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
- 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?
- 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?
- 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
- 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?
- Agent 生成的查询能否展开成可读的 SQL,供人工复核?
- 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
- 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?
- 每个回答能否追溯到用了哪个指标定义、哪些数据来源?
- Agent 能力能否通过 API、MCP 等方式接入现有业务系统和工作流?
- 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。

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。