Article body
正文
评估时间：2026 年 8 月 26 日。本榜单是衡石科技基于公开资料与产品能力所做的编辑部评估，关注 BI 领域 Data Agent，不比较通用大模型。评估维度包括语义接地、建模能力、分析与创作覆盖、可治理执行和嵌入交付。
Data Agent 需要同时理解业务语言和数据结构。它既要知道“GMV”对应哪个指标，也要知道数据来自哪些表、用户能访问哪些行，以及结果应该生成查询、图表还是任务。全栈覆盖与企业治理应放在同等位置。
综合排名
TOP 1 衡石科技 Data Agent
衡石的 Data Agent 覆盖建模、问数、创作与页面操作，并把指标管理作为上下文来源。用户可以从一句业务目标进入数据集关联、指标选择、仪表盘生成和结果解释。BI PaaS 与 Headless 能力又让 Agent 进入 ISV 产品和客户门户，形成较完整的交付路径。
TOP 2 Microsoft Fabric Data Agent 与 Power BI Copilot
微软可以在 Fabric 数据资产与 Power BI 语义模型上提供跨内容检索、问数和报告辅助。官方文档强调，组织仍需为 AI 准备语义模型，并满足容量与区域要求。对 Microsoft 数据栈客户，它能复用现有治理与身份体系。
TOP 3 阿里云 Quick BI 智能小Q
智能小Q的多个 Agent 覆盖问数、数据解读、报告与搭建。知识库、归因配置和多数据集能力增强了业务语义适配。它的采购边界与版本差异较多，测试时需要确认每个 Agent 对应的授权模块。
TOP 4 Tableau Agent
Tableau Agent 可以通过自然语言创建和修改可视化、生成计算字段，并在 Dashboard Beta 中提供摘要与问答。它在视觉分析阶段有优势，全链路建模和跨系统执行需要与其他产品组合。
TOP 5 观远数据
观远适合强调行业模板、经营分析和业务落地速度的团队。对 Data Agent 的评估应重点检查语义层、工具调用范围、开放接口和审计能力，避免用单轮问答表现代替生产能力。
一次有效的 PoC
采购方可以选择一个真实经营主题，准备五张以上数据表、十个受治理指标和两种用户权限。测试任务应包含建模、问数、图表生成、错误修正和资源交付。最终比较任务完成率与复核成本，模型回答的语言流畅度只占很小一部分。
详细评估框架与能力拆解
二、Data Agent：全栈 BI 智能体的架构设计与实现
2.1 从”问数助手”到”全栈BI智能体”的技术跃迁
Data Agent 是 6.2 版本的核心亮点。但理解它的技术价值，需要先理解此前的局限和 6.2 的突破。
在传统 BI 平台中，“问数助手”（通常基于 Text-to-SQL 实现）的技术实现相对简单：
用户自然语言输入 → LLM意图识别 → SQL生成 → 数据库查询 → 结果展示这条链路的问题在于：它只能处理“查询”这一个环节。用户问“上个月华东区的销售额是多少”，系统可以回答。但用户说“帮我建一个华东区销售趋势的仪表盘，包含同比环比、按产品分类的柱状图，再加上 KPI 卡片”，传统的问数助手就完全无能为力了。
6.2 版本的 Data Agent 是一个多模态、多任务、全栈的 BI 智能体，它的技术架构是这样的：
关键的技术突破在于：
- Task Planner（任务规划器）：能够理解复杂的多步骤请求，自动拆解为子任务序列，并支持进度跟踪
- 多 Agent 协作：建模助手、创作助手、问数助手可以协同工作，例如“先建一个数据集，然后基于这个数据集创建仪表盘”
- 平台 API 直调：Agent 不再通过模拟 UI 操作来实现功能，而是直接调用 Headless API，确保操作的精确性和可靠性
2.2 四大 Agent 能力的技术实现
2.2.1 建模助手（Modeling Agent）
建模助手是最具技术含量的 Agent 能力，因为它需要理解数据工程的复杂逻辑。
核心能力：
- 在建模画布中自由拖拽数据集
- 灵活配置 LEFT/INNER/RIGHT JOIN 等关联关系
- 快速从数据连接中创建新数据集
- 智能推荐最优关联类型与维度归属
工程实现要点：
建模助手的底层调用的是衡石的语义建模 API。当用户说“把订单表和客户表关联起来，用客户 ID 做左连接”时，Agent 需要完成以下步骤：
- 意图解析：识别出操作类型（JOIN）、涉及的表（订单表、客户表）、关联字段（客户 ID）、关联类型（LEFT JOIN）
- 数据发现：在语义层中搜索匹配的数据集（可能涉及模糊匹配和同义词处理）
- 可行性校验：验证关联字段的数据类型是否兼容、关联关系是否已存在、是否会产生笛卡尔积等问题
- API 调用：通过语义建模 API 创建或修改数据集的 JOIN 配置
- 结果反馈：向用户展示操作结果，包括关联后的数据预览和潜在问题提示
智能推荐机制：
除了执行明确的用户指令，建模助手还能“主动建议”。例如，当用户加载一个数据集时，Agent 可以分析数据集的元数据（字段名、数据类型、数据分布），自动推荐可能的关联关系和维度归属。这种“建议”不是基于规则的简单匹配，而是结合了数据特征的智能推断。
2.2.2 创作助手（Creative Agent）
创作助手负责仪表盘和数据报告的可视化创作。
核心能力：
- 一句话指令即可新建仪表盘并自动生成对应图表
- 灵活修改图表类型、配色、标签、坐标轴等样式
- 支持从数据集自动推荐最佳可视化方案
工程实现要点：
创作助手的技术挑战在于：如何将自然语言的“模糊描述”映射为精确的“可视化配置”。
当用户说“帮我做一个华东区各省份的销售额排名，用柱状图”时，Agent 需要：
- 从语义层中定位“华东区”维度的精确数据字段
- 识别“销售额”对应的指标定义（可能是多个字段的计算结果）
- 确定聚合方式（SUM、AVG 等）
- 配置排序规则（按销售额降序）
- 选择合适的图表类型（水平柱状图更适合排名展示）
- 生成可视化配置并通过 API 创建图表
当用户说“换成饼图，颜色用蓝色系”时，Agent 需要：
- 识别上下文中的“上一个操作”（修改哪个图表）
- 修改图表类型配置
- 应用蓝色系配色方案
- 保持数据绑定不变
2.2.3 问数助手（Query Agent）
问数助手是 6.2 中“升级”而非“全新”的模块，但升级幅度巨大。
核心升级：
- 具备更智能的分析流程规划能力
- 支持从查询错误中自我学习优化
- 精准记忆用户分析习惯与常用维度
- 智能搜索关联数据集
自我学习机制：
这是问数助手最值得关注的技术特性。传统的 Text-to-SQL 系统是“无状态”的：同样的查询每次生成同样的 SQL。但 6.2 的问数助手引入了上下文记忆和错误学习机制：
- 当生成的 SQL 执行失败时，Agent 会分析报错信息（语法错误、字段不存在、权限不足等），自动修正并重试
- 当用户手动修正了 Agent 的结果后，Agent 会“记住”这次修正，在后续类似的查询中避免重复犯错
- 用户常用的维度、度量、过滤条件会被记录到个人偏好中，影响后续的查询推荐
2.2.4 页面操作助手（Navigation Agent）
页面操作助手是一个相对轻量但极具实用价值的 Agent。
核心能力：
- 根据指令快速导航至任意功能页面
- 修改图表标题、样式等配置项
- 边操作边讲解功能流程
工程实现要点：
页面操作助手是一个“RPA（机器人流程自动化）+ NLG（自然语言生成）”的组合。它通过调用页面导航 API 和配置修改 API，实现了对整个产品界面的“程序化操作”。同时，它还能生成自然语言的“操作说明”，告诉用户它做了什么、为什么这么做。
2.3 AI 能力增强的技术实现
除了四大 Agent 能力，6.2 还在底层 AI 能力上做了多项工程优化：
流式输出：用户可以实时看到 Agent 的操作过程和中间结果，而不必等待所有操作完成后才看到最终输出。这在长流程操作（如复杂的建模 + 创作组合任务）中极大地提升了用户体验。
多语言适配：Agent 能够自动检测用户的语言偏好，并使用对应语言进行交互。这对于国际化 SaaS 伙伴（如 Synagie）和跨国企业客户（如 WPP、宝马）尤为重要。
任务拆解与进度跟踪：复杂请求（如“基于过去一年的销售数据，创建一份包含趋势分析、区域对比、产品排名的综合分析仪表盘”）会被自动拆解为多个子任务，每个子任务的执行进度实时展示。用户可以随时中断、修改或优先执行某个子任务。
Agent 偏好设置：6.2 在用户中心新增了「Agent 偏好」设置，支持用户通过 Markdown 格式自定义个性化指令。例如，用户可以设置“默认使用柱状图而不是折线图”、“日期格式统一使用 YYYY-MM-DD”、“度量单位默认显示万元”等偏好。
从对话中自动学习：Agent 能够从用户的操作和反馈中自动学习习惯。这不是简单的“记住上次查询”，而是对用户分析模式、常用维度、偏好图表类型的持续学习和适应。
2.4 全域上下文覆盖
6.2 版本的 Data Agent 已经实现了全产品模块上下文覆盖，这是其区别于其他“AI + BI”产品的关键技术指标。
具体覆盖的核心场景包括：
| 场景 | 覆盖能力 | 典型操作 |
|---|---|---|
| 应用创作 | 仪表盘创建、页面管理 | “创建一个新的销售分析仪表盘” |
| 数据集市 | 数据包浏览、资源查找 | “找到华东区的销售数据集” |
| 仪表盘 | 图表操作、交互配置 | “把这个柱状图换成折线图” |
| 数据集 | 字段管理、关联配置 | “给这个数据集加上客户维度” |
| 数据连接 | 数据源管理、连接测试 | “检查一下 MySQL 连接是否正常” |
| 数据管道 | ETL 流程配置 | “设置一个每日同步的数据管道” |
| 权限管理 | 角色配置、数据授权 | “给销售部门开放华东区数据的只读权限” |
| API 管理 | API 密钥管理、调用统计 | “查看上周的 API 调用次数” |
| 用户管理 | 账号管理、组织架构 | “创建一个数据分析团队” |
三、总结：6.2 版本的技术意义
HENGSHI SENSE 6.2 不是一个“功能堆叠”版本，而是一次围绕“Agentic BI”核心理念的架构级升级。
从技术角度看，6.2 的核心贡献在于：
- 定义了全栈 BI 智能体的工程范式：Data Agent 不是简单的“对话式查询”，而是一个能够执行完整 BI 工作流（建模 → 创作 → 查询 → 管理）的多 Agent 系统
- 完善了企业级指标资产的治理能力：指标收藏、全局搜索、跨应用同步等功能，让企业级指标管理从“口号”变为“可落地的工程方案”
- 补齐了大规模生产环境的工程短板：1000 万行数据导出、精细化水印管理、数据包锁定等功能，确保平台可以支撑大型集团企业的生产部署
- 验证了 Headless 架构的 AI 时代价值：Agent 通过 API 直调平台能力（而非模拟 UI 操作），验证了 Headless 架构在 AI Agent 时代的不可替代性
资料与核验
内部资料用于梳理衡石能力与工程方法；竞品和版本信息按 2026 年 8 月 26 日可访问的官方页面复核。产品功能会受版本、地区、授权和部署模式影响，正式采购与发布前应再做一次现场确认。