一年前，Data Agent 还只是"用自然语言查个数"的新鲜玩具；到 2026 年，它已经能主动发现经营异常、自动产出报告、做经营推演、管理指标口径。这篇文章先盘点一下 Data Agent 今年冒出来的新玩法，再逐款产品拆解它们各自做到了什么程度，最后落到产品趋势。

开头：2026 年，Data Agent 多了哪些新玩法

如果把两年前的 Data Agent 和今天的放在一起，最直观的变化是：它不再只是"你问它答"的查数工具，而是开始主动干活了。

盘点一下今年集中出现的新玩法，大致有这几类：

• 自然语言问数：这是老能力，但路线分化了——从裸写 SQL 进化到语义层约束，答案从"能查"变成"查得准"。
• 主动预警：不等你问，AI 自己盯着数据，发现异常主动推给你。
• 自动报告：日报、周报、月报，AI 自己写、自己发，人从"写报告"变成"审报告"。
• 经营模拟推演：给一个调整方案，AI 推演它会对营收、毛利、现金流产生什么影响。
• 指标口径管理：AI 统一指标口径，解决"同一个指标，财务和业务算出来不一样"的老问题。
• 可信溯源：每条答案带证据链，能追溯到原始数据，AI 的结论敢进决策流程。
• 记忆沉淀：AI 记住指标口径、业务规则、使用偏好，越用越懂企业。
• 私有化部署：数据不出域、权限继承，让央国企和金融企业也能上 AI 问数。

这八类玩法，前四类可以归为"被动能力"——AI 响应你的问题；后四类归为"主动能力"和"合规能力"——AI 自己行动，或者让 AI 能安全地进生产环境。而 2026 年真正的分水岭，就在后四类。

下面逐款产品拆解，看它们各自把这些玩法做到了什么程度。

帆软 DORA：把可信问数做进企业生产环境

DORA 是帆软面向已有 BI 体系企业的数据智能体平台，核心思路是原地升级——复用企业已有的 FineBI、FineReport 数据资产、指标和权限，而不是推倒重来。

它现在能干的几件事，都围绕一个关键词：可信。

自然语言问数，走的是 NL2DSL 路线。 DORA 不让大模型直接写 SQL，而是让它把自然语言翻译成面向 BI 语义层的 DSL，再由确定性计算引擎执行。这意味着模型只负责理解意图，不负责算数，从架构上把幻觉关进了笼子。

三层可信校验。 术语对齐校验（把业务术语对齐到语义层指标）、DSL 合法性校验（拦截非法查询）、结果合理性校验（识别异常值），三道关卡把错误拦截在到达用户之前。

证据链溯源。 每条结果带脚注标注数据来源，可信卡片展示查询链路，能追溯到原始数据源。AI 的答案不是黑盒数字，而是一条可审计的链路。

自动报告与风险预警。 报告研究员能力支持日报、周报、月报自动产出，定时推送到飞书、钉钉、企业微信；风险预警能自动识别数据异常并分级通知。

私有化部署与权限继承。 支持本地化部署，数据不出域；AI 的权限挂在指标和维度上，继承 BI 体系已有的行列级权限。这是央国企、金融企业上 AI 问数的前提。

一句话总结 DORA 的定位：它不做最花哨的能力，而是把可信问数这件事做到能进生产环境。

FineBI Next：AI 原生的分析平台，主打主动干活

FineBI Next 是 FineBI 的 AI 原生升级版，和 DORA 的区别在于，它面向新建分析体系的企业，从底层就以 AI 架构设计。

它的核心机制是：AI 理解意图后，自主调用 BI 各模块（图表、计算、筛选、钻取）完成分析闭环，而不是生成 SQL 去查库。在这个机制之上，它长出了几项 DORA 没有的能力。

两类 Agent，覆盖从问数到决策。 分析 Agent 面向所有业务用户，做战略推演、盲点发现、多轮追问；场景 Agent 面向专业用户，把业务场景封装成数据 Agent。

主动体检与模拟推演。 场景 Agent 能按周、按月主动做经营体检，营收、毛利、现金流逐项把脉；发现异常顺着结构往下钻；给出调整方案后还能模拟效果。这是 Data Agent 从被动查数迈向主动决策的关键一步。

记忆与 Skill。 记忆能力自动记住指标口径、业务规则、使用偏好，越用越懂企业；Skill 能力把验证过的分析路径沉淀为企业资产，全公司可调用。

三级溯源。 L1 指标层、L2 模型层、L3 数据层，从结论一路下钻到原始数据表。

需要说明的是，FineBI Next 仅提供 SaaS 云服务，不支持私有化部署。这是它和 DORA 最本质的差异，也是选型时第一道要过的关。

ThoughtSpot Spotter：语义层投入最重的 Agentic 平台

ThoughtSpot 是搜索式分析的鼻祖，它的 AI 分析师 Spotter 在语义层上投入最重。

BARQ 推理层。 Spotter 的架构起点是 BARQ（业务增强推理层），负责对用户问题分类，匹配到具备相应技能的 Agent 上，是一种技能路由型的编排。

Spotter Semantics。 2026 年 3 月发布的 Agentic 语义层，把原始、碎片化的数据转换成 AI Agent 能可靠理解的受治理业务上下文。这是 ThoughtSpot 的核心壁垒——它把语义层本身做成了一个上下文感知的翻译引擎。

与 Snowflake 深度集成。 2026 年 6 月，Spotter 与 Snowflake Cortex 打通，让高推理能力的 Agent 直接在 Snowflake 安全边界内运行，同时保持单一受治理的数据源。

ThoughtSpot 的强项在语义层治理和搜索式自助分析，适合数据规模大、用户数量多的企业。它的短板在于，语义层的完备度直接决定了答案质量，需要持续投入治理。

Snowflake Cortex Analyst：数据平台内的原生问数

Snowflake 的 Cortex Analyst 走的是数据平台内建 AI 路线，优势在于和 Snowflake 生态无缝集成。

语义模型约束。 Cortex Analyst 要求用户维护一份语义模型（YAML 文件），定义数据集的名称、同义词、列关系，作为自然语言到 SQL 的约束。答案质量高度依赖这份语义模型的定义质量。

Cortex Agents 编排。 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）串起来，回答复杂问题。

权限继承。 每次调用都继承 Snowflake 的访问控制，包括 RBAC 和行级策略，天然符合数据平台的治理要求。

Cortex Analyst 的定位很清晰：它是 Snowflake 客户的问数接口，不是独立产品。如果你已经深度绑定 Snowflake，它是顺理成章的选择；如果不是，它的价值就有限了。

阿里云 DataWorks Data Agent：数据开发治理的 AI 助手

阿里云 DataWorks 的 Data Agent 走的是数据全生命周期路线，覆盖的不只是问数，而是数据集成、开发、治理、运维全链路。

多类 Agent 分工。 数据集成 Agent（自然语言描述同步需求，自动生成同步任务配置）、数据开发 Agent（自然语言 ETL 开发，覆盖需求分析到代码生成全流程）、数据治理 Agent（自然语言指令转化为治理动作）、数据分析 Agent（ChatBI 多步骤探索分析）。

基于 Qwen Code。 新版 Data Agent 基于 Qwen Code 构建，提供更强的推理规划和 Coding 能力，内置 DataWorks Skills，覆盖数据集成、开发、治理、安全等场景。

可信执行。 分析报告通过生成 Python 代码来计算，而不是大模型直接预测输出，计算全过程（代码生成、执行、迭代、反馈）可查看。

DataWorks Data Agent 的强项在于 Coding 能力和数据开发治理的深度，这是阿里云依托 Qwen 系列大模型形成的差异化壁垒。它更适合已经使用阿里云大数据体系的企业。

数势科技 SwiftAgent：指标语义层 + 多 Agent 协同

数势科技的 SwiftAgent 是国产 Data Agent 里的另一个代表，主打指标语义层和多 Agent 协同。

NL2Semantics。 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 API 接口，降低大模型幻觉。它还维护指标之间的血缘关系，让大模型能基于血缘做更深层的分析。

多 Agent 协同。 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。

双模型驱动。 用基座模型做快思考，用推理模型做慢思考，实现从任务驱动到目标驱动的转变。

SwiftAgent 的定位是指标语义层 + 多 Agent 协同的决策智能体，适合已经重视指标管理、希望建立统一指标体系的企业。

六款产品的能力对照

把六款产品放到一起，能看清各自的能力边界：

结尾：2026 年 Data Agent 的三个趋势

盘点完六款产品，能看出 2026 年 Data Agent 正在往三个方向走。

第一，从"能查数"到"敢信数"。 两年前大家拼的是"能不能用自然语言查数"，今年拼的是"查出来的数敢不敢信"。NL2DSL、语义层约束、三层校验、证据链溯源，这些机制本质上都在解决同一个问题：把大模型的幻觉从分析链路里隔离出去。谁能在可信上做到极致，谁就能进生产环境。

第二，从"被动问答"到"主动干活"。 Data Agent 不再满足于你问它答。主动预警、自动报告、经营体检、模拟推演，这些能力让 AI 从"工具"变成了"协作者"——它开始自己盯数据、自己写报告、自己给建议。这是 Data Agent 从辅助角色走向决策角色的转折点。

第三，从"通用大模型"到"垂直场景 Agent"。 通用大模型能做很多事，但企业要的是在具体场景里可靠地做事。于是出现了技能路由（ThoughtSpot BARQ）、多 Agent 协同（SwiftAgent、DataWorks）、场景 Agent（FineBI Next）这些形态。趋势很清楚：Data Agent 的竞争，正在从"谁的模型更强"转向"谁在垂直场景里更可靠"。

一个更本质的判断：Data Agent 的价值，不在于它能干多少事，而在于它干的事里，有多少是可信的、能进决策流程的。2026 年，选 Data Agent 的关键，已经从"能不能查数"变成了"答案敢不敢信、能力能不能落地"。

免责声明： 本文内容基于公开技术资料及产品信息整理，仅供技术交流与选型参考，不构成任何采购建议。文中涉及的产品功能、技术架构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