

　　目前，業(yè)界探索數(shù)據(jù)分析 Agent 主要采用 NL2SQL、NL2DSL2SQL 及 NL2MQL2SQL 三種路徑。

　　第一， NL2SQL 路徑。通過(guò)自然語(yǔ)言生成查詢 SQL 來(lái)實(shí)現(xiàn)問(wèn)數(shù)，完全依賴大模型能力。此方案下，業(yè)務(wù)語(yǔ)義與數(shù)據(jù)語(yǔ)義難以對(duì)齊，問(wèn)數(shù)準(zhǔn)確率較低;同時(shí)，大模型生成的查詢 SQL 難以實(shí)現(xiàn)性能優(yōu)化;此外，由于缺乏權(quán)限管控機(jī)制，存在數(shù)據(jù)安全風(fēng)險(xiǎn)。

　　第二， NL2DSL2SQL 路徑。借助 BI 系統(tǒng)沉淀的數(shù)據(jù)集和報(bào)表作為大模型的知識(shí)庫(kù)，大模型生成 BI 查詢 DSL 再轉(zhuǎn)換成數(shù)據(jù)查詢 SQL。這種方案可以一定程度地提高問(wèn)數(shù)的準(zhǔn)確性。然而，該路徑依賴于BI 中的數(shù)據(jù)集和報(bào)表，前期準(zhǔn)備成本較高;同時(shí)受限于數(shù)據(jù)集和報(bào)表的覆蓋范圍，分析場(chǎng)景的靈活性和擴(kuò)展性不足;此外，該方案仍無(wú)法解決報(bào)表指標(biāo)口徑不一致的問(wèn)題。

　　第三， NL2MQL2SQL 路徑。這是包括Aloudata在內(nèi)的一些廠商探索的一個(gè)新方向，這種方式先由大模型將自然語(yǔ)言轉(zhuǎn)化為對(duì)指標(biāo)語(yǔ)義層的查詢請(qǐng)求(MQL，Metrics Query Language)，再由指標(biāo)平臺(tái)將指標(biāo)和維度的查詢與計(jì)算邏輯轉(zhuǎn)化為準(zhǔn)確的 SQL 查詢語(yǔ)句。其最大優(yōu)點(diǎn)在于引入指標(biāo)語(yǔ)義層，實(shí)現(xiàn)自然語(yǔ)言意圖與指標(biāo)口徑的精準(zhǔn)對(duì)齊，從而顯著提升了問(wèn)數(shù)的準(zhǔn)確性和可靠性。同時(shí)，指標(biāo)語(yǔ)義層具備查詢性能優(yōu)化能力，并支持基于指標(biāo)的權(quán)限管理，既可解決數(shù)據(jù)口徑不一致問(wèn)題，又能確保數(shù)據(jù)安全管控。

　　三種路徑的差異表明，企業(yè)數(shù)據(jù)分析 Agent 的核心競(jìng)爭(zhēng)力不在于模型或算力，而在于企業(yè)知識(shí)庫(kù)的構(gòu)建。那怎樣的企業(yè)知識(shí)庫(kù)才能實(shí)現(xiàn)更好的智能問(wèn)數(shù)效果。

　　第一種，基于報(bào)表語(yǔ)義層的知識(shí)庫(kù)雖能實(shí)現(xiàn)基礎(chǔ)語(yǔ)義映射，但受限于預(yù)定義指標(biāo)的固定性，難以支持業(yè)務(wù)人員動(dòng)態(tài)組合指標(biāo)與維度的深度分析需求，且無(wú)法解決報(bào)表間數(shù)據(jù)口徑不一致的固有缺陷，因此難以滿足智能洞察場(chǎng)景的靈活性與準(zhǔn)確性要求。

　　第二種，基于寬表模型構(gòu)建的語(yǔ)義層仍存在顯著局限：其一，分析靈活性受限于寬表已固化加工的指標(biāo)與維度組合，業(yè)務(wù)人員無(wú)法突破預(yù)定義的模型框架自由組合;其二，寬表模型存在指標(biāo)冗余定義，同一指標(biāo)(如銷售額)在不同寬表中可能按會(huì)員、商品等不同維度重復(fù)構(gòu)建，大模型在多指標(biāo)場(chǎng)景下會(huì)召回存在口徑?jīng)_突的結(jié)果。

　　因此，理想的企業(yè)語(yǔ)義知識(shí)庫(kù)應(yīng)該是基于數(shù)倉(cāng)明細(xì)數(shù)據(jù)沉淀的指標(biāo)語(yǔ)義層。

　　其一，支持從明細(xì)數(shù)據(jù)逐層聚合的彈性分析，業(yè)務(wù)人員可自由組合指標(biāo)、維度與統(tǒng)計(jì)周期，實(shí)現(xiàn)從宏觀匯總數(shù)據(jù)到明細(xì)下鉆的全場(chǎng)景覆蓋;

　　其二，知識(shí)庫(kù)維護(hù)成本顯著降低，僅需定義原子指標(biāo)和維度即可，問(wèn)數(shù)的同時(shí) Agent 可基于原子指標(biāo)動(dòng)態(tài)添加統(tǒng)計(jì)周期、篩選條件、同環(huán)比、排名等分析要素，無(wú)需預(yù)先固化所有分析路徑;

　　其三，指標(biāo)要素化設(shè)計(jì)，標(biāo)準(zhǔn)化定義，既保障了數(shù)據(jù)口徑的一致性，又賦予業(yè)務(wù)人員近乎無(wú)限的分析組合能力，從而在語(yǔ)義對(duì)齊與靈活性之間達(dá)成最優(yōu)平衡。

　　具體來(lái)看，明細(xì)級(jí)語(yǔ)義層的能力體現(xiàn)在以下方面：

　　第一，標(biāo)準(zhǔn)化指標(biāo)定義。一方面降低指標(biāo)定義門檻，零代碼界面化操作，通過(guò)業(yè)務(wù)語(yǔ)義完成指標(biāo)口徑邏輯表達(dá);另一方面在定義指標(biāo)的時(shí)候可以對(duì)指標(biāo)名稱和口徑進(jìn)行判重，確保沉淀的語(yǔ)義資產(chǎn)具有唯一性，避免歧義。

　　第二，明細(xì)級(jí)語(yǔ)義沉淀。通過(guò)明細(xì)事實(shí)表與維度表的關(guān)聯(lián)機(jī)制，可實(shí)現(xiàn)公共層數(shù)據(jù)資源的全場(chǎng)景覆蓋：任意事實(shí)與維度組合的跨表的動(dòng)態(tài)分析需求均能得到滿足。

　　第三，智能化加速路由。針對(duì)明細(xì)級(jí)指標(biāo)定義可能引發(fā)的查詢性能擔(dān)憂，NoETL 指標(biāo)平臺(tái)通過(guò)物化加速和智能路由技術(shù)，將用戶提交的明細(xì)數(shù)據(jù)查詢請(qǐng)求自動(dòng)改寫(xiě)為預(yù)計(jì)算表查詢路徑，預(yù)計(jì)算表的生成與維護(hù)過(guò)程完全由系統(tǒng)自主完成，無(wú)需人工干預(yù)。既滿足業(yè)務(wù)場(chǎng)景的靈活分析需求，又規(guī)避了明細(xì)數(shù)據(jù)查詢的性能瓶頸。

　　第四，靈活查詢時(shí)衍生。無(wú)需預(yù)定義全部指標(biāo)，僅需維護(hù)原子指標(biāo)和維度即可支撐復(fù)雜業(yè)務(wù)場(chǎng)景的靈活問(wèn)答，無(wú)需投入巨大精力構(gòu)建企業(yè)知識(shí)庫(kù)。

　　Aloudata Agent 關(guān)鍵創(chuàng)新

　　關(guān)鍵創(chuàng)新一：NL2MQL，實(shí)現(xiàn)準(zhǔn)確、靈活、快速、安全的數(shù)據(jù)問(wèn)答

　　在技術(shù)實(shí)現(xiàn)層面，采用 NL2MQL2SQL 的技術(shù)路線。首先，指標(biāo)語(yǔ)義層沉淀了最全、最豐富的指標(biāo)和維度的元數(shù)據(jù)，作為大模型的知識(shí)圖譜底座，幫助大模型提升意圖識(shí)別精準(zhǔn)度。

　　用戶查詢經(jīng)大模型語(yǔ)義解析后，將其轉(zhuǎn)換為指標(biāo)、維度及篩選條件的組合表達(dá)，并生成面向指標(biāo)平臺(tái)的 MQL，Aloudata CAN 指標(biāo)平臺(tái)的語(yǔ)義引擎將 MQL 轉(zhuǎn)換為準(zhǔn)確和可執(zhí)行的查詢 SQL，語(yǔ)義引擎內(nèi)置函數(shù)體系與 SQL 解析器，確保語(yǔ)義轉(zhuǎn)換的 100% 準(zhǔn)確性。生成的 SQL 經(jīng)智能物化加速、查詢改寫(xiě)等優(yōu)化后，由數(shù)據(jù)庫(kù)引擎執(zhí)行查詢，最終返回結(jié)果嚴(yán)格遵循指標(biāo)粒度的行級(jí)/列級(jí)數(shù)據(jù)權(quán)限控制，如客戶經(jīng)理僅能獲取其負(fù)責(zé)客戶的銷售數(shù)據(jù)。

　　關(guān)鍵創(chuàng)新二：基于 COT 和 ReACT 的多 Agent 架構(gòu)，高效解決復(fù)雜分析問(wèn)題

　　Aloudata Agent 充分利用大模型的思維鏈能力規(guī)劃查詢過(guò)程。針對(duì)復(fù)雜業(yè)務(wù)問(wèn)題，通過(guò) COT 將問(wèn)題拆解為子任務(wù)，基于 ReAct 調(diào)用各子 Agent ，結(jié)合短期記憶(會(huì)話上下文)與長(zhǎng)期記憶(含用戶歷史問(wèn)題、部門偏好術(shù)語(yǔ)、企業(yè)通用表達(dá))并行執(zhí)行。該架構(gòu)能夠?qū)��?fù)雜的問(wèn)題簡(jiǎn)單化，通過(guò)有效規(guī)避了模型幻覺(jué)問(wèn)題，支持從數(shù)據(jù)查詢到洞察生成的完整分析鏈路，各子 Agent 在協(xié)同過(guò)程中持續(xù)積累業(yè)務(wù)經(jīng)驗(yàn)，提升復(fù)雜問(wèn)題處理能力。

　　關(guān)鍵創(chuàng)新三：基于指標(biāo)語(yǔ)義層和 RAG，提升意圖識(shí)別的準(zhǔn)確性

　　通過(guò)結(jié)合指標(biāo)語(yǔ)義層和 RAG(檢索增強(qiáng)生成)，顯著提升了大模型意圖識(shí)別的準(zhǔn)確率和指標(biāo)與維度召回的精準(zhǔn)度。具體流程如下：

　　當(dāng)用戶提出問(wèn)題時(shí)，Agent 首先判斷用戶意圖，例如區(qū)分是查詢指標(biāo)口徑、獲取數(shù)據(jù)還是生成綜合分析報(bào)告。

　　隨后，通過(guò)向量檢索、ES 文本檢索以及 KV 關(guān)聯(lián)指標(biāo)檢索等多路召回技術(shù)高效檢索指標(biāo)語(yǔ)義層沉淀的指標(biāo)元數(shù)據(jù)信息、維度元數(shù)據(jù)信息、指標(biāo)血緣關(guān)系和邏輯模型關(guān)聯(lián)關(guān)系，確保指標(biāo)與維度的精準(zhǔn)召回。

　　在檢索到相關(guān)指標(biāo)和維度后，Agent 會(huì)進(jìn)行二次選擇，確保精準(zhǔn)定位用戶需求。根據(jù)問(wèn)題的復(fù)雜度，可能生成一個(gè)或多個(gè) MQL(Metrics Query Language)查詢。隨后，Aloudata CAN 指標(biāo)平臺(tái)語(yǔ)義引擎將 MQL 自動(dòng)轉(zhuǎn)換為底層 MPP 引擎可執(zhí)行的 SQL，返回查詢結(jié)果，再由 Agent 將查詢結(jié)果生成符合用戶意圖的回答(如指標(biāo)口徑、指標(biāo)值、圖表或分析報(bào)告)返回給用戶。

　　關(guān)鍵創(chuàng)新四：以指標(biāo)為中心高階分析能力集成，促進(jìn)更深度的分析洞見(jiàn)

　　第一，智能指標(biāo)關(guān)鍵維度挖掘�；�于既有維度和歷史指標(biāo)查詢行為，自動(dòng)識(shí)別關(guān)鍵分析維度。由于數(shù)據(jù)表中字段眾多，但并非每個(gè)字段都具有相同的分析權(quán)重，所以 NoETL 指標(biāo)平臺(tái)會(huì)捕捉記憶常用查詢維度，如產(chǎn)品、區(qū)域、客戶群等。通過(guò)挖掘關(guān)鍵維度，在用戶詢問(wèn)如銷售額時(shí)，能夠結(jié)合熱門維度呈現(xiàn)和歸納。

　　第二，智能指標(biāo)關(guān)聯(lián)因子挖掘。在 NoETL 指標(biāo)平臺(tái)中已經(jīng)沉淀了指標(biāo)的血緣關(guān)系�？汕逦�識(shí)別指標(biāo)間的層級(jí)關(guān)聯(lián)與依賴關(guān)系。例如，將多組指標(biāo)進(jìn)行組合分析時(shí)，可發(fā)現(xiàn)指標(biāo)間存在的關(guān)聯(lián)關(guān)系和因子關(guān)系。基于指標(biāo)血緣與查詢行為的分析，可為深度洞察業(yè)務(wù)現(xiàn)象及分析問(wèn)題根因提供數(shù)據(jù)支撐。

　　Aloudata Agent 產(chǎn)品能力

　　從產(chǎn)品架構(gòu)層面，Aloudata 智能數(shù)據(jù)分析方案包含兩層能力。

　　第一層為指標(biāo)語(yǔ)義層(Aloudata CAN 指標(biāo)平臺(tái))，作為企業(yè)級(jí)知識(shí)庫(kù)承擔(dān) DWD 層模型接入與語(yǔ)義建模的職能：直接對(duì)接明細(xì)數(shù)據(jù)，基于星型模型、雪花模型等構(gòu)建語(yǔ)義模型，生成虛擬大寬表;建立標(biāo)準(zhǔn)化指標(biāo)管理體系，形成可復(fù)用的知識(shí)資產(chǎn)庫(kù)。

　　往上， Aloudata Agent 這一層，開(kāi)放對(duì)接各種大模型(千問(wèn)、DeepSeek 、GPT 等)。通過(guò)標(biāo)準(zhǔn)化接口與協(xié)議適配，實(shí)現(xiàn)多模型能力統(tǒng)一調(diào)用，利用大模型在自然語(yǔ)言理解、任務(wù)規(guī)劃及工具鏈編排方面的優(yōu)勢(shì)，完成用戶意圖理解、復(fù)雜任務(wù)拆解及工具調(diào)用。該層已沉淀四大核心能力模塊：自然語(yǔ)言的智能問(wèn)數(shù)、智能歸因、智能的數(shù)據(jù)解讀和智能的報(bào)告生成。

　　基于上述能力體系，未來(lái)Aloudata也會(huì)進(jìn)一步圍繞著企業(yè)的應(yīng)用場(chǎng)景打磨子 Agent。例如：針對(duì)經(jīng)營(yíng)分析場(chǎng)景的 Agent，針對(duì)門店管理的 Agent 以及針對(duì)風(fēng)控需求的風(fēng)險(xiǎn)預(yù)警 Agent。

　　Aloudata Agent 產(chǎn)品特性

　　一是分析過(guò)程透明化，向用戶完整呈現(xiàn)數(shù)據(jù)處理邏輯;二是指標(biāo)口徑可追溯，所有指標(biāo)均附帶定義口徑說(shuō)明，確保不同業(yè)務(wù)角色對(duì)同一指標(biāo)的認(rèn)知統(tǒng)一;三是交互式引導(dǎo)與追問(wèn)，在分析過(guò)程中嵌入交互式的引導(dǎo)與追問(wèn)功能，提升操作便捷性;四是用戶可理解可干預(yù)，用戶可直接對(duì)大模型返回的初始結(jié)果進(jìn)行修正，支持時(shí)間維度擴(kuò)展(如將“本月至今”調(diào)整為“全年”)、指標(biāo)切換等界面操作，無(wú)需重新輸入查詢條件。

　　總結(jié)與展望

　　總結(jié)一下，Aloudata Agent 依托企業(yè)明細(xì)級(jí)指標(biāo)語(yǔ)義層知識(shí)庫(kù)及大模型能力，形成五大核心優(yōu)勢(shì)：

　　第一是準(zhǔn)確，基于 NL2MQL2SQL 的路徑，解決業(yè)務(wù)語(yǔ)言與數(shù)據(jù)語(yǔ)言間的語(yǔ)義鴻溝，提升意圖識(shí)別精度，實(shí)現(xiàn) SQL 翻譯零誤差。

　　第二是全面，基于明細(xì)指標(biāo)語(yǔ)義層，支持用戶通過(guò)多維度、多指標(biāo)組合篩選生成派生或衍生指標(biāo)，以維護(hù)有限知識(shí)庫(kù)覆蓋多樣化業(yè)務(wù)場(chǎng)景。

　　第三是聰明，采用 COT 與 ReAct 架構(gòu)，將復(fù)雜分析問(wèn)題拆解為可執(zhí)行子任務(wù)，增強(qiáng)復(fù)雜問(wèn)題處理能力。

　　第四是友好，提供交互式引導(dǎo)功能，支持引用、跳轉(zhuǎn)、下鉆等操作，優(yōu)化用戶體驗(yàn)。

　　第五是安全，通過(guò)指標(biāo)語(yǔ)義層行級(jí)/列級(jí)權(quán)限控制，確保數(shù)據(jù)訪問(wèn)嚴(yán)格遵循企業(yè)安全策略，杜絕數(shù)據(jù)越權(quán)風(fēng)險(xiǎn)。

　　展望未來(lái)，Aloudata Agent 的核心發(fā)展方向是打破數(shù)據(jù)分析場(chǎng)景限制，將其能力深度嵌入企業(yè)業(yè)務(wù)流程中。為此，Aloudata計(jì)劃于今年下半年推出 Aloudata Agent 的 MCP(模型上下文協(xié)議)，通過(guò)開(kāi)放 MCP 助力企業(yè)快速基于自身業(yè)務(wù)場(chǎng)景構(gòu)建 AI 應(yīng)用生態(tài)，例如策略優(yōu)化 AI、商品管理 AI、風(fēng)險(xiǎn)控制 AI 等場(chǎng)景應(yīng)用。同時(shí)，將持續(xù)優(yōu)化 Aloudata Agent 的基礎(chǔ)能力：強(qiáng)化異常診斷功能;增強(qiáng)分析報(bào)告可視化效果等。

　　作為產(chǎn)品首秀，即日起開(kāi)放產(chǎn)品體驗(yàn)通道，訪問(wèn)Aloudata大應(yīng)科技官網(wǎng)即可預(yù)約咨詢與試用。