Aloudata Agent ：基于 NoETL 明细语义层的分析决策智能体

今天的分享包含四方面内容。首先，谈谈企业在数据分析智能体（Agent）探索时所面临的挑战；其次，介绍 Aloudata Agent 的关键技术创新点；第三，作为首次亮相，我们将通过产品演示揭晓产品 1.0 版本的真实面貌；最后，简要展望未来的发展规划。

从企业发展历程来看，数据分析经历了三个阶段：传统 BI 阶段、敏捷 BI 阶段以及当前的智能 BI 阶段。在传统 BI 和敏捷 BI 阶段，数据分析主要聚焦于让有一定技术能力和分析技能的专业人员通过编写 SQL 或拖拉拽等方式查看和分析数据。进入智能 BI 阶段后，依托大模型的能力，企业数据分析迈向了面向更广泛的人群进行主动洞察和智能洞察的新阶段。随着 DeepSeek的出现， 加速了大模型的平权，企业实现“人人都是分析师”的愿景正逐步成为可能，数据民主化进程显著加速。

企业数据分析 Agent 建设挑战

企业级数据分析是一个低容错度的场景，尽管大模型目前的智能化水平有了快速的提升，但实现企业级分析场景的落地还面临着很大的挑战。

首先是意图理解挑战。业务人员通常以口语化、业务化的方式表达需求，而数仓资产中的数据语言与之存在巨大差异，导致大模型难以直接跨越这一鸿沟实现精准理解。

其次，数据口径一致性挑战。同一问题在不同时间或由不同业务人员提出时，可能得到差异化的结果，这种“幻觉”现象影响了分析结论的可靠性。

第三，场景覆盖度挑战。当前有些企业已经进行了初步探索，但仅限于比较小的场景和有限范围的尝试。当分析需求扩展至更多业务场景或更大用户群体时，企业需投入高昂成本才能维持 80% 以上的精准度，场景覆盖能力有待提升。

第四，性能优化和成本平衡的挑战。大模型本身并不擅长数据查询性能优化，直接生成查询 SQL 较难确保稳定的性能输出与成本之间的平衡。

第五，数据权限管控的挑战。智能分析场景一定解决数据权限管控问题，避免问数时出现数据越权泄露。

企业数据分析 Agent 落地路径

目前，业界探索数据分析 Agent 主要采用 NL2SQL、NL2DSL2SQL 及 NL2MQL2SQL 三种路径。

第一， NL2SQL 路径。通过自然语言生成查询 SQL 来实现问数，完全依赖大模型能力。此方案下，业务语义与数据语义难以对齐，问数准确率较低；同时，大模型生成的查询 SQL 难以实现性能优化；此外，由于缺乏权限管控机制，存在数据安全风险。

第二， NL2DSL2SQL 路径。借助 BI 系统沉淀的数据集和报表作为大模型的知识库，大模型生成 BI