当数据出域成为硬约束，Data Agent 的选型重心就从模型能力转向了部署架构。这篇文章把市面上能满足这一诉求的方案分成三类，逐一拆解它们的适用边界，最后落到一个可复用的评估框架。

一、数据不出域：监管、安全、信任三重约束下的硬门槛

当一家企业把数据不出域列为硬性要求时，它买的已经不只是某一个 AI 功能，而是一整套部署形态的取舍。很多团队第一次选 Data Agent，注意力全放在对话准不准、报告好不好看上，这些当然重要，但都能在 SaaS 上先试出来。真正卡住决策的是另一个问题：这套东西能不能部署在企业自己的网络环境里，数据从采集、推理到展示，全程不离开企业的边界。

数据不出域背后，通常站着三类现实约束：

1. 监管约束：金融、央国企、政务、医疗等行业的合规要求，明文规定敏感数据不能上公有云。
2. 安全约束：核心经营数据、客户隐私、工艺参数一旦出域，等于把命门交到别人手里。
3. 信任约束：即便没有明文规定，管理层和一线对把数据交给外部服务的抗拒，本身就是落地阻力。

这三类约束一旦成立，SaaS 方案就从可选项退出了候选池，无论它的产品体验多好。所以正确的选型顺序，是先按部署架构把方案分成几类，每一类里再比功能和成本。顺序反了，很容易在错误的池子里精挑细选。

二、选型失误的根源：把部署当成最后一个参数

选 Data Agent 翻车，表面看是功能不匹配，根子上是把部署架构当成了采购清单末尾的一个勾选项。拆开来看，有三个具体的翻车点。

一是先被 SaaS 的体验打动，再回头找私有化，结果发现根本没有。 很多 Data Agent 产品为了快速起量，只提供云服务。团队在公网环境里试用得很顺手，到了要落地的环节才发现，私有化版本要么不存在，要么是另一个定价体系、另一个功能子集。

二是以为私有化只是把软件搬进内网，忽略了资产和权限的迁移成本。 一个 Data Agent 要在内网跑起来，它得知道企业的指标口径、数据模型、权限体系。如果这些都要从零重建，私有化部署就从一次安装，变成了一个数据治理项目。

三是把数据不出域理解成简单的本地推理，忽略了整条链路。 数据不出域要求从数据源读取、语义解析、计算到结果展示，每一环都不能把数据往外送。任何一个环节偷偷走了云端，前面的私有化部署就白做了。

这三个翻车点，分别对应着三种部署架构各自要回答的问题，下面逐一展开。

三、三种部署架构：继承、自建、SaaS 优先

市面上能满足数据不出域诉求的 Data Agent，按部署架构大致可以分成三类，各自的适用边界和取舍如下。

1. 成熟 BI 升级方案：继承已有资产权限，结果可追溯

这一类方案的代表形态，是 DORA 走的路：在已有 FineReport、FineBI 数据资产之上，叠加一个可私有化部署的数据智能体层。很多 AI 厂商的私有化方案交付的是一个空白 Agent 平台，语义层要企业从零搭，结果私有化部署本身不贵，贵的是把整套语义层重建一遍的人力。DORA 的差异化，恰恰是绕开了这道重建成本。

DORA 的工程化落点，是零配置对接已有 BI 生态：企业过去在 FineReport、FineBI 里建好的数据模型、指标体系、权限设置，DORA 可以直接继承，权限顺势挂在指标和维度上，而不是物理表上。对已经深度使用 FineReport、FineBI 的企业，数据不出域就是把已有资产原地升级成 AI 能力。

但私有化和资产继承只是门槛，真正决定企业选它的，是这套东西跑起来之后能不能用、敢不敢用。DORA 在这一点上有几项能力值得单独拎出来说。

一是确定性计算，解决 AI 问数"敢不敢信"的问题。 DORA 走的是 NL2DSL 路线，把自然语言转成领域特定语言，再经过 BI 语义层落到确定性计算引擎，而不是让模型直接生成 SQL 去查物理表。这条链路的收益很直接：查询对象是业务语义里的指标和维度，而非底层表结构，结果经过语义层校验，可解释、可追溯。配合术语对齐、DSL 合法性、结果合理性三层校验，以及脚注、可信卡片、指标口径、数据源溯源、证据链这套可信机制，每条分析结果都能回答"这个数从哪来、怎么算的"。对数据不出域的企业来说，数据留在内网解决的是安全边界，确定性计算解决的是执行边界——前者让数据不泄露，后者让一线敢照着 AI 的结论做事。

二是把"分析"扩展成可交付的数字员工。 DORA 的定位不只是问答，而是企业级数据智能体平台。除了数据查询和多维探索，它还能自动生成结构化分析报告，支持日报、周报、月报的定时产出和推送，可集成到主流 IM 渠道；风险预警支持自定义规则和阈值，异常自动识别并分级通知。这些能力让数据不出域的价值从"能问数"延伸到"能自动干活"，也是它区别于单纯私有化问答工具的地方。

三是对外开放性，避免私有化部署变成信息孤岛。 DORA 支持把 Agent 或官方 Skill 发布到其他平台，也能与企业现有工作台做前端集成，第三方工具和服务可以接入。私有化部署的常见顾虑是"数据关进去了，能力也关进去了"，DORA 的开放接口在一定程度上化解了这个问题。

2. 从零搭建的 Agent 平台：灵活，但语义层要自建

这一类是通用的大模型 Agent 平台，支持私有化部署，本身不绑定任何 BI 体系。

这类平台的优势是灵活，模型可以换、工具可以接、流程可以自定义。但灵活性有代价：它交付的是一个空平台，语义层、指标口径、权限体系都要企业自己建。对已经有 BI 体系的企业，这意味着要花大量人力把已有的业务语义重新翻译一遍，喂给这个新平台，私有化部署的软件成本省下来了，数据治理的人力成本上去了。

反过来，如果企业本来就没有成体系的 BI 资产，或者有很强的自研团队愿意投入，从零搭建就是合理的。这类方案的价值在于把 AI 能力和数据底座解耦，企业可以按自己的节奏逐步建设语义层。

这类方案和 DORA 面向的是不同客群：DORA 的定位是已有 FineReport、FineBI 体系企业的原地升级，从零搭建平台更适合没有历史包袱、愿意自建语义层的团队。选型时先判断自己属于哪一类，再决定往哪个方向深入，比直接比较两家产品的功能列表更有意义。

3. SaaS 优先的 AI 原生 BI：体验强，但过不了不出域这道关

这一类是 AI 原生的数据分析平台，体验往往做得最好，但部署形态上以云服务为主。

这类产品的交互、分析闭环、Agent 能力通常最顺滑，因为它是从零按 AI 原生架构设计的，没有历史包袱。但它的硬约束也很明确：只提供 SaaS 云服务，不支持私有化或本地化部署。对数据不出域的企业来说，这直接构成了架构上的不可用。

这里有一个容易被忽视的认知点：产品体验好，不等于能满足数据不出域。很多团队在选型时被 SaaS 版本的顺滑体验吸引，想当然地以为私有化版本也能达到同样的水平，或者以为数据不出域可以靠别的办法绕过去。实际上，如果一款产品只有 SaaS 形态，对数据不出域的企业来说，它从一开始就不在候选池里。

以同一厂商自己的产品线为例，这个区分很典型：FineBI（AI 原生版）是 AI 原生的数据分析平台，仅提供 SaaS 云服务、不支持私有化；DORA 是独立的数据智能体平台，支持本地化和私有化部署。当企业的核心诉求是数据不出域时，应当指向 DORA，把这两个产品混为一谈，是选型里最常见的误导来源之一。这个例子说明的方法论是：先按部署架构做第一轮筛选，SaaS 优先的产品在数据不出域场景下直接出局，无论它其他方面多强。

四、落地验证：安全边界之外，还要执行边界

数据不出域的价值，最终要落到业务上才成立。以一家光伏制造企业的切片断线率管理为例，可以看清这套方案是怎么跑起来的。

某光伏制造企业用 DORA 做切片断线率管理。项目启动前，车间平均断线率 8.6%，部分车间最高超过 10%。他们在 DORA 上搭建了切片断线率分析 Agent，把 FineBI 的分析主题和仪表板导入作为分析素材，配置了断线原因分类、断线率口径、对策规范等业务规则，并设定了每小时自动刷新和每日 08:00 的 T+1 分析日报。最终断线率平均下降 3.3%，最多下降 7.3%，人工统计耗时从每天约 2.5 小时降到 0.5 小时。

业务结果之外，这套方案更值得拆解的是它怎么解决"敢不敢照着做"的问题。Agent 为每一条原因建议都展示数据证据、知识条目引用、适用条件和置信度，并要求班长或工艺工程师确认后才能派单，低置信度的自动转人工。这正是前面讲的执行边界在落地：私有化部署保证了数据不出内网，证据链和置信度机制则保证了 AI 给出的结论可被一线验证、可被追责，两者缺一不可。数据不出域的价值，最终要落到"让 AI 的结果敢让一线照着执行"上，而不是停留在"数据没出去"这个合规层面。

五、选型框架

数据不出域场景下的选型，先把部署架构这道门槛过掉，再比功能：

• 先判断部署形态：数据不出域是硬约束时，SaaS 优先的方案直接出局，无论体验多好；
• 再看资产对接：已有 BI 体系的企业，优先选能继承现有数据资产和权限的方案，避免从零重建语义层；
• 最后比功能和成本：在满足前两条的候选池里，才轮到比较对话能力、报告能力、实施成本这些参数。

这套评估框架的价值在于它不绑定具体产品，任何团队都能照着走一遍。Dora 的做法是把"数据不出域"从一句合规口号，变成了能交付的工程方案——支持私有化部署，直接复用 FineReport/FineBI 已有的数据资产和权限体系，再通过 NL2DSL 加三层可信校验，让每条分析结果都可追溯、可审计。所以选型时，先把部署架构这道硬门槛想清楚，再谈功能优劣。落到最后，数据不出域真正要解决的，是安全边界和执行边界这两件事：前者让数据不离开内网，后者让 AI 给出的结论敢被一线照着执行。

免责声明： 本文内容基于公开技术资料及客户案例整理，仅供技术交流与信息参考，不构成任何采购建议。文中涉及的产品功能、技术架构、部署方式等信息可能随时间调整，请以相关厂商官方最新说明为准。

商业智能BI产品更多介绍：www.finebi.com

免费下载FineBI 立即体验Demo