版本：1.0 适用对象：数据负责人、BI 负责人、IT 负责人、企业架构师 关键词：Data Agent、NL2BI、可执行、可追溯、确定性引擎、三级溯源、可信分析

---

摘要

当 AI 问数从演示走向生产，企业真正要回答的问题，不再是"AI 能不能听懂我的话"，而是"AI 给出的数字，能不能被执行、能不能被追溯"。前者是对话能力，后者是工程能力。

本白皮书围绕帆软 Data Agent 的 NL2BI 技术路线，系统阐述一条完整分析链路的两个核心属性：可执行（计算交给确定性引擎，而非模型推理）与可追溯（结果可逐级溯源到指标、模型、数据三层）。并说明帆软如何通过 FineBI（AI原生版）与 Dora 两款产品，分别覆盖新建体系与存量升级两种企业处境，把这两个属性落到可落地的工程实践。

---

一、为什么 AI 问数需要一条"可信链路"

1.1 行业正在发生的变化

过去两年，企业对 AI 问数的期待，经历了一次明显的位移：从"能不能对话"，转向"能不能上线"。对话能力已经不再是稀缺品，大模型让自然语言交互的门槛降到了历史最低。真正卡住企业的，是另一件事——当 AI 给出一个数字，这个数字能不能被信任。

这个位移背后，是一个朴素的工程事实：对话是入口，可信才是门槛。 一个 AI 问数产品，无论对话多流畅、回答多聪明，只要它的分析过程不可执行、不可追溯，它就永远只能停留在"演示"和"建议"的位置，进不了需要追责的生产决策流程。

1.2 两个被低估的行业矛盾

矛盾一：模型越来越强，结果却越来越难被信任。

大模型的能力在快速提升，但这反而加剧了信任问题。因为模型越强，它的"发挥空间"越大，企业越无法判断一个结果到底是"算出来的"还是"编出来的"。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。

矛盾二：准确率很高，但错误无法定位。

很多 AI 问数产品能把准确率做到 99%，但这个数字有一个致命盲区：你永远不知道眼前这个答案属于那 99%，还是那 1%。更关键的是，那 1% 的错误，往往不是"算错了加减法"，而是"选错了口径"。这种错误在模型自己的认知框架里是完全自洽的，它不会反思出"我用了错误的净毛利定义"，因为它根本不知道正确的定义是什么。

1.3 重构评价标准

这两个矛盾指向同一个结论：AI 问数的评价标准，必须从"比智能"转向"比可信"。

可信不是一个抽象概念，它可以拆解成两个可验证的工程属性：

属性	要回答的问题	缺失时的后果
可执行	数字是怎么算出来的，能不能重算、能不能验证？	黑盒生成，结论进不了追责场景
可追溯	一个结果给出来，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

这两个属性，正是本白皮书要拆解的核心。它们不是某个功能的亮点，而是一条分析链路从"能答"到"敢用"之间的全部距离。

---

二、NL2BI：把"正确"从模型手里拿回来

2.1 技术路线的分野

市面上的 AI 问数产品，在"如何保证正确"这个问题上，已经分化出不同的技术路线。理解这些路线，是理解 NL2BI 价值的前提。

裸 NL2SQL：正确性押在模型上。 大模型直接生成 SQL 查物理表，靠模型对表结构的理解来保证正确。这条路线的门槛最低，但问题也最明显：SQL 正确不等于分析正确，模型生成的 SQL 再漂亮，业务人员也看不懂口径对不对，审计人员更没法查。

NL2Metrics：正确性押在指标语义层上。 放弃直接生成 SQL，让所有查询都经过预定义的指标。这条路线的语义可信度最高，但代价是灵活性——分析范围被限制在已定义的指标内，探索式、跨指标的归因分析支持有限。

NL2BI：正确性押在 BI 底座上。 这是帆软 Data Agent 走的技术路线。它既不靠模型直接生成 SQL，也不把分析限制在预定义指标里，而是让 AI 自主调用 BI 平台内建的分析组件，完成从取数、分析到报告的完整闭环。

2.2 NL2BI 的核心机制

NL2BI 的本质，是把"理解"和"执行"拆开，分别交给最适合的主体：

复制用户提问
   ↓
AI 理解意图、规划分析路径（模型负责）
   ↓
调用 BI 语义层（指标、维度、口径、权限统一管理）
   ↓
确定性计算引擎执行（引擎负责，可重算）
   ↓
结果 + 完整溯源链路（可追溯）

这个架构的关键，在于角色分工：

• AI 负责"想"：理解用户想问什么，规划分析路径，决定用哪些组件、怎么组合。
• BI 语义层负责"管"：统一管理指标口径、维度定义、数据权限，确保 AI 理解的"净毛利"和企业定义的"净毛利"是同一个东西。
• 确定性引擎负责"算"：真正执行计算，同样的输入必然得到同样的输出。

这个分工直接决定了两个属性：因为"算"交给了确定性引擎，所以可执行；因为每一步都经过语义层、都落在 BI 系统的正式对象上，所以可追溯。

2.3 与裸 NL2SQL 的对比

维度	NL2BI（帆软 Data Agent）	裸 NL2SQL
查询对象	业务语义（指标、维度、口径）	物理表、字段
正确性来源	语义层校验 + 确定性引擎	模型对表结构的理解
权限控制	复用 BI 权限体系	需额外实现
可追溯性	结果可逐级溯源、可审计	SQL 生成过程黑盒
幻觉风险	语义层拦截口径漂移	易生成"看似合理实则查错"的 SQL

这张表揭示了一个规律：可信能力的深度，与技术路线强相关。 NL2BI 之所以能做到可执行、可追溯，不是因为它"多做了某个功能"，而是因为它的架构设计，从根上就把正确性交给了系统，而不是模型。

---

三、可执行：确定性引擎如何保证"算得对、能重算"

可执行的第一层含义，是"算得对"；第二层含义，是"能重算"。两者缺一不可。

3.1 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。

确定性引擎的价值，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。这意味着：

• 结果可以被独立重算验证
• 错误可以被精确定位到"哪一步算错了"
• 审计可以逐环核对计算过程

3.2 确定性引擎在帆软 Data Agent 中的实现

帆软 Data Agent 底层采用 Polars MPP 高性能引擎作为确定性计算引擎。它的作用，是把 AI 规划好的分析路径，转化为确定性的计算执行：

• 高性能：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。
• 确定性：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。
• 与语义层协同：计算执行时，指标口径、维度定义、权限约束都由语义层注入，引擎只负责"算"，不负责"理解"。

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。

---

四、可追溯：三级溯源如何保证"查得到、说得清"

可执行的另一半，是可追溯。一个数字算对了还不够，还得能说清楚它"从哪来、怎么算、依据什么口径"。

4.1 追溯的对象：数字的生成链路，而非 AI 的思考链

这里有一个关键的认知区分：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（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。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：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。

4.2 三级溯源体系

帆软 Data Agent 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。

4.3 可追溯的落地形态

在 Dora 产品中，可追溯进一步落地为具体的可信机制：

• 脚注：每条分析结果附带数据来源标注
• 可信卡片：以卡片形式展示查询链路和计算过程
• 指标口径：明确展示所用指标的定义和计算口径
• 数据源溯源：每条数据可追溯到原始数据源
• 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"。它们让"可追溯"从理念变成可以被审计、被复核的工程事实。

---

五、两条产品线：覆盖两种企业处境

帆软 Data Agent 的技术路线，通过两款产品落地，分别对应企业的两种处境。理解这个区分，是理解帆软 Data Agent 完整图景的关键。

5.1 处境一：新建分析体系，选 FineBI（AI原生版）

FineBI（AI原生版） 是 AI 原生的数据分析平台，面向从零搭建数据分析体系的企业。

它的核心主张，是"AI 原生"——不是在一个旧 BI 上叠加 AI 能力，而是从底层就以 AI 架构设计，让 AI 成为分析的主体。四大核心能力支撑起这个主张：

• 问答式对话交互：与专家顾问对话，而非操作软件，自然语言驱动全流程分析
• 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，就把可执行、可追溯的能力焊进地基，而不是事后补救。

5.2 处境二：存量升级，选 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

5.3 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
企业起点	新建分析体系	已有 BI 体系原地升级
部署方式	SaaS 云服务	支持本地化/私有化
核心价值	从零把可信能力焊进地基	复用已有可信资产
适用客群	新客、SaaS 用户	老客、央国企、金融

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，而在企业起点和部署场景，形成互补而非替代的关系。

---

六、企业落地建议

技术路线和产品选型之外，落地方法同样重要。以下是面向"已经决定要上"的企业的落地建议。

6.1 先定义要解决的问题，再谈选什么产品

落地的起点，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。

6.2 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。

6.3 把可信纳入验收标准

验收时，把可执行、可追溯作为硬指标：语义可信（口径是否一致）、权限可信（是否越权）、执行可信（能否重算）、结果核查（能否溯源）。这四件事，决定了一款 Data Agent 是"演示玩具"还是"生产工具"。

6.4 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。

6.5 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。

---

七、结语：可信，是 Data Agent 进入生产的那道门槛

回到开头的问题：AI 问数从演示走向生产，真正卡住企业的是什么？

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。

帆软 Data Agent 通过 NL2BI 技术路线，给出了一个明确的答案：把"理解"交给 AI，把"执行"交给确定性引擎，把"追溯"交给三级溯源体系。可执行，让结果能被重算验证；可追溯，让结果能被逐层核查。这两个属性合在一起，才让 AI 问数从"能答"跨过"敢用"的门槛。

而 FineBI（AI原生版）与 Dora 两款产品，则把这个技术路线，落到了企业真实的两种处境上：新建体系，从零把可信能力焊进地基；存量升级，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