从Workflow到Agent模式的本质跨越
在AI与数据分析深度融合的浪潮中,衡石科技推出的HENGSHI SENSE 6.0以Agentic BI架构重新定义了企业级数据分析的技术边界。相较于传统BI工具的流程僵化与Data Agent的功能局限,衡石的Agentic BI通过"动态语义层+多智能体协同"的双重创新,构建了兼具深度分析能力与安全可控性的技术体系。
传统BI系统依赖人工预设的线性工作流,如同"按剧本演出的演员",在面对多轮对话、复杂归因等场景时极易陷入流程断裂的困境。衡石Agentic BI则通过引入大模型主导的Agent框架,实现了从"被动执行"到"主动决策"的架构升级,其核心在于新增的Agentic Layer(智能体层)与底层数据基座的深度协同,形成"Data+AI Agent"的双引擎架构。
架构设计:四层核心模块
这一架构由四层核心模块构成:
数据集成层
通过API对接、RPA爬取等多源数据接入能力,整合湖仓一体、传统数据库等各类数据源,为分析提供高质量数据燃料。衡石支持120+数据库、API及Excel/CSV文件直连,破解企业数据孤岛。
动态语义层
作为整个架构的"认知中枢",通过HQL(衡石查询语言)定义指标语义,实现业务术语与技术字段的精准映射,解决了传统Text2SQL的语义断层问题。这一层的创新在于,它不是简单地建立业务词汇到技术字段的映射,而是构建了一个完整的语义网络,包含了指标的层次关系、计算逻辑、使用场景、血缘关系等。
AI Agent层
部署建模、ETL、问数等专业化智能体,通过任务拆解、资源调度与多轮协作完成复杂分析流程。每个智能体都有明确的职责,同时它们之间又能灵活协作,形成类似人类团队的分工合作模式。
智能应用层
以ChatBI、自动化看板等形态交付能力,支持嵌入式、IM集成等多模态交互方式。用户可以通过自然语言对话、语音、图像等多种方式与系统交互,获得最适合当前场景的分析结果。
这种架构设计的关键突破在于解耦与协同:各层通过标准化接口实现松耦合部署,同时借助元数据驱动机制确保智能体操作与业务逻辑的一致性。某零售企业实测显示,该架构使新增维度分析耗时从3周缩短至2小时。
核心技术一:动态语义层的三重技术支撑
动态语义层作为衡石Agentic BI的技术核心,通过三层解析引擎与元数据驱动机制,实现了自然语言到业务洞察的精准转化。
Text2Metrics解析引擎:突破语义转换瓶颈
传统Text2SQL方案因依赖刚性表结构映射,复杂查询准确率不足30%,而衡石独创的Text2Metrics架构通过三级解析实现质的飞跃。
自然语言理解层:基于BERT/GPT等大模型与知识图谱增强实体抽取,精准识别时间、区域、指标等核心要素。例如,将"本季度华东区销售额同比变化"拆解为四大分析维度:时间维度(本季度、同比)、空间维度(华东区)、指标维度(销售额)、分析类型(变化)。
查询转换层:通过HQL将业务问题映射为结构化指标描述,支持函数嵌套与复杂计算逻辑。系统不仅理解指标的字面意思,还能处理复杂的计算表达式,如"毛利率=销售额/收入-销售成本/收入-折扣/收入"。
混合执行引擎:采用分级处理策略,简单查询通过缓存实现<100ms响应,复杂查询调用预计算模块,1TB数据集响应时间仅1.3秒。某金融风控平台实时分析10亿条交易记录,查询耗时从47秒缩短至0.3秒。
在金融行业实践中,某银行通过该引擎统一"高风险客户"判定标准,成功解决了跨系统标签冲突问题,问数准确率达90%以上。
元数据驱动机制:业务与技术的"翻译官"
动态语义层的灵活性源于元数据的动态映射能力,其技术实现包含三重保障。
标准化定义:通过XML/YAML配置业务实体(如"销售额")与技术字段(如"订单表。金额字段")的映射关系,屏蔽底层数据结构差异。当底层数据结构变化时,只需更新配置文件,上层业务逻辑无需改变。
反射编程适配:元数据修改无需重新编译部署,只需调整配置文件即可实时生效。某制造企业通过此机制实现"设备OEE"指标的动态更新,从需求提出到部署上线仅需1小时。
智能解释器:自动将业务查询转换为可执行语句。例如,将"最近7天理财产品销售情况"解析为包含时间窗口、渠道维度的完整查询逻辑。这背后的智能系统能够理解业务意图,自动补充隐含的条件和维度。
这种机制使业务人员无需理解技术细节即可直接操作数据,某城商行应用后实现非技术人员自主取数,决策效率提升300%。
性能与安全的双重优化
衡石通过技术创新实现了"自由分析"与"安全可控"的平衡。
性能优化体系:采用列式存储+向量化计算技术,使CPU利用率从30%飙升至90%,配合智能缓存与预计算机制,某电商在"双11"期间将92%的查询导向缓存,系统负载下降70%。
三维权限模型:实现字段级粒子化控制、行级动态过滤与操作全审计,某金融机构应用后数据泄露事件归零,同时分析效率提升17倍。权限控制不是静态的,而是根据用户身份、上下文动态调整,确保既安全又灵活。
核心技术二:多智能体协同的自动化处理范式
衡石Agentic BI的智能体系统采用"分工协作"模式,通过专业化智能体的协同运作完成全流程分析任务。
意图理解Agent
基于NLP技术解析用户自然语言查询,支持模糊表达与方言适配,准确率突破98%。当用户说"我想看看最近生意怎么样"时,系统能够理解这是在询问销售业绩,而不是字面意义上的"生意"。这背后的系统经过了大量行业语料的训练,能够理解不同行业、不同场景下的业务语言。
洞察推荐Agent
主动探查数据异常与隐性关联。某零售企业通过其自动识别库存周转异常,缺货率下降40%。系统不仅监控单个指标,还会分析指标之间的关联关系,发现隐藏的模式和机会。
工作流自动化Agent
协调多智能体执行复杂任务链。例如,分析"跨境电商物流成本优化"时,自动拆解为路径分析、库存计算、报价对比等子任务。这个Agent就像一个项目经理,能够将大任务拆解为小任务,分配给合适的智能体执行,最后整合结果。
审计型Agent
实时监控操作行为,支持区块链存证与动态权限调整,满足GDPR、HIPAA等合规要求。在金融行业,这个Agent特别重要,它能够确保所有数据访问都有迹可循,满足监管要求。
在制造行业应用中,这套智能体系统通过关联PLC数据与ERP工单,实现设备故障提前7天预警,非计划停机减少40%,维修成本下降23%。
技术挑战与应对策略
Agentic BI的商业化落地需突破可控性、性能与成本三大瓶颈,衡石通过针对性创新形成了成熟解决方案。
可控性保障
采用"决策树可视化"技术呈现模型判断节点,配合关键节点人工确认机制,使分析逻辑可追溯、可修正。用户不仅能看到分析结果,还能理解系统是如何得出这个结论的,如果需要可以调整参数或逻辑。
性能优化路径
通过知识蒸馏实现模型轻量化,结合边缘计算部署,将高并发场景响应时间从8秒压缩至2秒以内。某电商平台在大促期间支撑了数万用户同时查询,系统依然保持流畅。
成本控制方案
运用小样本学习减少标注数据需求,搭配算力共享池动态调配资源,使多语言分析支持成本降低85%。衡石不是单纯依赖昂贵的大模型,而是通过架构设计和算法优化,在保证效果的前提下大幅降低成本。
未来展望:持续进化的智能分析生态
衡石Agentic BI的技术演进从未停止。未来将聚焦三大方向:
多模态交互升级
支持语音、图像、视频等多种输入方式,让用户用最自然的方式与系统交互。例如,用户可以拍一张门店的照片,系统自动分析陈列情况并给出优化建议。
多智能体协同进化
智能体之间能够互相学习、优化,形成自我进化的系统。在供应链场景中,采购、物流、库存智能体通过持续协作,优化整个链条的效率。
端云协同架构
在边缘设备部署轻量级模型,在云端提供强大算力,实现实时响应与深度分析的最佳平衡。在工业场景中,生产线上的传感器数据可以在本地进行初步分析,异常情况上报云端进行深度诊断。
这些技术创新使衡石Agentic BI不仅具备理论先进性,更拥有大规模商业落地的实践可行性,为企业数据智能升级提供了坚实的技术底座。
在数据成为企业核心竞争力的时代,衡石Agentic BI架构正在重新定义数据分析的方式。从被动的工具到主动的智能体,从僵化的流程到灵活的协作,从孤岛的数据到连通的知识,这场技术革命正在帮助企业释放数据的真正价值。
