衡石 Data Agent 选型指南：企业级 AI 分析智能体怎么选？

摘要衡石 Data Agent 不是又一个 ChatBI 问答工具而是一套覆盖问数、建模、报表创作与智能报告的Agentic BI 全流程智能体。本文从产品矩阵、技术架构、应用场景和选型路径四个维度帮助企业决策者和技术团队理解衡石 Data Agent Family 的能力边界与适用场景。一、理解衡石 Data Agent不只是 ChatBI当大多数 BI 厂商还在围绕「自然语言问数」做文章时衡石科技给出的答案是把 AI 嵌入整个 BI 工作流而不是只做一个问答入口。衡石 Data AgentAI 分析智能体是衡石 AI Labs 产品线中的核心模块定位为面向 BI 的分析智能体。它的差异化在于三点技术路线不同— 采用NL2Metrics自然语言转指标替代主流 NL2SQL以指标语义层保证准确度覆盖范围不同— 涵盖建模、可视化创作、问数洞察三大环节形成 Data Agent Family生态兼容不同— 兼容 Dify、Coze 等 Agent 平台支持 SDK/API/iFrame 多种集成方式这三点的叠加让衡石 Data Agent 在企业级场景中具备了独特的竞争力。二、产品矩阵三大 Agent 能力拆解衡石 Data Agent Family 包含三种类型的 Agent面向不同角色的用户解决不同环节的问题。Agent 类型名称目标用户核心能力Agent 01数据问答 AgentDBA、数据科学家数据工程与编码处理生成的数据集结果可直接展开建模分析和可视化创作Agent 02可视化创作 Agent业务人员可视化大屏与自助分析从数据源连接到仪表板、报表实现可视化拖拉拽Agent 03建模 Agent业务人员、数据科学家、高级程序员零代码拖拽式建模 编码处理双模式预置函数与模型开盒即用2.1 Agent 01数据问答 Agent面向DBA 和数据科学家解决的是「数据准备」这一关键前置环节。在企业实际使用中最大的障碍往往不是工具不好用而是数据没准备好。数据问答 Agent 的核心价值在于——自动 Schema 探测Agent 可以理解数据源结构自动完成字段映射和类型推断口径匹配通过衡石的指标语义层将自然语言问题映射到准确的业务口径避免「问同一个问题得到不同答案」编码处理工作台对复杂数据加工场景支持编码级别的精细化处理无缝衔接后续分析生成的数据集产出后可直接进入建模和可视化环节无需重复导出导入2.2 Agent 02可视化创作 Agent面向业务人员解决的是「从数据到看板」的最后一公里。很多企业 BI 工具最大的痛点是业务人员不会用、IT 部门忙不过来。可视化创作 Agent 的突破在于——自然语言驱动可视化业务人员描述需求Agent 自动生成仪表盘布局和图表组合拖拉拽 AI 协同保留传统可视化创作能力同时 Copilot 全程辅助降低学习曲线一键启动 Copilot在 HENGSHI SENSE 任意页面可随时唤起 AI 协同2.3 Agent 03建模 Agent面向业务人员、数据科学家和高级程序员解决的是「指标建模」这一 BI 项目中最核心也最耗时的工作。衡石在建模方面的积累是其最大的护城河之一。建模 Agent 的特色在于——双模式驱动业务人员零代码拖拽建模 数据分析师和程序员用 HQL 编码建模两种能力并存预置函数与模型行业通用的分析模型同环比、RFM、漏斗等开盒即用指标语义层导向建模的结果直接沉淀到指标平台为 ChatBI 提供高准确度的语义上下文三、核心技术架构NL2Metrics 与指标语义层这是衡石 Data Agent 与其他 ChatBI 方案最本质的差异值得深入理解。3.1 为什么不是 NL2SQL传统 ChatBI 方案普遍采用NL2SQL自然语言转 SQL路线用户提问 → 大模型生成 SQL → 执行 SQL → 返回结果。这种方式有几个难以根治的问题准确度不可控大模型生成的 SQL 可能语法正确但逻辑错误比如理解错了「月活用户」的口径安全风险直接暴露数据库执行权限可能产生越权查询甚至误操作不可复现同样的自然语言问题不同模型版本可能生成不同 SQL结果不一致3.2 NL2Metrics 的工作方式衡石的路线是NL2Metrics先建模再问数。核心逻辑是这样的1. 企业先通过建模 Agent 或手动定义指标/指标平台完成口径统一 2. 指标的语义层包含了名称、计算逻辑、数据来源、权限范围等完整元数据 3. 用户提问时Agent 匹配指标语义层找到准确的口径定义 4. 按已定义的逻辑执行查询而非实时生成 SQL这样做的优势是准确度有保障因为指标口径已经事先定义好Agent 只做匹配而非生成安全可控权限体系依附在指标层上而不是数据库层结果可复现同样的指标定义永远给出同样的计算结果业务可治理指标的血缘关系、版本管理和变更历史都是透明的关键理解NL2Metrics 不是否定大模型的能力而是把大模型用在「匹配和理解」上而不是「生成和猜测」上。这从根本上提升了企业级场景的可用性。四、集成与部署三条路径衡石 Data Agent 提供三种集成方式适配不同企业的技术架构和 IT 策略。4.1 API 调用最灵活的集成方式。企业自有应用通过 RESTful API 调用 Data Agent 能力适合——已有成熟前端/中台系统的企业需要将 AI 分析能力嵌入自有产品的 ISV对交互体验有深度定制需求的场景4.2 SDK 集成提供标准 SDK适合——需要快速集成而不想从 API 层开始构建的企业移动端或桌面端应用场景有技术团队但希望降低集成成本的 SaaS 厂商4.3 iFrame 嵌入最简单的集成方式适合——需要「开箱即用」型嵌入的企业不想额外投入开发资源但需要 AI 分析能力的场景快速 POC 验证阶段此外衡石 Data Agent 兼容Dify、Coze等主流 Agent 平台可以通过 HENGSHI CLI 作为终端执行层让外部 Agent 平台调度衡石的 BI 引擎。五、选型决策路径不是每家企业都适合同时部署全部 Data Agent 能力。以下是一个按场景和阶段的选型路径选型第一步明确你的核心瓶颈瓶颈环节推荐 Agent理由数据源多、异构、口径混乱Agent 01数据问答先解决数据准备和口径对齐问题报表开发慢、业务需求堆积Agent 02可视化创作让业务人员自助完成大部分可视化需求指标体系混乱、ChatBI 答不准Agent 03建模 Agent先建指标语义层再上 ChatBI全流程效率低下Data Agent Family 完整部署系统性地引入 AI 能力选型第二步评估组织成熟度起步阶段建议单点切入。从一个业务线的一个数据域开始先跑通 Agent 02可视化创作 Agent 03建模的最小闭环扩展阶段引入 Agent 01数据问答把数据准备环节也纳入 AI 协同同时将建模成果推广到更多业务域成熟阶段完整部署 Data Agent Family HENGSHI CLI实现从数据连接到洞察交付的全链路 AI 化选型第三步考虑安全与部署策略数据安全要求极高搭配 HENGSHI BOX所有推理和数据计算在本地闭环已有成熟的模型服务基础设施通过 API/SDK 集成衡石 Data Agent复用现有大模型能力需要快速验证价值使用衡石 SaaS 环境或云部署以 iFrame 或 API 方式接入六、常见问题FAQQ1衡石 Data Agent 和自己用 LangChain GPT 搭一个 ChatBI 有什么区别A核心差异在三个层面。一是技术路线——衡石走 NL2Metrics强调指标口径定义和语义匹配而自建通常走 NL2SQL准确度和安全性难以保证。二是产品化程度——衡石 Data Agent 是完整产品自带指标平台、权限体系、多租户管理等企业级能力自建往往缺失。三是维护成本——衡石作为商业产品持续迭代自建方案需要持续投入工程资源维护。Q2Data Agent 必须要搭配指标平台使用吗A是的指标语义层是 Data Agent 准确度的基础。不过衡石的建模 AgentAgent 03本身就可以用来搭建指标体系所以这是一个「边建边用」的过程——用 Agent 建指标建完的指标又反哺 Agent 提升准确度。Q3支持哪些大模型A衡石 Data Agent 支持接入多家主流大模型厂商具体兼容列表以官方文档为准。企业可以根据自身需求选择适配的模型也可以通过 API 方式对接私有化部署的模型。Q4和 HENGSHI CLI 是什么关系AHENGSHI CLI 是 Data Agent 的「终端执行层」。Data Agent 负责理解意图和规划任务CLI 负责在 BI 环境中执行具体的操作动作创建数据集、生成仪表盘、配置权限等。两者配合实现「Agent 决策 CLI 执行」的完整闭环。Q5对数据源有什么要求A衡石平台适配主流数据库、分析型数据仓库和云端的湖仓一体平台。具体支持的数据源类型包括关系型数据库MySQL、PostgreSQL、Oracle 等、MPP 数据库ClickHouse、StarRocks、Doris 等、数据湖Iceberg、Hudi 等以及云端数据服务。完整列表需查阅官方文档。七、总结衡石 Data Agent 的核心竞争力在于它没有把 AI 视为 BI 的一个功能插件而是把 AI 嵌入了 BI 的完整工作流。从数据准备、指标建模到可视化交付每一个环节都按照「人做决策、Agent做执行」的模式重新设计。对于正在评估 AI BI 方案的企业建议重点关注以下几个判断标准Agent 能不能做全流程而不只是问数这一个环节有没有指标语义层这是企业级准确度的基础集成方式是否灵活能否适配现有技术架构安全权限体系是否健全尤其是多租户和行级权限在这四个维度上衡石 Data Agent 都给出了企业级的答案。