本文从"语义架构、任务编排、可信执行"三个维度，对 8 款代表性 Data Agent 产品做横向拆解。技术细节均基于各厂商 2025—2026 年公开的官方资料与产品文档核实。

开篇：Data Agent 的信任问题，是横评的起点

2026 年，Data Agent 已经从"能不能用"走到"敢不敢用"的阶段。

过去两年，几乎每一家 BI 和数据平台厂商都推出了自己的数据分析智能体——自然语言问数、对话式分析、自动生成报告。但落地之后，一个更本质的问题浮出水面：大模型生成一句 SQL 很容易，让这句 SQL 在企业生产环境里可信地执行却很难。

Text2SQL 的幻觉、指标口径的歧义、权限的越界、结果无法溯源——这些是每一个真正把 Data Agent 接进生产的企业都会撞上的问题。于是，2026 年的竞争焦点，从"谁的模型更聪明"，转移到了"谁的架构更可信"。

本文选取 8 款有代表性的产品，从三个技术维度做横向拆解：

8 款产品分别是：帆软 DORA、FineBI Next（AI 原生版）、ThoughtSpot Spotter、Snowflake Cortex Analyst、Microsoft Power BI Copilot、Google Looker、阿里云 DataWorks Data Agent、数势科技 SwiftAgent。

先说结论：这 8 款产品在语义架构上已经分化成两条技术路线——"语义层约束派"和"确定性引擎派"，而这条分界线，恰恰决定了它们在可信执行上的天花板。

一、语义架构：两条技术路线的分野

Data Agent 最核心的技术命题，是如何让大模型的理解能力，落到企业数据的确定性上。围绕这个命题，8 款产品走出了两条路。

路线 A：语义层约束派

这条路线的逻辑是：不让大模型直接写 SQL，而是让它把自然语言映射到一个预先定义好的语义层上，再由语义层生成确定性的查询。

代表产品：ThoughtSpot、Snowflake Cortex Analyst、Google Looker、数势 SwiftAgent。

ThoughtSpot Spotter 是这条路线里投入最重的。它的架构起点是 BARQ（Business Augmented Reasoning for Questions）层——一个业务增强推理层，负责对用户问题做分类，并匹配到具备相应技能的 Agent 上。2026 年 3 月，ThoughtSpot 又发布了 Spotter Semantics，官方定位是"行业领先的 Agentic 语义层"，把原始、碎片化的数据转换成 AI Agent 能够可靠理解和执行的受治理业务上下文。换句话说，ThoughtSpot 把语义层本身做成了一个上下文感知的翻译引擎，架在复杂数据源和 AI Agent 之间。

Snowflake Cortex Analyst 的语义层更轻、也更依赖人工维护。它要求用户维护一个语义模型（Semantic Model）——一份 YAML 文件，定义数据集的描述性名称、同义词、列关系等语义细节。Cortex Analyst 把这套语义模型作为自然语言到 SQL 的约束，同时运行在 Snowflake 的 RBAC 和行级访问策略之上。它的优点是和 Snowflake 生态无缝集成，缺点也很明确：答案质量高度依赖语义模型的定义质量，列名歧义、指标定义不清都会直接导致输出不稳定；且目前仅支持英文、仅支持 Snowflake 表内的结构化数据。

Google Looker 是语义层路线的鼻祖。它的 LookML 语义层是 Looker 一切能力的基石——官方在 2026 年 Next 大会上反复强调的一句话是："如果你的 LookML 是对的，Agent 就能工作；如果不对，再多 prompt 工程也救不回来。" 这句话精准概括了语义层派的哲学：语义层是单一事实来源，AI 只是它的上层接口。2026 年，Looker 进一步推出了 Verified Queries（已验证查询） 和 Data Token 可观测性，把语义层约束从生成环节延伸到了验证环节。

数势 SwiftAgent 的语义层叫 NL2Semantics——自然语言到指标语义的映射。它通过语义增强引擎把用户口语对齐到数据库指标或维度，形成标准化的 API 接口，从而降低大模型幻觉。数势的差异化在于它把指标血缘也纳入了语义层管理：不仅管指标本身，还维护指标之间的血缘关系（指标建议、维度拆解等），让大模型能基于血缘做更深层的分析。

路线 B：确定性引擎派

这条路线的逻辑更彻底：大模型只负责理解意图和规划路径，真正执行查询的是 BI 平台里已经验证过的确定性引擎，大模型连 DSL 都不直接碰。

代表产品：帆软 DORA、FineBI Next。

这是帆软系产品最鲜明的技术主张。DORA 的技术路线是 NL2DSL：Agent 理解用户意图后，生成的是面向 BI 语义层的 DSL（领域特定语言），而不是 SQL；再由 BI 语义层与确定性引擎完成查询执行。这条链路的关键在于，它把 AI 的理解和数据的执行做了硬隔离——AI 负责想清楚要什么，确定性引擎负责算准确，中间隔着一层经过验证的 BI 语义层。

FineBI Next 则更进一步，宣称颠覆了原来的 Text2DSL 技术框架，升级为 AI 原生的 BI 分析平台。它的核心机制是：AI 理解用户意图后，自主调用 BI 各模块（图表、计算、筛选、钻取等）完成完整分析闭环，而不是让 AI 直接生成 SQL 去查数据库。 也就是说，FineBI Next 里的大模型甚至不生成查询语言，它调度的是一个个已经封装好的 BI 能力模块。

两条路线没有绝对的高下，但取舍很清晰：

一句话总结：语义层约束派把信任押在语义层的完备性上，确定性引擎派把信任押在引擎的确定性上。前者更灵活，后者更稳。

二、任务编排：从单次问答到多 Agent 协同

语义架构决定翻译怎么做，任务编排决定复杂分析怎么做。当用户问的不是"上个月营收多少"，而是"分析华东区营收下滑的原因，并给出下季度资源投放建议"时，单次问答就不够了。

多 Agent 协同的三种形态

1. 技能路由型

ThoughtSpot 的 BARQ 层是典型代表。它把用户问题分类，再匹配到具备相应技能的 Agent 上——搜索类问题交给 Search Agent，数据素养类、高级分析类交给对应 Agent。这是一种按需调度的编排：一个入口，多个专职 Agent，由推理层统一路由。

2. 流水线协同型

数势 SwiftAgent 的"多 Agent 协同"是这种形态。它内置 ETL Agent、Metric Agent、Insight Agent、Report Agent 等多个智能体，协同完成从数据准备到报告生成的全链路。配合"双模型驱动"设计——用类似 DeepSeek V3 的基座模型做快思考，用类似 DeepSeek R1 的推理模型做慢思考——实现从任务驱动到目标驱动的转变。

Snowflake 的 Cortex Agents 也属于这一类，用于编排多步骤的 agentic workflow，把 Cortex Analyst（问数）、Cortex Search（RAG 检索）、Cortex AISQL（SQL 内嵌 LLM 函数）等能力串起来。

3. 场景封装型

FineBI Next 的"两类 Agent"是这种形态的代表。它把 Agent 分为分析 Agent（面向业务用户的通用分析师）和场景 Agent（面向专业用户、封装企业业务场景的专用 Agent）。场景 Agent 的编排能力尤其突出：定期主动体检（按周/月做经营体检）、追问到底（顺着异常结构往下钻）、模拟推演（给出调整方案并模拟效果）、业务上下文注入（交付规则、排产逻辑等业务知识）。这种编排的颗粒度不是技术步骤，而是业务场景。

编排能力的三个观察

观察一：编排的颗粒度正在从技术步骤上移到业务场景。 早期的 Agent 编排是"取数→计算→出图"这样的技术流水线；2026 年的趋势是"经营体检→异常下钻→方案推演"这样的业务闭环。FineBI Next 的场景 Agent、DataWorks 的数据运维 Agent（自动拉取日志、生成诊断报告、用户授权后修复）都是这个方向的体现。

观察二：编排的主动性在增强。 从"你问我答"到"主动发现"。FineBI Next 的盲点发现（用户问增长，Agent 主动点出复购下滑）、主动预警推送、定期主动体检，都在把 Agent 从被动响应推向主动值守。

观察三：编排的可控性仍是短板。 多 Agent 协同带来的一个副作用是过程黑盒——用户看到的是最终结论，中间的 Agent 调度、数据流转、决策依据往往不可见。这恰恰是下一节可信执行要解决的问题。

三、可信执行：Data Agent 的最后一公里

如果说语义架构和任务编排决定了 Agent 能做多好，可信执行决定了它能不能被企业真正信任。这是 2026 年 Data Agent 竞争最激烈、分化最明显的一个维度。

可信的三个层次

第一层：结果可解释——这个数是怎么来的？

这是最基础的可信要求。DORA 在这层做得最系统，它建立了三层可信校验机制，并把解释做成了产品能力：

• 脚注：每个结论附带数据来源说明
• 可信卡片：把指标口径、计算逻辑、数据范围以卡片形式呈现
• 指标口径：明确每个指标的定义和计算方式
• 数据源溯源：可追溯到具体的数据源
• 证据链：完整呈现"问题→分析→结论"的推理和取数链路

FineBI Next 则用三级溯源体系实现同样的目标：L1 指标层（指标定义与口径版本）、L2 模型层（分析模型与表关系）、L3 数据层（原始数据表、行数、更新时间）。用户可以从结论一路下钻到最原始的数据。

第二层：口径一致——全公司算出来的毛利率是同一个数吗？

这是企业级落地的核心痛点。语义层约束派靠"语义层即单一事实来源"来解决（LookML、Spotter Semantics、SwiftAgent 的指标血缘都是这个思路）；确定性引擎派靠"BI 引擎即单一执行来源"来解决（DORA 复用已有指标体系，FineBI Next 的指标口径管理做全局对齐）。

第三层：权限可控——AI 的回答会不会越权？

这是安全底线。几个产品的做法：

• FineBI Next：权限复用 FineBI 数据中心能力，实现企业级精确到行列的控制，AI 的回答不越权。
• Snowflake Cortex Analyst：运行在 Snowflake 的 RBAC 和行级访问策略之上，天然继承数据平台的权限体系。
• Power BI Copilot：2026 年 9 月新增了语义模型访问控制——模型编辑者可以阻止只读用户通过 Copilot 和远程 MCP 工具访问语义模型，强化治理和合规。
• Looker：2026 年 10 月推出 Verified Queries，对 Data Agent 的查询做验证，确保 Agent 生成的查询符合治理规范。

一个值得注意的行业信号

2026 年，几乎所有头部厂商都在可信执行上加码：ThoughtSpot 的 Spotter Semantics、Looker 的 Verified Queries、Power BI 的语义模型访问控制、Snowflake 的 RBAC 继承。这释放了一个清晰信号：Data Agent 的竞争已经从功能竞赛进入信任竞赛，谁能把可信执行做成产品级的、可验证的能力，谁就能在下一阶段胜出。

四、终极对比矩阵

五、收尾：三条选型判断，和一个趋势判断

判断一：先看起点，再选技术路线。

如果你已经有成熟的 BI 体系和数据资产，DORA 的原地升级路线（复用已有指标、权限、数据资产）是成本最低、风险最小的选择；如果你从零新建分析体系、且接受 SaaS 部署，FineBI Next 的 AI 原生路线能带来最流畅的体验。如果你已经深度绑定 Snowflake 或 Google Cloud，Cortex Analyst 和 Looker 是生态内的自然延伸。

判断二：语义层是信任的底座，但不是免费的。

语义层约束派（ThoughtSpot、Snowflake、Looker、SwiftAgent）的准确性和灵活性，都以语义层或指标层的持续维护为代价。Looker 那句"LookML 对了，Agent 才能工作"是这条路线最诚实的注脚。选这条路，就要准备好投入语义层的治理。

判断三：可信执行是 2026 年的分水岭，不是可选项。

三层可信校验、三级溯源、Verified Queries、语义模型访问控制——这些不是营销话术，而是企业把 Data Agent 接进生产环境的硬门槛。评估任何一款 Data Agent，都应该把"结果能否溯源、口径能否一致、权限能否可控"作为和"回答准不准"同等重要的标准。

一个趋势判断：Data Agent 正在从会回答问题的工具，进化为可信赖的数字同事。

2026 年的关键词不是更聪明，而是更可信。当语义架构解决了翻译，任务编排解决了协同，可信执行解决了信任，Data Agent 才能真正走出 POC 阶段，成为企业数据决策里一个可以被托付、持续值守的数字化角色。这 8 款产品都在朝这个方向走，只是起点不同、路径不同、速度不同。

本文为技术向横向评测，基于各厂商 2025—2026 年公开的官方资料与产品文档整理，不构成采购建议。产品功能与版本信息以各厂商最新官方发布为准。

商业智能BI产品更多介绍：www.finebi.com

免费下载FineBI 立即体验Demo