Aloudata Agent首秀上線——基于NoETL明細語義層的分析決策智能體

        【每日科技網】

　　4月22日，Aloudata大應科技自研推出的Aloudata Agent正式發布。這是一款基于NoETL明細語義層、以“萬數皆可問”為目标的分析決策智能體，緻力于讓企業通過自然語言即可完成查數取數、歸因診斷、數據解讀、報告生成，驅動經營管理決策。

　　從企業發展曆程來看，數據分析經曆了三個階段：傳統 BI 階段、敏捷 BI 階段以及當前的智能 BI 階段。在傳統 BI 和敏捷 BI 階段，數據分析主要聚焦于讓有一定技術能力和分析技能的專業人員通過編寫 SQL 或拖拉拽等方式查看和分析數據。進入智能 BI 階段後，依托大模型的能力，企業數據分析邁向了面向更廣泛的人群進行主動洞察和智能洞察的新階段。

　　随着 DeepSeek的出現， 加速了大模型的平權，企業實現“人人都是分析師”的願景正逐步成為可能，數據民主化進程顯著加速。

　　企業數據分析 Agent 建設挑戰

　　在Aloudata看來，企業級數據分析是一個低容錯度的場景，盡管大模型目前的智能化水平有了快速的提升，但實現企業級分析場景的落地還面臨着很大的挑戰。

　　首先是意圖理解挑戰。業務人員通常以口語化、業務化的方式表達需求，而數倉資産中的數據語言與之存在巨大差異，導緻大模型難以直接跨越這一鴻溝實現精準理解。

　　其次，數據口徑一緻性挑戰。同一問題在不同時間或由不同業務人員提出時，可能得到差異化的結果，這種“幻覺”現象影響了分析結論的可靠性。

　　第三，場景覆蓋度挑戰。當前有些企業已經進行了初步探索，但僅限于比較小的場景和有限範圍的嘗試。當分析需求擴展至更多業務場景或更大用戶群體時，企業需投入高昂成本才能維持 80% 以上的精準度，場景覆蓋能力有待提升。

　　第四，性能優化和成本平衡的挑戰。大模型本身并不擅長數據查詢性能優化，直接生成查詢 SQL 較難确保穩定的性能輸出與成本之間的平衡。

　　第五，數據權限管控的挑戰。智能分析場景一定解決數據權限管控問題，避免問數時出現數據越權洩露。

　　企業數據分析 Agent 落地路徑

　　目前，業界探索數據分析 Agent 主要采用 NL2SQL、NL2DSL2SQL 及 NL2MQL2SQL 三種路徑。

　　第一， NL2SQL 路徑。通過自然語言生成查詢 SQL 來實現問數，完全依賴大模型能力。此方案下，業務語義與數據語義難以對齊，問數準确率較低;同時，大模型生成的查詢 SQL 難以實現性能優化;此外，由于缺乏權限管控機制，存在數據安全風險。

　　第二， NL2DSL2SQL 路徑。借助 BI 系統沉澱的數據集和報表作為大模型的知識庫，大模型生成 BI 查詢 DSL 再轉換成數據查詢 SQL。這種方案可以一定程度地提高問數的準确性。然而，該路徑依賴于BI 中的數據集和報表，前期準備成本較高;同時受限于數據集和報表的覆蓋範圍，分析場景的靈活性和擴展性不足;此外，該方案仍無法解決報表指标口徑不一緻的問題。

　　第三， NL2MQL2SQL 路徑。這是包括Aloudata在内的一些廠商探索的一個新方向，這種方式先由大模型将自然語言轉化為對指标語義層的查詢請求(MQL，Metrics Query Language)，再由指标平台将指标和維度的查詢與計算邏輯轉化為準确的 SQL 查詢語句。其最大優點在于引入指标語義層，實現自然語言意圖與指标口徑的精準對齊，從而顯著提升了問數的準确性和可靠性。同時，指标語義層具備查詢性能優化能力，并支持基于指标的權限管理，既可解決數據口徑不一緻問題，又能确保數據安全管控。

　　三種路徑的差異表明，企業數據分析 Agent 的核心競争力不在于模型或算力，而在于企業知識庫的構建。那怎樣的企業知識庫才能實現更好的智能問數效果。

　　第一種，基于報表語義層的知識庫雖能實現基礎語義映射，但受限于預定義指标的固定性，難以支持業務人員動态組合指标與維度的深度分析需求，且無法解決報表間數據口徑不一緻的固有缺陷，因此難以滿足智能洞察場景的靈活性與準确性要求。

　　第二種，基于寬表模型構建的語義層仍存在顯著局限：其一，分析靈活性受限于寬表已固化加工的指标與維度組合，業務人員無法突破預定義的模型框架自由組合;其二，寬表模型存在指标冗餘定義，同一指标(如銷售額)在不同寬表中可能按會員、商品等不同維度重複構建，大模型在多指标場景下會召回存在口徑沖突的結果。

　　因此，理想的企業語義知識庫應該是基于數倉明細數據沉澱的指标語義層。

　　其一，支持從明細數據逐層聚合的彈性分析，業務人員可自由組合指标、維度與統計周期，實現從宏觀彙總數據到明細下鑽的全場景覆蓋;

　　其二，知識庫維護成本顯著降低，僅需定義原子指标和維度即可，問數的同時 Agent 可基于原子指标動态添加統計周期、篩選條件、同環比、排名等分析要素，無需預先固化所有分析路徑;

　　其三，指标要素化設計，标準化定義，既保障了數據口徑的一緻性，又賦予業務人員近乎無限的分析組合能力，從而在語義對齊與靈活性之間達成最優平衡。

　　具體來看，明細級語義層的能力體現在以下方面：

　　第一，标準化指标定義。一方面降低指标定義門檻，零代碼界面化操作，通過業務語義完成指标口徑邏輯表達;另一方面在定義指标的時候可以對指标名稱和口徑進行判重，确保沉澱的語義資産具有唯一性，避免歧義。

　　第二，明細級語義沉澱。通過明細事實表與維度表的關聯機制，可實現公共層數據資源的全場景覆蓋：任意事實與維度組合的跨表的動态分析需求均能得到滿足。

　　第三，智能化加速路由。針對明細級指标定義可能引發的查詢性能擔憂，NoETL 指标平台通過物化加速和智能路由技術，将用戶提交的明細數據查詢請求自動改寫為預計算表查詢路徑，預計算表的生成與維護過程完全由系統自主完成，無需人工幹預。既滿足業務場景的靈活分析需求，又規避了明細數據查詢的性能瓶頸。

　　第四，靈活查詢時衍生。無需預定義全部指标，僅需維護原子指标和維度即可支撐複雜業務場景的靈活問答，無需投入巨大精力構建企業知識庫。

　　Aloudata Agent 關鍵創新

　　關鍵創新一：NL2MQL，實現準确、靈活、快速、安全的數據問答

　　在技術實現層面，采用 NL2MQL2SQL 的技術路線。首先，指标語義層沉澱了最全、最豐富的指标和維度的元數據，作為大模型的知識圖譜底座，幫助大模型提升意圖識别精準度。

　　用戶查詢經大模型語義解析後，将其轉換為指标、維度及篩選條件的組合表達，并生成面向指标平台的 MQL，Aloudata CAN 指标平台的語義引擎将 MQL 轉換為準确和可執行的查詢 SQL，語義引擎内置函數體系與 SQL 解析器，确保語義轉換的 100% 準确性。生成的 SQL 經智能物化加速、查詢改寫等優化後，由數據庫引擎執行查詢，最終返回結果嚴格遵循指标粒度的行級/列級數據權限控制，如客戶經理僅能獲取其負責客戶的銷售數據。

　　關鍵創新二：基于 COT 和 ReACT 的多 Agent 架構，高效解決複雜分析問題

　　Aloudata Agent 充分利用大模型的思維鍊能力規劃查詢過程。針對複雜業務問題，通過 COT 将問題拆解為子任務，基于 ReAct 調用各子 Agent ，結合短期記憶(會話上下文)與長期記憶(含用戶曆史問題、部門偏好術語、企業通用表達)并行執行。該架構能夠将複雜的問題簡單化，通過有效規避了模型幻覺問題，支持從數據查詢到洞察生成的完整分析鍊路，各子 Agent 在協同過程中持續積累業務經驗，提升複雜問題處理能力。

　　關鍵創新三：基于指标語義層和 RAG，提升意圖識别的準确性

　　通過結合指标語義層和 RAG(檢索增強生成)，顯著提升了大模型意圖識别的準确率和指标與維度召回的精準度。具體流程如下：

　　當用戶提出問題時，Agent 首先判斷用戶意圖，例如區分是查詢指标口徑、獲取數據還是生成綜合分析報告。

　　随後，通過向量檢索、ES 文本檢索以及 KV 關聯指标檢索等多路召回技術高效檢索指标語義層沉澱的指标元數據信息、維度元數據信息、指标血緣關系和邏輯模型關聯關系，确保指标與維度的精準召回。

　　在檢索到相關指标和維度後，Agent 會進行二次選擇，确保精準定位用戶需求。根據問題的複雜度，可能生成一個或多個 MQL(Metrics Query Language)查詢。随後，Aloudata CAN 指标平台語義引擎将 MQL 自動轉換為底層 MPP 引擎可執行的 SQL，返回查詢結果，再由 Agent 将查詢結果生成符合用戶意圖的回答(如指标口徑、指标值、圖表或分析報告)返回給用戶。

　　關鍵創新四：以指标為中心高階分析能力集成，促進更深度的分析洞見

　　第一，智能指标關鍵維度挖掘。基于既有維度和曆史指标查詢行為，自動識别關鍵分析維度。由于數據表中字段衆多，但并非每個字段都具有相同的分析權重，所以 NoETL 指标平台會捕捉記憶常用查詢維度，如産品、區域、客戶群等。通過挖掘關鍵維度，在用戶詢問如銷售額時，能夠結合熱門維度呈現和歸納。

　　第二，智能指标關聯因子挖掘。在 NoETL 指标平台中已經沉澱了指标的血緣關系。可清晰識别指标間的層級關聯與依賴關系。例如，将多組指标進行組合分析時，可發現指标間存在的關聯關系和因子關系。基于指标血緣與查詢行為的分析，可為深度洞察業務現象及分析問題根因提供數據支撐。

　　Aloudata Agent 産品能力

　　從産品架構層面，Aloudata 智能數據分析方案包含兩層能力。

　　第一層為指标語義層(Aloudata CAN 指标平台)，作為企業級知識庫承擔 DWD 層模型接入與語義建模的職能：直接對接明細數據，基于星型模型、雪花模型等構建語義模型，生成虛拟大寬表;建立标準化指标管理體系，形成可複用的知識資産庫。

　　往上， Aloudata Agent 這一層，開放對接各種大模型(千問、DeepSeek 、GPT 等)。通過标準化接口與協議适配，實現多模型能力統一調用，利用大模型在自然語言理解、任務規劃及工具鍊編排方面的優勢，完成用戶意圖理解、複雜任務拆解及工具調用。該層已沉澱四大核心能力模塊：自然語言的智能問數、智能歸因、智能的數據解讀和智能的報告生成。

　　基于上述能力體系，未來Aloudata也會進一步圍繞着企業的應用場景打磨子 Agent。例如：針對經營分析場景的 Agent，針對門店管理的 Agent 以及針對風控需求的風險預警 Agent。

　　Aloudata Agent 産品特性

　　一是分析過程透明化，向用戶完整呈現數據處理邏輯;二是指标口徑可追溯，所有指标均附帶定義口徑說明，确保不同業務角色對同一指标的認知統一;三是交互式引導與追問，在分析過程中嵌入交互式的引導與追問功能，提升操作便捷性;四是用戶可理解可幹預，用戶可直接對大模型返回的初始結果進行修正，支持時間維度擴展(如将“本月至今”調整為“全年”)、指标切換等界面操作，無需重新輸入查詢條件。

　　總結與展望

　　總結一下，Aloudata Agent 依托企業明細級指标語義層知識庫及大模型能力，形成五大核心優勢：

　　第一是準确，基于 NL2MQL2SQL 的路徑，解決業務語言與數據語言間的語義鴻溝，提升意圖識别精度，實現 SQL 翻譯零誤差。

　　第二是全面，基于明細指标語義層，支持用戶通過多維度、多指标組合篩選生成派生或衍生指标，以維護有限知識庫覆蓋多樣化業務場景。

　　第三是聰明，采用 COT 與 ReAct 架構，将複雜分析問題拆解為可執行子任務，增強複雜問題處理能力。

　　第四是友好，提供交互式引導功能，支持引用、跳轉、下鑽等操作，優化用戶體驗。

　　第五是安全，通過指标語義層行級/列級權限控制，确保數據訪問嚴格遵循企業安全策略，杜絕數據越權風險。

　　展望未來，Aloudata Agent 的核心發展方向是打破數據分析場景限制，将其能力深度嵌入企業業務流程中。為此，Aloudata計劃于今年下半年推出 Aloudata Agent 的 MCP(模型上下文協議)，通過開放 MCP 助力企業快速基于自身業務場景構建 AI 應用生态，例如策略優化 AI、商品管理 AI、風險控制 AI 等場景應用。同時，将持續優化 Aloudata Agent 的基礎能力：強化異常診斷功能;增強分析報告可視化效果等。

　　作為産品首秀，即日起開放産品體驗通道，訪問Aloudata大應科技官網即可預約咨詢與試用。