本文聚焦面向企业分析与 Agent 应用的 AI 数据平台。“AI 数据底座”侧重数据存储、处理和访问,是平台的数据基础;“Agentic AI 数据平台”强调面向 Agent 的任务规划、工具调用与执行治理。它们的范围有所重叠,不能直接等同,选型时需要核对具体能力。

为什么传统数据平台不够用?

企业原有的数据仓库、数据湖和数据中台已经承载了大量数据加工、治理与分析能力。AI Agent 接入后,还需要让这些能力以可调用、可理解、可检查的方式供 Agent 使用。

AI Agent 接入之后,流程变了。业务人员直接用自然语言提问,Agent 需要自己判断问题对应哪个指标、哪几张表、什么时间口径,以及提问的人有权看哪些数据。如果平台只提供表和字段,Agent 只能根据字段名推测,写出的 SQL 可以执行,结果却可能不符合业务定义。

另外两个变化也会暴露传统平台的短板:

  • 访问量和访问方式变了。 Agent 发起的查询更频繁,也更难预测。如果 Agent 和现有报表共用同一组资源,两类负载会互相影响。
  • 结果需要可追溯。 一个数字给到业务决策之前,需要说明它按什么口径、用了哪些数据、经过了哪些权限检查。

企业级 AI 数据平台由哪几部分组成?

  • 层次:数据底座;负责什么:统一存储和查询结构化数据、湖上数据和多模态数据,支撑实时分析;相关术语:湖仓一体、物化视图、向量搜索
  • 层次:语义层;负责什么:把指标、维度、表间关系和过滤规则定义成共享对象,让查询按同一口径执行;相关术语:语义层、指标层
  • 层次:上下文层;负责什么:组织业务术语、口径来源和背景知识,帮助 AI 理解问题、解释结果;相关术语:AI 上下文层、企业上下文
  • 层次:Agent 执行;负责什么:理解问题、规划查询、调用数据并给出带依据的回答,支持对话入口或接入业务系统;相关术语:受治理的 Agent、工具调用、MCP
  • 层次:治理与安全;负责什么:贯穿以上各层:权限、脱敏、访问追踪和审计;相关术语:数据治理

上表按职责拆解能力,方便评估,并不要求每一项都独立部署为一层。以 MIP 为例,产品采用数据、企业语义与上下文、Agent 三层架构,治理贯穿其中(MIP 平台架构解读)。

理解这几部分的分工,可以从“本月华东区净销售额是多少”这个问题入手。以下是能力拆解示例,具体实现随企业数据模型与平台而异。

数据底座:让查询找到可用数据。评估时应区分源数据更新时间、同步延迟和查询响应时间;查询返回得快,不代表读到的数据足够新。对实时分析与 Agent 共用数据的场景,还应核对资源隔离与湖仓访问方式(MirrorData 产品介绍)。

语义层:让“净销售额”对应确定的计算规则。除了公式,还要明确退款如何处理、按下单日还是结算日统计,以及订单明细与退款明细如何关联;语义层将指标、维度、关系与访问约束组织为可复用定义(语义层词条)。

上下文层:让 Agent 知道定义的适用条件。促销政策、财务术语解释和例外处理说明可以补充计算规则的业务背景;上下文层根据问题、身份与任务组织相关知识,供查询与解释使用(AI 上下文层词条)。

Agent 执行:把提问组织为可检查的分析过程。可以要求演示系统如何识别问题、选择指标、生成查询、处理追问并返回依据,而不只展示最终回答;MIP 产品页给出了从自然语言提问到校验、执行和结果复核的流程(MIP 产品页)。

治理与安全:检查整条链路的使用边界。建议分别测试用户身份传递、查询权限、敏感数据处理与审计记录,尤其要检查 Agent 是否继承了过大的服务账号权限。治理能力应随每次访问执行,不能只在对话入口检查一次。

一个业务问题如何经过平台得到答案?

假设零售企业的区域负责人问:“本月华东区净销售额为何下降?”下面的流程用于说明各部分如何协作,不代表客户实测结果,也不预设分析结论。

明确问题范围。先确认“本月”是截至当前的累计值,比较对象是上月同期还是完整上月,并确定华东区的门店范围。若提问省略了关键条件,应先澄清,避免把不同长度的统计周期放在一起比较。

绑定指标与关联规则。假设企业已约定净销售额为销售收入扣除退款与折扣,Agent 应使用这份定义,并确认关联订单和退款数据时不会重复计数。若退款按发生日入账,还应说明跨月退款如何进入本期计算。

在授权范围内执行查询。先按当前用户的门店与区域权限确定数据范围,再比较商品、渠道或门店等维度的变化。没有权限的明细不应进入回答,也不应通过后续追问绕过限制。

区分计算结果与原因解释。查询可以展示哪些维度对变化贡献较大;要把下降归因于某次促销或库存问题,还需要结合相关业务记录核实。数据上的同步变化不宜直接写成因果结论。

交付可复核的答案。建议回答同时展示统计周期、指标定义、数据更新时间、使用的来源与查询记录。缺少政策说明、数据尚未更新或口径存在歧义时,应直接说明限制,让使用者知道哪些结论已经核实、哪些仍需确认。

和数据中台、ChatBI 有什么区别?

  • 对比项:主要使用者;数据中台:数据开发、分析师;ChatBI 工具:业务人员;企业级 AI 数据平台:业务人员、AI Agent、业务系统
  • 对比项:业务口径在哪里;数据中台:在数据模型、指标体系或报表中维护;ChatBI 工具:工具内配置,或接入共享语义层;企业级 AI 数据平台:集中在语义层,多个入口共用
  • 对比项:数据访问;数据中台:通过数据集、服务或查询接口提供;ChatBI 工具:依赖已对接的数据源;企业级 AI 数据平台:统一数据底座,支持实时数据和湖上数据
  • 对比项:结果可追溯;数据中台:可通过血缘、查询日志和文档追溯;ChatBI 工具:因产品而异;企业级 AI 数据平台:保留口径、数据来源和查询过程
  • 对比项:权限;数据中台:可集中治理,需核对跨工具继承;ChatBI 工具:需核对是否继承数据源权限;企业级 AI 数据平台:统一权限,Agent 在提问人的权限范围内查询

上表从主要使用目的比较三类方案,具体能力随产品与实施方式而异。ChatBI 也可以接入共享语义层和统一权限,数据中台也可能具备完整血缘与审计;评估重点是现有能力能否跨入口复用,而非产品名称。

哪些业务场景值得优先评估?

建议优先选择业务人员反复提问、数据来源明确、结果能人工核对的场景。下面以分析任务举例,用来帮助确定试点范围,不作为行业效果承诺。

经营与财务问数:例如按区域查询净销售额、毛利或费用变化。试点应核对同一指标在 Agent 与现有报表中的公式、范围和时间边界是否一致,并让业务负责人确认答案。

运营异常排查:例如检查某个渠道的转化率为何变化。可以先核对数据更新、埋点或口径是否变化,再开展业务维度拆解;缺少进一步证据时,不要求 Agent 强行给出原因。

业务系统内的分析助手:例如在经营门户中读取当前门店的数据并回答追问。评估重点应包括身份与权限传递、共享口径,以及分析记录能否从业务入口回溯。

如果需求只涉及固定报表,建议先评估现有 BI 与数据模型是否足够;如果主要是查找制度、说明书等文档,可以先验证知识库检索。明确需要跨数据源计算、复用业务定义或统一管理多个 Agent 时,再评估平台化建设的投入。

选型清单:评估时可以问的 10 个问题

数据底座

  1. Agent 查询的是实时数据,还是 T+1 的加工结果?数据新鲜度能否在回答里显示?
  2. 能否直接查询数据湖上的开放格式数据(如 Iceberg、Paimon),还是需要先导入?
  3. Agent 的查询和现有报表查询能否隔离资源,避免互相影响?

语义与上下文

  1. 指标口径定义在哪里?AI Agent、BI 工具和 SQL 查询能否共用同一份定义?
  2. Agent 生成的查询能否展开成可读的 SQL,供人工复核?
  3. 指标背后的业务解释(为什么这样定义、例外规则)AI 能否读取?能否接入企业已有的知识库?

Agent 与治理

  1. Agent 是否在提问人的数据权限范围内查询?敏感字段能否自动脱敏?
  2. 每个回答能否追溯到用了哪个指标定义、哪些数据来源?
  3. Agent 能力能否通过 API、MCP 等方式接入现有业务系统和工作流?
  4. 遇到尚未定义口径的问题,Agent 会怎样处理:直接推测,还是提示需要确认?

如何从现有数据平台开始建设?

建议从一个边界清晰的业务域开始,不要求先迁移全部数据或定义所有指标。试点既要检查回答质量,也要验证权限、维护成本和异常处理。

确定问题与验收基准。收集真实高频问题,包括同义表达、模糊时间、跨表计算、越权请求和暂时无法回答的问题。由业务与数据团队确认参考答案、使用口径和允许的数据范围。

连接必要数据并明确责任人。只接入试点需要的数据与业务说明,记录更新时间、维护人和可访问范围。先核对缺失、重复和延迟等数据问题,避免把源数据错误归结为模型错误。

先统一定义,再开放提问。将试点使用的指标、维度、关联与例外规则整理为共享定义,让 Agent 和人工查询使用同一口径。对于暂未覆盖的问题,明确由谁补充定义、谁确认后生效。

用同一批问题反复验证。建议记录答案与参考结果的一致性、权限测试是否通过、依据是否完整,以及响应耗时和单次任务资源消耗。每次修改口径、模型或工具后复测,不用一次顺利演示代替验收。

按问题类型决定如何扩展。口径错误先修定义,查询错误检查生成与执行,解释缺证据就补充上下文。验证稳定后再增加业务域、接入入口或 Agent,继续保留人工复核与问题回退路径。

镜舟 MIP 的做法

镜舟 MIP(MirrorShip Intelligence Platform)将上述职责组织为三层产品能力,并以 MirrorControl 提供贯穿全程的治理:

  • MirrorData 是统一数据底座,由基于 StarRocks 的实时分析引擎 MirrorBase 和开放湖仓存储 MirrorLake 组成,支持 Iceberg、Paimon 等开放格式。
  • MirrorMind 是企业级语义层,包括承载指标、维度和表间关系的语义视图,以及承载业务解释的上下文知识,可以对接飞书等外部知识库。
  • MirrorPilot 是 Data Agent,提供对话式分析入口,也可以通过 OpenAPI、MCP 或 Skill 接入业务系统。
  • MirrorControl 贯穿三层,提供治理、安全、全链路访问追踪和运维支持。
MIP 平台三层架构图

详细架构见 MIP 平台架构解读,产品介绍见 MIP 产品页。

常见问题

企业级 AI 数据平台和大模型平台是一回事吗?

不是同一类产品。大模型平台负责模型的训练、部署和调用;企业级 AI 数据平台负责让模型和 Agent 用对企业数据。两者通常配合使用。

已经有数据仓库或数据湖,还需要 AI 数据平台吗?

现有的数据仓库和数据湖可以继续使用。AI 数据平台在其上补充语义层、上下文和 Agent 治理。是否需要统一数据底座,取决于现有系统能否满足 Agent 对实时性和并发的要求。

AI 数据底座和企业级 AI 数据平台有什么关系?

AI 数据底座通常指数据层,企业级 AI 数据平台还包括语义层、上下文层、Agent 执行和治理。

从哪里开始建设?

可以从一个口径争议多、提问频繁的业务场景开始,例如销售或财务分析。先把这个场景的核心指标定义进语义层,再让 Agent 在这个范围内回答问题,验证结果一致之后再扩展。

有了 RAG 知识库,为什么还要评估 AI 数据平台?

RAG 可为回答提供检索到的文档证据,但检索到文字不自动保证指标口径、数据访问权限或计算过程正确(AI 上下文层词条)。 例如,“退款政策如何规定”可以先检索政策文档;“本月退款影响了多少净销售额”还要按定义查询交易数据并计算。是否需要完整平台,应由这类任务要求决定。

企业级 AI 数据平台能保证 Agent 回答正确吗?

不能保证每次回答都正确:源数据质量、定义更新、检索效果、查询执行和模型行为都会影响结果(AI 上下文层词条)。 因此建议把口径约束、查询校验、权限检查、结果依据和人工复核一起纳入验收。对于依据不足的问题,应允许系统澄清、暂停或转交人工。