DORA（朵拉）是帆软推出的企业级数据智能体平台，面向已经使用 FineBI、FineReport 的企业，让它们无需迁移、无需重建，就能在已有的数据资产之上直接获得 Agent 能力。

它的核心价值，是把企业过去积累的报表、指标、权限体系，原样转化为 AI 的分析能力。这篇文章是一份应用指南，围绕三个企业落地时最关心的主题展开：存量 BI 复用、私有化部署、权限管理。

一、为什么存量 BI 复用是 DORA 的核心价值

DORA（朵拉）的定位很明确：面向已经使用 FineBI 或 FineReport 的企业，让它们已有的数据资产直接变成 AI 的分析能力。企业过去积累的数据源连接、分析主题、指标口径、报表模板、权限配置，都能被 Agent 直接调用，无需重新建模、重新导数据。

零配置对接帆软生态。 DORA（朵拉）无需额外配置，就能对接 FineReport 和 FineBI 的数据资产。企业已有的报表、数据源、分析主题，可以直接被 Agent 调用，不需要重新建模、重新导数据。

指标口径原样继承。 这是复用里最关键的一点。企业花了几年时间在 BI 语义层里对齐的指标口径，比如营收、毛利、断线率这些业务概念的定义，DORA（朵拉）直接继承，AI 查出来的数，和业务部门用的是同一个口径，不会出现 AI 说一个数、财务部说另一个数的割裂。

权限体系一并复用。 数据安全权限不是 AI 时代才有的问题，企业原有的 BI 权限体系已经管住了谁能看什么数据。DORA（朵拉）复用这套权限，AI 的每次查询都走原有权限边界，而不是另开一条不受控的通道。

这三层复用，意味着企业上 AI 的边际成本被大幅摊薄。不用重建数据资产，不用重新对齐口径，不用重新配权限，Agent 能力是在已有治理基础上叠加，而不是替换。

二、存量 BI 复用的落地路径

从已有 BI 体系到跑通一个 Data Agent，DORA（朵拉）提供了一条清晰的落地路径，大致分四步。

第一步，盘点可复用的分析主题。 先在 FineBI 或 FineReport 里梳理出高频、口径清晰的分析主题。这些主题是 Agent 的分析素材来源，主题越成熟，Agent 的初始能力越强。不需要一开始就覆盖全部，挑几个业务价值高、数据质量好的主题先跑起来。

第二步，把业务规则录入知识模块。 这是 DORA（朵拉）区别于普通问答工具的地方。除了数据资产，它还能把业务规则、口径规范、对策建议这类知识录入进去。比如晶科能源在搭建断线率分析 Agent 时，就把断线原因的六大分类、断线率口径、对策规范录入了知识模块，还配置了字段语义信息和自动刷新。这一步决定了 Agent 是不是真的懂业务，而不只是会查数。

第三步，配置分析主题和仪表板导入。 把 FineBI 的分析主题和仪表板导入 DORA（朵拉）作为分析素材，Agent 就能基于这些现成的分析资产来回答问题和生成报告，而不是从原始数据里重新推导。

第四步，用定时任务和技能固化高频动作。 把日报、周报、预警这类高频动作，配置成定时任务，通过智能报告技能自动产出。晶科能源的切片断线率 T+1 分析日报，就是配置成每天早上八点自动执行，生成多维统计报告推送到钉钉。

这四步走完，一个存量 BI 企业就有了第一个能用的 Data Agent。后续的扩展，是在这个基础上不断增加分析主题、补充业务规则、孵化更多场景 Agent。

三、私有化部署：数据不出域的落地要点

对央国企、金融、军工这类企业，数据不出域是硬约束，不是可选项。这是 DORA（朵拉）相对 SaaS 形态产品最核心的差异，也是很多企业选它的直接原因。

私有化部署解决的是什么。 SaaS 形态的 AI 数据分析，数据和模型都在云端，对数据主权有要求的企业无法接受。DORA（朵拉）支持本地化和私有化部署，数据全程不出域，Agent 的推理和计算都在企业内网完成。这意味着企业既拿到了 AI 的能力，又守住了数据的边界。

部署的落地考量。 私有化部署不是把软件装到服务器上那么简单，有几个点需要提前想清楚。一是算力资源，本地部署的 Agent 需要企业自备推理算力，规模取决于并发量和模型选择。二是与现有 IT 架构的集成，DORA（朵拉）支持与现有系统做前端集成，嵌入企业工作台，也能把 Agent 或官方 Skill 发布到其他平台，这决定了它能不能融入企业已有的办公入口。三是运维，私有化意味着企业要自己承担升级和维护，需要评估内部有没有对应的运维能力。

私有化和复用的关系。 私有化部署和存量 BI 复用是配套的。数据不出域的要求，本身就意味着企业大概率已经有了一套内网的数据资产和 BI 体系，DORA（朵拉）的原地升级能力，恰好和这个前提匹配。对这类企业来说，选 DORA（朵拉）不是因为它多了一个部署选项，而是因为它的复用能力和私有化能力指向的是同一类场景。

四、权限管理：AI 问数时代的安全边界

AI 问数引入了一个传统 BI 没有的风险面。传统 BI 的权限是给报表和仪表盘设计的，用户能看什么，由他打开哪张报表决定。但 AI 问数是开放式的，用户用自然语言提问，如果权限不严，就可能通过换一种问法，绕过原本的边界，看到不该看的数据。

权限继承是基础。 DORA（朵拉）复用帆软平台已有的数据权限体系，精确到行列。AI 的每次查询都走这套权限，不越权。这是安全的第一道防线，也是复用存量 BI 资产的自然延伸，企业原有的权限配置直接生效。

权限之外，还要管住 AI 特有的风险。 权限继承解决的是谁能看什么数据，但 AI 问数还有几个权限体系覆盖不到的风险点，需要在应用层补上。

一是字段脱敏。有些字段即使用户有权限看到，也不该原样展示，比如身份证号、手机号这类敏感信息。晶科能源的案例里，就专门配置了字段脱敏表，对敏感字段做脱敏处理。

二是知识版本管理。Agent 依赖录入的业务规则和口径知识，这些知识会更新。如果不做版本管理，Agent 可能用着过时的规则给出过时的建议。对知识条目做版本管理，确保 Agent 用的始终是当前有效的规则。

三是低置信度转人工。AI 不是永远有把握，对于置信度低的建议，不应该让它直接进入执行流程。晶科能源的做法是，每条原因建议都要展示数据证据、知识条目引用、适用条件和置信度，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，并保留驳回和修正记录。这一步把 AI 从决策者降格为建议者，人工始终握有最终确认权。

四是审计留痕。Prompt 和回答日志要保留，出了问题能回溯。这既是合规要求，也是持续校准 Agent 的依据。

这四层加上权限继承，构成了 AI 问数时代的完整安全边界。权限继承管住数据可见性，字段脱敏管住敏感信息，知识版本管住规则时效，低置信度转人工和审计留痕管住 AI 的判断风险。

五、从案例看落地效果

DORA（朵拉）已经在多个行业落地验证，下面三个案例分别代表了制造、家居、汽车三个典型场景。

晶科能源，切片断线率全链路闭环。 光伏切片断线率是核心成本指标，每降 1% 意味着数百万元硅料节约。晶科能源基于 DORA（朵拉）搭建断线率分析 Agent，把问题拆成数据资产准备、T+1 智能报告自动生成、异常波动智能预警、对话式问答四段。安全设计上做了权限矩阵、字段脱敏、知识版本管理、低置信度转人工。结果是断线率平均下降 3.3%，年化经济效益约 1148 万元，人工统计耗时从每天 2.5 小时降到 0.5 小时。

某头部家居企业，数据平台全链路智能运营。 这家企业用 FineBI（AI原生版）搭全链路智能运营看板，用 DORA（朵拉）做自然语言取数、月度季度通报和日常运维稽查，构成 BI 底座加 AI Agent 双引擎。结果是平台综合健康得分从 62 提升到 89，故障根因定位从 90 分钟缩短到 15 分钟。

岚图汽车，供应链全域风险管控。 岚图汽车用指标平台加 FineBI 加 DORA（朵拉）三平台融合，构建供应链控制塔，用三道防线加五大 Agent 实现从人工盯单到 AI 盯单。结果是单家供应商风险核查从 2 小时压缩到 5 分钟，紧急追料事件同比下降 82%，年化节约成本达亿级。

三个案例的共同点，都是存量 BI 复用加私有化部署加严格权限管理的组合。它们不是从零搭一个 AI 平台，而是在已有的数据治理基础上，用 DORA（朵拉）叠加 Agent 能力，同时把安全边界做扎实。

六、结语

DORA（朵拉）面向的是已经有成熟 BI 体系、对数据主权有要求、希望用可控方式引入 AI 能力的企业。对这类企业，存量 BI 复用降低了上 AI 的门槛，私有化部署守住了数据的边界，权限管理管住了 AI 引入的新风险。

这三件事指向同一个目标：让 AI 能力建立在企业已有的数据治理根基之上，而不是另起一套。这是 DORA（朵拉）区别于那些要求企业从零开始的产品的根本所在。

本文基于产品官方文档与公开客户案例整理，产品能力描述建议以帆软官方最新文档为准。文中涉及的客户案例数据来自公开资料。

商业智能BI产品更多介绍：www.finebi.com

免费下载FineBI 立即体验Demo