Aloudata 亮相 2025 DACon 数智大会，为企业打造可信智能的 Data Agent

10 月 24 日，由国内知名大数据与人工智能技术社区 DataFun 主办的 2025 DACon 数智大会在北京隆重举行。此次大会以“大模型时代，Data + AI 的变与不变”为主题，聚焦大数据、大模型技术动态及 AI 应用实践，涵盖了汽车制造、金融、保险、电商、消费、零售、物流、软件开发等行业领域。

Aloudata 大应科技产品专家赵祎祺受邀参会，带来了《以 NoETL 指标语义层为核心，打造可信、智能的 Data Agent 产品实践》主题演讲，围绕企业级智能数据分析的挑战与误区和 Aloudata 在 Data Agent 层面的建设实践展开分享，同与会嘉宾共同探索从 ChatBI 到 Data Agent 的创新路径。

智能数据分析：从敏捷 BI 转向智能 BI

大模型与人工智能技术的飞速发展，正推动数据分析从敏捷 BI 向智能 BI 深刻变革。

在敏捷 BI 时代，有一定技术背景的分析师可以通过各类 BI 工具以拖拽的方式搭建报表和数据看板，开发周期数天到数周，但对于缺乏技术背景的分析师而言，依然需要依赖于 IT 代码开发。如今，大模型的出现，让“数据民主化”成为可能——缺乏技术背景的分析师或业务人员通过自然语言交互即可快速获取所需数据，并获得深度洞察。然而，在“Data + AI”的融合应用中，挑战与误区尚存在许多。

第一，数据治理缺乏导致的洞察困境。赵祎祺指出，企业内数据丰富却杂乱无章，虽蕴含巨大价值，但未经治理难以直接利用。如果将原始数据直接交给大模型处理，大模型无法准确把握数据的业务含义和价值，极易引发“口径误解”和“结果不一致”等问题。

第二，智能问数并非终点，而是起点。许多智能数据分析产品过于聚焦“智能问数”的功能，但赵祎祺表示：“智能问数不是终点，而是整个真实业务数据分析场景链路中的起点。”因为业务不仅需要快速获取数据，更需要理解数据变化的原因、影响维度及内部外部因素，进而输出驱动行动的决策建议。

第三，Chat 并非唯一的交互方式。许多企业在进行 Data Agent 产品开发时，多采用对话式作为唯一交互方式。“但在复杂分析场景中，业务需要与大模型进行多轮探讨和交互，对话式会限制互动深度。”赵祎祺强调，“例如将 Chat、UGI 与分析报告等多模态交互形式相结合，将更贴合业务复杂分析场景。”

NoETL 指标语义层：构建智能问数的基石

面对上述挑战与误区，Aloudata 提出了基于 NoETL 指标语义层打造 Data Agent 的解决方案。赵祎祺表示：“我们首先解决的是数据治理的问题，让大模型能够看懂数据，理解业务意图，给到准确的结果。”

NoETL 指标语义层具备基于明细数据搭建指标和维度的能力，支持统一的标准化指标定义。这既保障了大模型能够准确理解企业的数据口径，也能够与智能问数的业务语义精准对齐，无论是谁提问、如何提问，都能够保证数据口径的一致性，从而确保查询 SQL 的 100% 准确性。

与此同时，基于 NoETL 指标语义层，企业可以进行任意粒度和任意维度的动态组合、自由下钻，智能问数的灵活性也得到了极大保障。正如赵祎祺分享道：“这样，在我们去搭建 Data Agent 的场景里，标准化定义少量基础指标和维度即可完成数据语料准备，规避指标检索时大量相似指标名称问题。随后在进行智能问数时，灵活组合基础指标、维度和日期，便可实现派生指标的动态生成和即时计算。”

例如，在 NoETL 指标语义层仅定义“销售额”基础指标，智能问数时可围绕时间、渠道等维度提问，查询近 30 天销售额，查询某个渠道的销售额，也可进行某段时间内销售额的最大、最小值和平均值计算，还能通过指标与维度组合过滤，查询特定品牌的销售额等。

有了 NoETL 指标语义层作为基石，在与大模型的交互中，便可以分为这样几步：第一步，大模型理解业务问题，识别关键信息，通过 NoETL 指标语义层检索指标、维度、过滤条件等，并将其生成指标语义查询 MQL（Metric Query Language）；第二步，将 MQL 通过指标语义查询引擎转化为可执行的 SQL 语句，实现 100% 准确的 SQL 查询和物化加速，高效、准确输出数据结果。在这个过程中，指标语义查询引擎通过查询 API 鉴权，可以核查用户对查询指标、维度及相关数据的权限，从而保障数据的安全性。

“在整个流程中，我们将具备灵活性的语义解析任务交由大模型来完成，将要求准确性的 SQL 生成与查询执行任务交由指标语义查询引擎来执行，实现了各自专业能力的有效结合，最终帮助用户高效获得准确的数据。”赵祎祺对此强调。

端到端数据分析智能支持：打造可信智能 Data Agent

除了核心的数据查询功能外，Aloudata 还在数据分析智能支持方面进行了深入探索和实践，基于统一数据语义、业务分析知识，致力于为企业打造一个可信智能的 Data Agent，构建一站式的分析智能体平台，帮助企业实现数据普惠、安全用数、深度洞察、行动建议。

一站式的分析智能平台围绕智能分析层展开，向下接入数据/知识层，这一层除了支持 NoETL 指标语义层外，还可以无缝融合企业各类数据源及企业知识、联网知识，为大模型提供丰富的长期记忆上线问。同时将 NL2SQL 技术路径作为 NL2MQL 的有效补充，面向特定场景，丰富智能数据查询的高效和灵活性。

在智能分析层，包括了“智能问数和归因”、“深度研究报告”和“自主研究报告”三大模块能力。“智能问数和归因”满足的是自然语言取数和根因洞察的需求，用户可以进行问数、解读、归因分析等；“深度研究报告”将自主权交给大模型，依托企业的业务知识，自主规划和执行分析任务，并输出图文并茂的分析报告；“自主研究报告”则是让 AI 作为用户的分析助手，将用户的分析思路和 AI 快速获取数据、解读数据的能力相结合，两者配合共同生成和呈现完整报告，将大模型从工具转变为伙伴的角色。

赵祎祺补充道：“鉴于企业业务场景复杂多样，我们还支持构建智能体管理体系，按照分析场景对不同业务域的数据知识进行结构化划分，并通过场景化分析助手的模块化设计来实现精准管理。这样一来，避免由于大模型底层语料规模庞大导致‘幻觉’问题，以及过度集中的功能设计对业务造成信息干扰。”

在应用场景层，Data Agent 既可以直接使用，也可以通过页面嵌入的方式与企业业务系统打通，包括 Agent 页面嵌入、报告页面嵌入。此外，一站式的分析智能平台还提供了 API 集成能力，可与企业内其他 Agent 进行搭建和组合，满足不同应用场景的需求。

在技术实现路径上，Aloudata 独创了 NL2MQL 路径，同时保留了 NL2SQL 路径作为补充。通过 NL2MQL，用户可以通过大模型在 NoETL 指标语义层进行指标召回，随后将自然语言转化为 MQL，并生成标准化 SQL 语句执行查询任务，确保了查询逻辑的稳定性和结果准确性。对于未纳入指标库的临时性查询需求，则可以通过 NL2SQL 路径直接处理，从而实现智能问数可靠性与灵活性的兼顾。

面对复杂分析任务，Aloudata 采用了基于 COT 和 ReACT 的多 Agent 架构协同，可充分利用大模型的思维链能力来进行查询过程规划和执行，将复杂分析任务拆解为子任务，并动态反馈调整，大幅提升分析效率和准确性。

Aloudata Agent：开启全新的数据交互形式，驱动业务创新发展

目前，Aloudata 已自研推出分析决策智能体——Aloudata Agent，且已经具备“智能问数与归因”、“深度研究报告”、“自主研究报告”的功能，能够帮助企业实现从“数据获取”到“分析洞察”到“报告生成”再到“行动建议”的端到端智能数据分析决策闭环，开启全新的数据交互形式，驱动业务提质增效、创新发展。

在实践应用中，Aloudata Agent 还具有四大特征：

1、分析过程透明化：将分析过程精准翻译为用户易于理解的语言，呈现查询所涉及的指标与维度及计算口径，让用户清晰判断输出结果的准确性，确保对指标口径的理解，保障数据分析的可靠性；

2、用户可调整可干预：针对模糊问题，通过“反问”机制与用户二次确认，确保问题意图精准把握。用户可依据实际需求，灵活调整查询条件，与大模型实时交互确认，快速获取符合期望的准确数据，提升数据查询的效率与精准度；

3、交互式引导追问：在分析过程中，支持结果下钻与引用追问，以及基于历史会话的问题精准推荐和智能引导，帮助用户精准锁定上下文信息，确保追问过程的连贯性与准确性，深入挖掘数据背后的潜在价值，实现更全面、更深入的数据洞察；

4、知识可沉淀可隔离：支持用户构建并维护个人知识库，实现不同场景下知识的有效隔离。基于这种机制，大模型能够快速学习特定场景下的专属知识，针对性地提升问题回答能力，有效避免因知识混淆而导致的回答偏差，为用户提供更加专业、精准的数据分析服务。

赵袆祺最后表示：“未来，我们将持续优化 Aloudata Agent 的产品功能和性能表现，助力企业打造更加可信、智能的 Data Agent，加速实现数据驱动的数智化转型。”

现在，Aloudata Agent 公开版已开放免费体验，欢迎访问 Aloudata Agent 产品官网，立即预约体验。