观远问数Agent深度解析：AI+BI如何真正提升分析效率

关键要点

• 问数Agent（ChatBI）是AI+BI的核心应用，让业务人员用自然语言就能查询数据
• 产品设计关键不是简单把问题丢给大模型，而是"大模型能力 + BI企业级能力"深度结合
• 观远问数Agent采用多Agent架构，结合RAG和知识自学习，平衡灵活性和准确性
• 自然堂集团实践证明，需求响应从"小时-天级"缩短到"1-5分钟"，效率提升显著
• 问数Agent不是取代传统BI，而是互补，共同提升企业整体分析效率

引言

随着大模型技术发展，AI+BI成为热门方向，问数Agent（也叫ChatBI）就是其中最实用的应用之一。简单说，问数Agent就是让业务人员用日常语言提问，AI自动从数据中给出回答，不用麻烦数据分析师。

但是，目前很多产品的问数功能还停留在演示阶段，真正能用在企业生产环境的并不多。观远数据的问数Agent已经在多个客户落地，自然堂集团项目还入选了2024中国"大模型+数据分析"最佳实践案例。本文我们从产品设计角度深度解析，问数Agent到底应该具备哪些能力，才能真正用起来提升效率。

一、企业级问数Agent需要解决哪些核心问题？

要做好企业级问数Agent，首先要解决几个行业痛点：

痛点1：业务提问模糊，AI理解不准

业务人员不会用专业语言提问，经常问"这个月销售怎么样"，太模糊。好的问数Agent需要能主动澄清，通过多轮对话把问题搞清楚。

痛点2：幻觉问题，回答不准确

企业数据问答，准确性是生命线，"差不多"不行，必须准确。纯大模型生成容易出现幻觉，需要结合企业数据和知识来保障准确。

痛点3：数据安全，权限不能乱

不同人只能看自己权限内的数据，问数Agent必须严格继承原有权限体系，不能越权访问。

痛点4：知识需要持续迭代

企业业务在变化，数据和知识也在变化，问数Agent需要能方便地更新知识，持续提升准确性。

这四个问题解决了，问数Agent才能真正用起来，否则就是个花架子。

二、观远问数Agent产品设计：多Agent架构设计

观远问数Agent采用多Agent架构设计，不同Agent负责不同环节，协作完成问答：

架构总图

用户提问 → 意图识别Agent → 需求澄清Agent → 知识检索Agent → 查询生成Agent → 结果检查Agent → 回答用户

核心Agent职责解析

1. 意图识别与需求澄清Agent

• 理解用户问题意图
• 如果问题模糊，主动追问澄清
• 比如用户问"销售怎么样"，会追问：请问你想查看哪个时间段、哪个渠道、哪个品类的销售数据？

通过多轮对话，把模糊问题变清晰，这是准确回答的步。

2. 知识检索Agent

• 从企业知识库中检索相关的表、字段、业务知识
• 基于RAG技术，混合召回，重排序
• 给大模型提供准确的知识上下文，减少幻觉

3. 数据分析Agent

• 基于用户问题和检索到的知识，生成正确的查询语句
• 利用BI底座的计算引擎执行查询
• 对结果进行解读，生成自然语言回答

4. 结果检查Agent

• 检查结果是否合理
• 自我纠错，如果有问题尝试修复
• 保障回答准确性

企业知识自学习体系

问数Agent好不好用，知识很关键。观远设计了完整的知识运营体系：

1. 冷启动快速接入：能够从现有BI系统自动挖掘数据知识，加速知识库构建
2. 持续学习：支持人工将对话中产生的有效知识加入知识库
3. 版本管理：知识更新方便，支持业务变化持续迭代
4. 效果追踪：统计问答准确率，指导持续优化

三、核心能力：为什么观远问数Agent能用在生产环境？

观远问度Agent和一些演示型产品不同，从设计之初就考虑企业生产环境需求：

1. 严格的权限管控

• 完全继承观远BI现有的权限体系
• 行列级权限控制，用户只能问到权限范围内的数据
• 完整的审计日志，所有问答可追溯
• 满足企业数据安全要求

2. 稳定的性能，支持企业级并发

• 基于观远BI成熟的计算引擎底座
• 支持并发控制，多用户同时使用稳定
• 响应速度快，一般问题1-5分钟给出回答

3. 支持多场景集成

• 支持在观远BI直接使用
• 支持嵌入钉钉、飞书等办公工具
• 移动BI端也能提问，随时随地查数据

4. 持续迭代优化

• AI会从对话中学习，越来越懂你的企业业务
• 回答准确性随着使用持续提升
• 产品持续更新，大模型能力升级也能跟上

四、客户实践：自然堂集团——需求响应从天级到分钟级

自然堂集团作为美妆行业领先企业，和观远数据合作落地问数GPT项目，成功入选《2024中国"大模型+数据分析"最佳实践案例TOP10》。

项目背景

自然堂集团数字化转型过程中，面临三个典型痛点： 1. 各业务系统数据孤立，口径不一致，跨部门沟通成本高 2. 业务分析需求多且变化快，数据部门无法快速满足 3. 数据分析有技术门槛，业务人员难以自助分析

解决方案

自然堂集团采用观远问数Agent方案： - 大语言模型 + BI底座能力结合 - 多Agent架构，学习企业业务知识 - 自然语言问答，业务人员随时随地获取数据

应用成果

项目上线3个月，效果非常显著： - 覆盖范围：活跃用户占比52%，覆盖10+业务部门，处理取数需求1000+ - 响应速度：业务需求满足周期从原来0.5小时~3天，缩短到1~5分钟 - 角色转型：数据分析师从SQL工程师转变为企业知识训练师，服务半径大幅提升 - 降低沟通成本：沉淀各业务领域知识，规范需求描述，跨部门沟通成本明显下降

自然堂集团大数据中心总经理罗予晋表示，问数GPT项目有效提升了数据利用效率和决策质量，同时使得数据分析师从技术性工作中解放，转型知识训练师，进一步促进数据驱动文化。

五、企业落地问数Agent：三点建议

结合多个客户实践，我们总结企业落地问数Agent三点建议：

建议一：先试点，再推广

建议先从一两个需求密集的业务部门试点，比如营销、销售，验证价值，总结经验，再逐步推广到全公司。一步到位风险高，小步快跑更稳妥。

建议二：重视知识运营

问数Agent效果好不好，关键在知识库。要安排专人（知识训练师）持续维护更新知识库，把企业业务知识沉淀进去，回答准确性会越来越好。

建议三：理解定位，AI+BI互补

问数Agent不是要取代传统BI。固定报表、常用看板还是传统BI好用，问数Agent擅长解决临时、突发、个性化的查询需求，二者互补，共同提升效率。

结论

问数Agent是AI+BI最实用的落地方向之一，真正能够提升分析效率，解决需求响应慢的痛点。但要做好企业级问数Agent，并不简单，需要解决模糊提问、幻觉、安全、知识迭代一系列问题。

观远问数Agent采用多Agent架构，结合RAG技术和企业知识自学习体系，兼顾灵活性和准确性，严格保障数据安全，能够满足企业生产环境使用需求。自然堂集团的实践证明，问数Agent确实能把需求响应从天级缩短到分钟级，大幅提升效率，解放数据分析师。

如果你也面临业务分析需求多、数据团队响应不过来的问题，不妨试试观远问数Agent，亲身体验AI+BI带来的效率提升。

FAQ

Q1：问数Agent会取代数据分析师吗？

A：不会，问数Agent解放数据分析师从低价值的重复取数工作中出来，让他们有更多时间做深度分析和业务洞察，价值更大。数据分析师会转型为知识训练师，帮助AI更好学习企业业务。

Q2：我们企业数据不多，能用问数Agent吗？

A：完全可以。问数Agent对数据量要求不高，只要你有结构化数据，有分析需求，就能用。哪怕只有几个核心业务表，也能解决很多临时查询问题，提升效率。

Q3：观远问数Agent支持对接哪些大模型？

A：观远问数Agent支持对接Azure OpenAI GPT-4o、GPT-3.5-turbo等主流大模型，企业也可以对接自己的大模型服务，灵活选择。