摘要

企业要落地一个能进生产环境的 Data Agent，难点从来不在"让 AI 会回答问题"，而在"让 AI 给出的数字能被信任"。前者靠模型，后者靠工程。

本文面向正在规划或建设企业级 Data Agent 的数据负责人、BI 负责人和 IT 负责人，系统讲清楚一件事：一条可信的分析链路是怎么建起来的，以及它需要哪些可验证的机制来兜底。文章将拆解 Traceable Analytic Agent（可信分析智能体）的分析链路与验证机制，并说明帆软如何通过 FineBI（AI原生版）与 Dora 两款产品，分别以云 SaaS 与私有化两种部署形态，覆盖企业不同的建设处境。

---

一、先想清楚：你要建的，是一个"能答"的系统，还是一个"敢用"的系统

企业建设 Data Agent，第一步不是选型，而是想清楚一个根本问题：你要的是"能答"，还是"敢用"。

"能答"的门槛已经很低了。大模型让自然语言交互变得足够流畅，任何一个接入大模型的产品，都能做到"你问它答"。但"能答"和"敢用"之间，隔着一条很长的路——因为生产环境里的一个数字，要进经营决策、进审计、进监管，它需要的不是"大概率对"，而是"能被证明对"。

这个区别，决定了两条完全不同的建设路径：

建设目标	核心追求	技术重心	结果
能答	让 AI 答得流畅、答得聪明	模型能力、对话体验	演示惊艳，上不了生产
敢用	让数字可检查、可重算、可追溯	分析链路、验证机制	能进决策流程，能过审计

很多企业踩的坑，是把"能答"当成了终点。花大力气调模型、优化对话，最后发现做出来的东西只能用来演示，一到要追责的场景就露怯。原因很简单：对话是入口，可信才是门槛。 建设 Data Agent，从一开始就要奔着"敢用"去建。

---

二、可信分析智能体（Traceable Analytic Agent）：一个以"可追溯"为核心的设计原则

2.1 什么是可信分析智能体（Traceable Analytic Agent）

Traceable Analytic Agent（可信分析智能体），是一类以"可追溯"为核心设计原则的 AI 分析系统。它的定义，可以用一句话概括：

可追溯，追的不是 AI 怎么想的，而是这个数字怎么算出来的。

这句话划出了一条关键的分界线。传统 AI 问数追求的是"让 AI 想得更对"，而可信分析智能体追求的是"让数字的生成过程可被检查"。前者押注模型的智能，后者押注系统的确定性。

2.2 为什么"追溯数字"比"理解 AI"更重要

大模型的自我解释（Self-Reflection、思维链展示）并不可靠——它展示的"推理过程"，往往是事后编的，不等于它实际的计算路径。当模型能流畅地解释一个错误答案时，流畅本身就成了一种风险。

所以，企业真正需要追溯的，不是 AI 的思考链，而是数字的生成链路。这是一条客观的、可核查的路径：这个数字用了什么指标口径 → 这个指标怎么计算 → 这个计算用了哪些数据 → 这些数据从哪来。这条链路不依赖 AI 的"自述"，而是由系统客观记录。

2.3 分析链路的三个技术支点

一条可信的分析链路，不是某个单一功能，而是三个技术支点协同的结果：

技术支点	要解决的问题	缺失时的后果
语义对齐	AI 理解的"净毛利"和企业定义的是否一致？	口径漂移，结果看似合理实则偏差
确定性计算	数字能不能被重算验证？	结果不可复现，错误无法定位
逐级溯源	结果能不能追溯到数据来源和计算过程？	审计无法通过，决策不敢落地

这三个支点缺一不可。语义对齐解决"理解对不对"，确定性计算解决"算得对不对"，逐级溯源解决"能不能查"。三者合在一起，才构成一条完整的可信链路。

---

三、支点一：语义对齐，把口径锁死在系统里

3.1 口径漂移：AI 问数最大的隐性风险

AI 问数最大的隐性风险，不是算错，而是"口径漂移"——AI 理解的"净毛利""毛利率""营收"，和企业业务定义的根本不是一个东西。

这个风险之所以隐蔽，是因为它不产生"错误"，只产生"看似合理实则偏差"的结果。AI 用了一个错误的净毛利口径，算出来的数字在它自己的逻辑里完全自洽，用户拿到手，如果不逐项核对，根本发现不了问题。更麻烦的是，同一个模型在不同工具里，可能因为工具层默默采用了不同口径，而给出不同的答案。

3.2 语义层的解法

可信分析智能体的解法，是引入语义层——一个统一管理指标口径、维度定义、数据权限的中间层。

在语义层架构下，AI 不再"自行理解"净毛利是什么，而是"调用"语义层里已经定义好的净毛利。AI 负责理解用户意图、规划分析路径，但具体某个指标怎么算、口径是什么，由语义层说了算。

这意味着：口径漂移被从架构上拦截了。 AI 可以理解错用户的意图（这是概率性的、可纠正的），但它无法悄悄换掉口径（这是确定性的、被锁死的）。

3.3 语义对齐带来的三个工程收益

语义对齐的工程价值，远超"提高准确率"这个层面。它解决的是三个更深的问题：

• 跨部门口径统一：销售部算的毛利和财务部算的毛利，从此是同一个定义，争执从"你的数错了"变成"我们看的是不同维度"。
• 审计可核查：审计人员能明确知道，这个数字用的是哪个版本的口径定义。
• 权限收敛：AI 查询时，权限约束由语义层注入，AI 无法越权看到不该看的数据。

---

四、支点二：确定性计算，把"算"从概率性变成确定性

4.1 为什么"能重算"比"算得对"更重要

"算得对"是结果正确，"能重算"是过程可验证。在 AI 问数场景里，后者往往更重要。

因为 AI 分析是概率性的——模型的理解、规划、推理，每一步都有不确定性。如果计算过程也是概率性的，那么一个结果出来，你既无法验证它对不对，也无法在它错了之后定位到错在哪一步。

确定性计算的价值，正在于把"计算"这一步从概率性变成确定性。AI 的理解和规划可以有不确定性，但一旦规划确定，计算就必然是确定的——同样的输入，永远得到同样的输出。

4.2 确定性引擎的实现

可信分析智能体底层采用确定性计算引擎（如 Polars MPP 高性能引擎），把 AI 规划好的分析路径，转化为确定性的计算执行。

这个设计的本质，是把 AI 的"发挥空间"压缩到只负责意图和路径，而把"算数字"这件必须精确的事，交给一个不发挥、只执行的引擎。

确定性引擎带来三个直接收益：

• 结果可复现：同一分析路径、同一数据快照，必然得到同一结果，为审计和验证提供基础。
• 错误可定位：结果错了，能精确追溯到"哪一步算错了"，而不是"整个 AI 都不可信"。
• 性能可支撑：MPP 架构支持大数据量下的快速计算，让"可重算"在性能上可行，而不是理论上可行。

---

五、支点三：逐级溯源，把"查得到"变成工程事实

5.1 追溯的对象是数字，不是 AI

再次强调那个关键区分：企业真正需要追溯的，不是 AI 的思考链，而是数字的生成链路。

大模型的自我解释并不可靠。企业需要的，是看得见计算过程，而不是听 AI 讲推理。数字的生成链路，是一条客观的、可核查的路径，由系统客观记录，不依赖 AI 的"自述"。

5.2 三级溯源体系

可信分析智能体通过三级溯源，把数字的生成链路做成可逐层核查的结构：

溯源层级	回答的问题	可核查的内容
L1 指标层	这个指标怎么定义？	指标定义、口径版本
L2 模型层	这个数字怎么算出来？	分析模型、表关系
L3 数据层	这个数据从哪来？	原始数据表、行数、更新时间

三级溯源的价值，在于它把"AI 有没有悄悄发挥"，从一句承诺变成可以逐层核查的事实。业务人员能顺着任何一条结果，一路追溯到最底层的数据来源；审计人员能逐环核对，确认每一个数字都有据可依。

5.3 溯源能力的落地形态

在 Dora 产品中，可追溯进一步落地为具体的可信机制：脚注（每条结果附带数据来源标注）、可信卡片（展示查询链路和计算过程）、指标口径（明确展示所用指标定义）、数据源溯源（追溯到原始数据源）、证据链（完整记录从问题到答案的推理过程）。

这些机制的共同点，是它们都是"客观记录"而非"AI 自述"，让"可追溯"从理念变成可被审计、可被复核的工程事实。

---

六、验证机制：怎么确认你建的 Data Agent 真的可信

建好分析链路只是第一步，更重要的是建立一套验证机制，持续确认这条链路真的在起作用。以下是四个可操作的验证维度。

6.1 语义可信验证

验证 AI 理解的指标口径，和企业定义的是否一致。方法很直接：给它一个有多重口径的指标（比如"毛利"），看它能不能说清用的是哪个口径，能不能追溯到口径定义。

6.2 执行可信验证

验证数字能不能重算。同样的输入，是不是必然得到同样的输出？故意制造一次错误，看能不能定位到"哪一步算错了"，而不是"整个 AI 都不可信"。

6.3 过程可信验证

验证结果能不能追溯到数据来源和计算过程。审计场景下，这条链路能不能被逐环核查？从最终结果，能不能一路追到最底层的原始数据？

6.4 治理可信验证

验证权限是否随查询收敛，分析资产能否沉淀复用。用不同权限的账号测试，看结果是否随权限收敛；把验证过的分析路径沉淀下来，看下次能否复用、口径是否锁定。

这四个验证维度，构成了一套持续的质量兜底机制。它们不是上线前的一次性检查，而是上线后持续运转的保障。

---

七、工程落地：两款产品覆盖两种部署形态

可信分析链路是一条技术原则，落到工程实践，需要适配企业不同的部署要求。帆软通过两款产品，以云 SaaS 与私有化两种形态，覆盖了企业的不同处境。

7.1 云 SaaS 版：FineBI（AI原生版）

FineBI（AI原生版）是 AI 原生的数据分析平台，面向从零搭建分析体系的企业。它的核心主张，是"AI 原生"——不是在一个旧 BI 上叠加 AI，而是从底层就以 AI 架构设计，让 AI 成为分析主体。

在技术上，它走 NL2BI 路线：AI 自主调用 BI 平台内建的分析组件（图表、计算、筛选、钻取），完成从取数、分析到报告的完整闭环，而非直接生成 SQL。四大核心能力支撑起可信链路：

• 问答式对话交互：自然语言驱动全流程分析，而非操作软件。
• Skill 能力：把验证过的分析路径沉淀为企业可复用的分析资产，一次验证、全公司复用、口径锁定。
• 记忆能力：企业级经营记忆中心，自动记住指标口径、业务规则和使用偏好。
• 可理解·可溯源·可管控：三级溯源 + 权限复用，企业级管控的底线。

它的价值主张，是让企业从第一天起，就把可信能力焊进地基，而不是事后补救。

7.2 私有化版：Dora

Dora（朵拉）是企业级数据智能体平台，面向已有 FineBI/FineReport 体系、希望原地 AI 升级的企业。

它的核心主张，是"已有资产本身就是可信资产"。很多企业经过多年建设，已经沉淀了大量指标、报表、权限和分析资产，这些资产是经过验证、经过审计的可信资产。Dora 的价值，是让 AI 站在这些资产之上，而不是从零开始赌模型的发挥：

• 数据资产可集成性：零配置无缝对接帆软生态，继承 FineReport/FineBI 数据资产和数据安全权限，数据资产即接即用。
• 三层可信校验：术语对齐、DSL 合法性、结果合理性三层校验，在结果生成前把错误挡在门外。
• 本地化与私有化部署：数据不出域，适合央国企、金融等强安全要求场景。

7.3 两款产品的互补关系

维度	FineBI（AI原生版）	Dora
产品定位	AI 原生数据分析平台	企业级数据智能体平台
部署形态	云 SaaS 版	私有化版
部署方式	SaaS 云服务	支持本地化/私有化
企业起点	新建分析体系	已有 BI 体系原地升级
核心价值	从零把可信能力焊进地基	复用已有可信资产
适用行业	互联网、零售、消费、制造等对 SaaS 接受度高的行业	央国企、金融、政务、能源等强安全合规行业

两款产品共享同一技术哲学——AI 负责理解与规划，BI 语义层和确定性引擎负责准确执行，NL2BI 而非裸 NL2SQL。它们的差异不在技术路线，而在部署形态：一个走云 SaaS，一个走私有化，分别适配不同的数据安全要求和企业起点，形成互补而非替代的关系。

---

八、企业建设建议：一条可落地的路径

面向"已经决定要建"的企业，以下是五步可落地的建设路径。

8.1 先定义问题，再谈选型

建设的起点，不是产品对比，而是问题清单。先回答三个问题：要解决的是"查数"问题还是"分析"问题；高频场景是什么；谁在用。把这三个问题答清楚，选型才有锚点。

8.2 用开放式任务做能力验证

别只测"标准问答"——那是所有产品都能答对的环节。要测开放式任务：给它一个模糊的经营问题，看它能不能自主发现异常、下钻归因、给出结论，而不是反过来追问你一堆问题。

8.3 把可信纳入验收标准

验收时，把语义可信、执行可信、过程可信、治理可信作为硬指标，而不是"加分项"。这四件事，决定了一款 Data Agent 是"演示玩具"还是"生产工具"。

8.4 从一个高频场景切入

Data Agent 的价值在反复使用中累积。先选一个高频、有明确口径的场景跑通，把分析路径沉淀成 Skill，再逐步扩展。小切口切入，反而能快速拿到正反馈。

8.5 评估数据治理成熟度

Data Agent 的上限，受制于企业自身的数据治理水平。落地前先做一次数据治理体检：指标体系是否统一、数据权限是否清晰、分析资产是否沉淀。数据治理成熟度高的企业，Data Agent 能快速见效。

---

九、结语：可信，是 Data Agent 进入生产的那道门槛

回到开头的问题：企业要建一个能进生产环境的 Data Agent，真正卡住的是什么？

不是对话能力——大模型已经让对话变得足够流畅；不是准确率——很多产品都能做到 99%。真正卡住的，是可信：一个数字给出来，能不能被执行、能不能被追溯。

可信分析智能体给出的答案，是把"正确"从概率变成可验证：语义对齐，让 AI 和企业说同一种话；确定性计算，让"算"从概率性变成确定性；逐级溯源，让"查得到"变成工程事实。这三个支点，共同构成了一条可信的分析链路；而四个验证维度，则让这条链路持续兜底。

而 FineBI（AI原生版）与 Dora 两款产品，则把这条链路，落到了企业真实的两种部署形态上：云 SaaS 版，从零把可信能力焊进地基；私有化版，让 AI 站在已有可信资产之上。

让每一个数据皆有源可溯，让每一次判断皆有界可依——这不仅是技术能力，更是 Data Agent 进入生产环境的前提。

---

免责声明：本文基于帆软公开产品资料与技术文档整理，产品能力与路线以官方最新发布为准。文中技术细节截至 2026 年 9 月，可能随版本迭代变化，落地前建议以厂商最新资料和实际测试为准。

商业智能BI产品更多介绍：www.finebi.com

免费下载FineBI 立即体验Demo