智能问数产品现况与选型观察
智能问数产品现况与选型观察
从“AI 写 SQL”到“语义层驱动的可信数据智能体”，主流产品正在把问数、图表、权限、指标口径、洞察报告和 Agent 工作流接到一起。
一眼看清：产品正在往哪里走
智能问数已经不再只是把一句中文翻译成 SQL。越成熟的产品，越强调语义模型、指标治理、权限、安全执行、可解释回答和反馈评测。
从看板到对话
Power BI、Tableau、ThoughtSpot、FineBI 等把自然语言入口放进已有 BI 体系，优势是权限、报表、图表和交付成熟。
从数据底座发力
Snowflake、Databricks、Looker、QuickSight 更重视和数仓、湖仓、目录、权限、计算资源的结合。
中文与私有化
Quick BI 小Q、FineChatBI、Smartbi、观远、衡石等更强调中文业务术语、私有部署、信创和行业交付。
更可控但更费工
SQLBot、SuperSonic、WrenAI、DB-GPT 等适合 PoC 和二开，但企业级治理、评测和运维需要自己补齐。
市场地图：成熟度与可控性的取舍
越靠右表示企业级成熟度越高，越靠上表示自研可控性越强。多数团队真正要选的不是“最强产品”，而是“最符合自身数据底座和交付约束的路线”。
海外产品：从 Copilot 到 Agentic Analytics
海外头部产品普遍不再讲单点 NLQ，而是把自然语言入口和语义模型、数据权限、报表创作、嵌入式分析、Agent 工作流绑定。
Power BI Copilot
微软生态适合已有 Power BI/Fabric 的组织。强项是报表总结、DAX 辅助、语义模型驱动问答和办公生态协同。
- BI 底座成熟
- 权限和容量统一管理
- 报表作者提效明显
- 需要付费容量
- 非英文与区域限制需验证
- 绑定微软生态
Tableau Agent
视觉分析更像分析师的建图和探索助手。适合用自然语言生成图表、计算字段、过滤排序和探索建议。
- 可视化表达强
- 适合分析创作
- 与 Tableau UI 协同好
- 不是开放式机器人
- 复杂数据混合受限
- 仍依赖数据建模
ThoughtSpot Spotter
AI Analyst搜索式分析代表产品，强调自然语言问答、可视化、自助分析和企业 trust layer。
- 业务用户体验成熟
- 搜索式分析积累深
- 嵌入式分析能力强
- 商业成本较高
- 依赖模型和字段治理
- 国内部署需评估
Looker Conversational Analytics
LookML 语义层基于 Gemini 和 LookML，让自然语言在受治理的 Explore 和 Data Agent 中执行。
- 语义层强
- 口径一致
- 可做 data agent
- LookML 门槛高
- 绑定 Google/Looker
- 合规边界需审查
Snowflake Cortex Analyst
API-first更像 Snowflake 原生问数 API。通过 semantic model 或 semantic views 把业务问题转为可信 SQL。
- 与 Snowflake 权限结合
- API 集成灵活
- 语义模型路径清晰
- 需自建前端体验
- 绑定 Snowflake
- 多轮仍有边界
Databricks Genie
湖仓问数空间围绕 Genie Space 创建领域化问数入口，由分析师配置数据集、示例 SQL、业务说明和评测。
- Unity Catalog 治理
- SQL/表格/可视化闭环
- 支持 API 和外部嵌入
- 绑定 Databricks
- 需要持续策划空间
- 计算成本需控制
国内产品：中文业务、私有化和行业交付更关键
国内产品常把智能问数放在 BI、数据门户、经营分析、移动办公和私有化项目里一起交付。它们的优势不只在模型，而在中文业务术语、权限、报表闭环和现场实施。
| 产品 | 主要特色 | 优点 | 注意点 |
|---|---|---|---|
| Quick BI 小Q问数 | PC/移动端自然语言问数、数据集问答、仪表板问数、多轮对话 | 阿里云和 Quick BI 生态衔接好，中文体验和移动办公友好 | 增值模块、版本和区域有限制，绑定 Quick BI 数据集 |
| FineBI / FineChatBI | 可信查数、智能模式/极速模式、结合 FineBI 报表和数据门户 | 国内交付成熟，私有化和复杂报表能力强 | 商业闭源，二开空间有限，依赖前期数据治理 |
| Smartbi AIChat | 智能问数、复杂计算、图表生成、下钻引导、歧义澄清 | 重视同环比、累计等复杂指标计算，适合政企金融 | 宣传准确率需用真实业务数据做 POC 验证 |
| 观远问数 Agent | 意图识别、知识召回、问题理解、数据查询、可视化和洞察建议 | 场景化强，贴近经营会议和业务分析 | 依赖业务知识库和指标口径运营 |
| 衡石 Data Agent | Text2Metrics、指标管理、Agentic BI、嵌入式 BI | 用指标层约束问数，减少纯 SQL 幻觉，适合 ISV | 指标体系建设成本较高，不适合只做轻量查表 |
| 网易知数 / 有数 ChatBI | 指标体系、知识库、数据分析智能体 | 互联网数据分析实践沉淀，适合运营和增长场景 | 公开资料相对少，需 POC 确认产品边界 |
开源方案：适合验证，但生产化要补课
开源产品的价值在于可控和可学习。真正上线时，要特别关注许可证、权限模型、SQL 安全、评测体系和长期维护。
SQLBot
中文 PoC基于大模型和 RAG 的智能问数系统，能较快跑通 ChatBI、SQL 和图表闭环。
SuperSonic
语义层统一 ChatBI 和 Headless BI，内置语义模型、自动补全、多轮和三级权限。
WrenAI
Agent GenBI面向 AI Agent 的开放上下文层，用 MDL、业务定义、示例和记忆生成可信 BI。
DB-GPT
数据助手覆盖 SQL、Python 分析、技能、RAG、沙箱、图表和 HTML 报告，适合做数据分析 Agent。
QueryWeaver
Graph Text2SQL用图结构理解 schema，提供 REST API、MCP 和前端，适合复杂表关系研究。
Chat2DB / SQLChat / PandasAI
工具型更适合开发者、DBA、分析师或 Notebook 场景，不建议直接作为大量业务用户的正式问数入口。
选型时看三件事
不要只比较“能不能回答”。真正决定长期价值的是语义治理能力、产品集成方式和运营评测闭环。
是否有语义层
能否定义指标、维度、同义词、口径、表关系、行列权限。没有语义层，复杂问题很难稳定。
是否闭环到业务入口
是否能进入门户、看板、IM、移动端、报告和订阅。用户不会为了问数再打开一个陌生工具。
是否可评测和纠错
能否沉淀标准问题、标准 SQL、失败案例、用户反馈和回归测试。智能问数越用越准，靠的是运营。
落地难点：不是模型不够聪明
大模型能提升交互，但它不能自动修复口径混乱、字段命名混乱、权限缺失和历史数据质量问题。
表字段不懂业务
库表名、字段名和注释不足时，模型只能猜。
指标口径不统一
同一个“人数”在不同部门可能含义不同。
多表关系复杂
join 路径、时间粒度和聚合层级最容易出错。
权限必须前置
问数必须先过角色、行列级权限和脱敏规则。
没有评测就会退化
模型、提示词、表结构变化后，要能回归测试。
自研项目路线：先小而准，再扩业务域
建议用一个业务域跑通闭环，而不是一开始接入全库。比如招生、财务、人事、教学、科研中选一个，先把 30-50 个高频问题做准。
2-4 周
- 选择一个业务域和 5-10 张核心表。
- 整理 30-50 个高频问题、标准 SQL 和口径说明。
- 跑通问答、SQL、安全执行、图表和解释。
1-2 个月
- 加入权限、脱敏、SQL 白名单、超时和审计。
- 支持多轮追问、同比环比、下钻和图表切换。
- 接入门户或 IM，建立反馈和失败案例修复流程。
3-6 个月
- 扩展到多个业务域，建设统一指标和数据目录。
- 做自动评测、回归测试和问题推荐。
- 封装 API/MCP，让报告生成、门户和其他智能体复用。
资料来源
以下为主要参考入口，产品细节以官方文档和实际 POC 为准。