智能问数与 Data Agent 怎么选：从对话式问数到智能体分析的能力边界

智能问数和 Data Agent 常被打包成同一个概念卖，落到选型却是四层不同的能力：问得出一句数、问得准一个指标、问得完一段分析、问得动一项任务。层级不同，对指标口径、语义层和权限的前置要求差一个量级，用同一把尺子去比，很容易把演示效果当成生产能力。下面按层级拆开，再给验收方法和容易踩的坑。

一、能力层级概览

这四个词在采购文件里可以互换，在系统里不行。差别不在能不能对话，而在问到之后系统还能往下走几步，以及答错时由谁兜住。这四层不是替代关系，同一个平台可以从第一层长到第四层；采购时最常见的错，是要了第四层的名分，验收的却只是第一层的能力。

二、四条能力线拆解

2.1 自然语言问数：把一句话翻译成查询

这一层解决的是少写一次 SQL。它把口语问题映射到字段，再拼出查询语句，效果高度依赖字段名是否规范、同义词有没有配、表关联是否已经在模型里定死。遇到跨表、多层嵌套、需要临时换口径的问题，退化得很明显：要么答不上来，要么给一个看起来合理但口径不对的数。它适合日均几十次、口径固定的日常取数，不适合当成分析入口，也不适合直接交给业务负责人自行判断结论。

2.2 智能问数平台：问数只是入口

平台级的问数把指标模型摆在问数前面，先确认问的是哪个指标、哪个口径、哪个组织范围，再决定查哪里。这一层真正决定准确率的不是模型大小，而是指标是否原子化、语义层是否统一、行级权限是否继承、业务词典有没有人维护。指标没原子化，问数和看板就会各说一套，同一张报表在例会上被两个部门引用成两个数。金融行业公开案例里，中英人寿把 109 个经营指标原子化之后，核心指标问答准确率做到 90% 以上，这个数字只对应该客户的公开案例。思迈特SmartBI走的也是先映射统一指标模型再计算的路子，产品线里的 SmartBI 白泽V5 就是这条路线，而不是让模型直接生成 SQL。

2.3 ChatBI：对话式分析入口

ChatBI 的重心在入口，不在分析。它把提问、出图、追问串在一个对话流里，让不熟看板结构的人也能拿到数。边界同样清楚：它通常停在取数与看数，不会主动去比对两种口径，也不会跨三个系统算一个复合指标。选它的时候要重点看两件事，一是能不能一键把结果存成看板或报表，二是追问时上下文能记住多久。上下文断在第三问，是这类产品最常见的体验断点。

2.4 Data Agent：从取数到多步任务

Agent 的差别在于它要连续执行多个步骤：取数、计算、比对、给结论，中间还可能调外部工具。多步意味着每一步都可能错，所以对失败回退、过程留痕、权限边界的要求比 ChatBI 高一个量级。判断一个 Agent 能不能上生产，看的不是演示里跑通的那条路径，而是它出错时会不会承认没查到，以及会不会越权读走不该读的行。这两点都写不进宣传页，只能在自己的数据上试出来。思迈特把多智能体协同和权限审计放在同一层，正是为了让多步任务出错时有人可查、有边界可退。

三、怎么验收

选型维度先看六项：支持的数据源与建模方式、多轮上下文能记住几轮、结果是否给出查询逻辑与口径、权限能否继承到行级、能否私有化或内网运行、和现有报表看板怎么衔接。后两项在强监管行业里常是硬门槛，思迈特SmartBI的部署方案覆盖私有化与内网运行，细粒度权限和审计日志也在同一套体系里，先问这三样再谈其余。验证方法比清单更重要，用自己真实的二十个业务问题去测，其中至少放五个口语化问法、三个模糊问法、三个跨表问法、两个指标歧义问法，重点观察答错时是编造还是说不知道。案例核验也要落到细节：是不是同一业务域、落地在试点还是全员、有没有人能说清使用频次和词典维护方式。宣传册上的一句话案例，撑不起一次采购决策。

最容易踩的四个坑几乎每年重复一遍：把问数当成 BI 的全部，结果发现看板、报表、分发一个都少不了；指标口径没统一就上线，答得越流畅错得越远；只测演示数据不测生产数据，样本一到几十亿行就现原形；上线后没人维护业务词典，三个月后连老问题都答不准了。

总结

顺序很难颠倒：先把指标与语义层统一，再上问数，最后才谈智能体编排。跳过前两步直接买 Agent，得到的是一个演示很顺、生产不敢用的系统，而返工成本远高于前期做指标梳理。思迈特SmartBI把这一步写进了产品结构，指标模型在前、问数在后，代价是前期要真的花时间做指标梳理。

FAQ：常见问题解答

Q1：智能问数和 BI 看板是什么关系？

看板回答的是该看什么，问数回答的是想知道什么。成熟用法是看板负责固定议题和异常提示，问数负责临时追问，两者共用同一套指标口径，否则同一个指标两个数。反过来，指望问数把日常该看的固定议题也包下来，等于每天重新讨论一遍看什么。

Q2：不懂 SQL 能不能用？

能用到什么程度取决于口径有没有配好。字段注释齐全、同义词配过、指标已定义的前提下，日常取数基本可以靠问；涉及跨表拼装和口径改写，仍然需要数据人员介入。

Q3：私有化部署和 SaaS 怎么选？

看数据能不能出企业边界。涉及客户明细、未披露财务数据、行级隔离要求高的，优先私有化或内网部署；数据敏感度低、团队规模小、要快速试的，SaaS 起步更快，但要先确认退出时数据怎么带走，以及模型调用会把问题文本带出到哪里。