衡石 AI Agent 技术体系全景：从单点智能到多 Agent 协作

摘要衡石科技的 AI 战略不是做一个 ChatBot 或一个 Copilot 功能而是围绕「AI Agent」构建了一套完整的技术体系——从底层的 CLI 执行层到中层的 Agent 运营基座再到上层的多 Agent 分析智能体。本文全景式拆解这套体系帮助技术决策者理解衡石 AI Agent 的架构逻辑、产品矩阵和集成策略。一、衡石的 AI 战略Agent-first不是 AI-feature在 AIBI 的浪潮中大多数 BI 厂商的做法是在现有产品上加一个「AI 助手」按钮让用户可以问数、生成图表。这是AI 作为功能插件的思路。衡石的做法不同。它的核心假设是未来的 BI 不是人类在图形界面里操作而是 AI Agent 在后台自动化执行。基于这个假设衡石的 AI 投入不是「加一个 AI 功能」而是「重新设计一套面向 Agent 的操作系统」。这个假设是否成立还有待市场验证但它决定了衡石 AI 产品线的一个关键特征Agent 是一等公民不是人类的辅助工具。二、四层架构从操作到运营衡石 AI Agent 体系可以抽象为四层┌─────────────────────────────────────────┐ │ AI 分析智能体Data Agent │ ← 应用层 │ 建模Agent | 可视化Agent | 问数Agent │ ├─────────────────────────────────────────┤ │ HENGSHI JARVIS运营基座 │ ← 运营层 │ 知识索引 | 工作流编排 | 质量度量 │ ├─────────────────────────────────────────┤ │ HENGSHI SENSEBI 与分析平台 │ ← 能力层 │ BI PaaS | 指标管理 | 数据集成 | 报表 │ ├─────────────────────────────────────────┤ │ HENGSHI CLI HENGSHI BOX │ ← 执行层 │ 命令树 | Skills | 安全载体 │ └─────────────────────────────────────────┘2.1 执行层Agent 的「手」HENGSHI CLI 和 HENGSHI BOX 构成执行层。CLI提供 Agent 操作 BI 系统的标准接口——命令树、skills 套件、dry-run 机制BOX提供 Agent 运行的物理载体——硬件级安全隔离、本地推理、即插即用执行层解决的核心问题Agent 怎么操作 BI 系统怎么保证操作的安全性2.2 能力层Agent 的「脑」HENGSHI SENSE 平台的能力模块——BI PaaS、指标管理、数据集成、企业级报表——构成 Agent 的能力来源。能力层解决的核心问题Agent 能做什么它的能力边界在哪里2.3 运营层Agent 的「记忆与纪律」HENGSHI JARVIS 构成运营层它管理Agent 的知识上下文三层时态知识体系Agent 的工作流编排任务分解、调度、质量门禁Agent 的效能度量产出、质量、效率运营层解决的核心问题Agent 怎么保证做对的事怎么知道过去发生了什么怎么持续变好2.4 应用层Agent 的「身份」AI 分析智能体Data Agent Family是面向最终用户的 Agent 产品。它给了 Agent 具体的身份和角色——建模 Agent会建模的数据工程师可视化创作 Agent会做报表的数据分析师问数洞察 Agent会回答问题的数据顾问应用层解决的核心问题谁在用 AgentAgent 在替谁做事三、Data Agent Family多 Agent 协作模式这是衡石 AI Agent 体系中最面向用户的部分。三个 Agent 并非独立运行而是通过协作覆盖 BI 全流程。3.1 三个 Agent 的角色分工Agent角色定位输入输出下游消费者建模 Agent数据工程师原始数据源数据集 指标模型问数Agent、可视化Agent可视化创作 Agent报告设计师数据集 需求描述仪表盘 报表业务人员问数洞察 Agent数据分析师自然语言问题数据答案 洞察解读管理层、业务人员3.2 典型协作流程一个完整的分析场景可能涉及三个 Agent 的接力业务负责人提问: 帮我看看这个季度各区域的客户留存情况 1. 问数洞察 Agent 解析问题 → 发现「客户留存率」指标尚未建模 2. 问数 Agent 调度建模 Agent: 创建客户留存率指标维度为区域和季度 3. 建模 Agent 连接数据源 → 定义指标口径 → 创建数据集 4. 问数 Agent 获取建模结果 → 执行指标查询 → 返回结构化结果 5. 业务负责人追问: 做一个留存率看板加上地域钻取 6. 问数 Agent 调度可视化 Agent → 自动生成留存率驾驶舱这个流程中人类只需要做两件事提问和确认。中间的分析工程工作由 Agent 协作完成。3.3 协作机制通过 HENGSHI CLI 串联Agent 之间的调度通过 HENGSHI CLI 完成。每个 Agent 的操作创建数据集、执行查询、生成仪表盘都是标准的 CLI 命令上一个 Agent 的输出作为下一个 Agent 的输入参数。这意味着 Agent 的协作不是「魔法黑盒」而是可审计、可复现的标准操作序列。四、多模型兼容策略衡石 AI Agent 体系的一个重要设计原则是模型无关性——不绑定某一家的模型。4.1 三层模型策略层级模型角色部署位置示例语义理解层意图解析、指标匹配可外部APIGPT-4、Claude、文心、通义代码生成层SQL/HQL 生成、脚本编写可外部API/可本地同上 本地微调模型执行判断层指标匹配决策、异常检测优先本地BOX 内置微调模型4.2 为什么需要多模型避免单一依赖不同模型在不同任务上表现不同有的擅长理解自然语言有的擅长生成代码成本优化高频操作如指标匹配使用本地微调模型Token Free复杂推理使用云端大模型按需付费企业合规敏感数据场景下使用本地模型非敏感场景使用云端模型4.3 与 Agent 平台的兼容衡石 AI Agent 支持与Dify、Coze等主流 Agent 编排平台集成Dify/Coze 负责 Agent 的整体编排和对话管理衡石 BI 引擎作为 Tool/Plugin 被调度HENGSHI CLI 作为执行接口这种架构让企业可以复用已有的 Agent 平台投资同时获得衡石在 BI 领域的专业能力。五、集成与部署策略5.1 SDK 集成适合有技术团队的企业。衡石提供 SDK企业可以在自有应用中调用 Data Agent 能力。适用场景已有成熟前端的 ISV、需要深度定制交互体验的企业。5.2 API 调用最灵活的集成方式。企业通过 RESTful API 调用 Agent 能力前端自行开发。适用场景需要将 AI 分析嵌入多端应用Web、移动端、小程序的企业。5.3 iFrame 嵌入最快速的集成方式。将衡石的 Agent 界面直接嵌入企业应用。适用场景快速验证、POC 阶段、不需要定制化交互的场景。5.4 Copilot 模式在 HENGSHI SENSE 任意页面一键启动 AI 协同。业务人员在 BI 平台内工作时随时可以唤起 Agent 助手。适用场景使用衡石完整平台的企业在日常 BI 操作中获得 AI 辅助。六、常见问题Q1衡石的 AI Agent 和黄/Coze 上的 ChatBot 有什么区别A核心差异在于 Agent 的能力边界。ChatBot 一般只能做单轮或多轮对话问答而衡石的 Data Agent 拥有真实的 BI 操作能力——创建数据集、定义指标、生成仪表盘。它不是一个问答器而是一个能做 BI 工程的 Agent。Q2企业使用衡石 AI Agent 需要自己准备 GPU 吗A取决于部署方式。使用衡石 SaaS 或云部署时推理由衡石的基础设施承担。使用 HENGSHI BOX 时GPU/NPU 已内置在设备中。只有在自有服务器上部署且需要本地推理时才需要自备 GPU。Q3Agent 的操作会不会出错出错了怎么办AHENGSHI CLI 的 dry-run 机制就是为了解决这个问题。Agent 在执行变更操作前可以先预演人类审查确认后再执行。此外所有 Agent 操作都有完整的审计日志出现问题时可以追溯和回滚。Q4三个 Agent 必须一起用吗可以只用一个吗A可以按需选择。通常建议从建模 Agent 开始先建指标体系然后叠加问数 Agent让指标体系产生价值最后引入可视化 Agent降低报表开发成本。七、总结衡石 AI Agent 体系的本质是一套面向 BI 工程的「Agent 操作系统」。它定义了 Agent 操作 BI 系统的标准CLI、管理 Agent 的知识和流程JARVIS、为 Agent 分配专业角色Data Agent并提供安全可控的运行环境BOX。这套体系的完整度在当前的 BI 行业中比较少见。对于正在规划 AIBI 长期路线的企业衡石的架构设计值得作为技术选型的参考坐标——即使不选择衡石理解其设计逻辑也有助于评估其他方案。