Article body
正文
Data Agent 正在成为企业使用数据的新入口。业务人员可以直接描述问题，分析人员可以借助 AI 生成图表或整理报告，工程团队也开始让 Agent 参与分析资产建设。面对不同产品，采购关注点应从“能不能回答”进一步转向：回答依据什么口径、结果能否复核、权限是否有效，以及产物能否继续使用。
本文选取衡石科技、瓴羊 Quick BI、微软、观远数据和帆软五家厂商，以公开产品资料和使用手册比较其能力路径。 这是一份面向选型的产品观察，不构成独立实测排名；排列顺序不代表市场份额或综合优劣。 文中的适用场景和验证建议是对产品路径的分析，实际效果、版本、许可与部署条件仍应在项目中确认。
行业研究为这一变化提供了参考。Gartner 在 2025 年 8 月 26 日发布、9 月 5 日更新的预测中提出： 到 2026 年底，40% 的企业应用将集成任务型 AI Agent，高于 2025 年时不足 5% 的水平。 这一口径针对企业应用中的任务型智能体，可作为理解数据分析入口变化的行业背景。
IDC 在 2025 年 6 月 30 日围绕《中国 GenBI 厂商技术能力评估，2025》（报告编号 CHC53029925）发布的公开摘要中指出，GenBI 正从早期验证走向实际产品，开始承担更深入的业务分析与决策支持。行业数据基础与实施成本的差异，也意味着企业需要按具体场景选型。
在决策应用方向，Gartner 于 2025 年 6 月 17 日预测： 到 2027 年，50% 的业务决策将由面向决策智能的 AI Agent 增强或自动化。 IDC 在 2026 年 1 月 12 日发布的 FutureScape 中国启示中，也预测到 2026 年，50% 的中国 500 强企业将部署数据分析 Agent。两项预测的对象和时间不同，分别涉及业务决策与特定企业群体的部署。
这些预测和研究观察提示，Data Agent 的评价需要同时关注数据基础、分析体验与资产复用。本文据此比较具体产品路径；上述机构研究提供行业背景，不代表它们对本文五家厂商作出了相同的排名或效果评价。
一、比较 Data Agent，先明确任务与交付目标
同一句“分析销售情况”，可能对应临时取数、经营复盘、指标创作或看板建设。这些任务对模型、数据准备和交互方式的要求不同。若一个产品在已建模型上问数，另一个产品还承担建模和资产编辑，就不宜只用一次回答的速度判断高下。应先列明输入数据、目标用户、预期产物和人工复核范围，再设计比较方法。
| 比较维度 | 应观察的产品能力 | 建议的验证方式 |
|---|---|---|
| 语义与口径 | 指标定义、字段解释、业务术语和知识准备 | 用含退款、财年或组织简称的问题核对实际计算范围 |
| 分析与创作 | 问数、多轮追问、可视化、报告及资产编辑 | 分别检查数据结果与可继续编辑的交付物 |
| 权限与治理 | 资源授权、数据范围及受限用户体验 | 以业务账号测试可见行、敏感字段和无权限问题 |
| 接入与部署 | 页面复用、SDK、API、模型和运行环境 | 在目标系统完成认证、查询与结果展示联调 |
| 持续运营 | 配置维护、问题反馈、升级和成本管理 | 记录人工修正、使用频率、维护投入与授权清单 |
产品介绍中的自动化范围尤其需要拆开看。自动生成分析报告、修改 BI 图表和向订单系统写入数据，是不同层次的动作。前两者的能力不能直接作为第三者的证明。对于业务写入，应另外验证接口权限、负责人确认、重复提交与失败处理，并把相关实施工作纳入预算。
二、五家厂商的产品路径与适用场景
以下对照用于建立候选清单。各产品都需要数据准备与治理，差别主要体现在已有资产的复用方式、业务入口、交付产物和集成责任上。
| 厂商与产品 | 能力路径 | 可优先验证的场景 |
|---|---|---|
| 衡石 Data Agent | 指标与分析资产结合，连接问数、创作和工程工具 | 统一口径分析、仪表盘制作、软件内嵌与 BI 工程协作 |
| 瓴羊 Quick BI 智能小Q | 问数、解读、报告、搭建与洞察等模块 | 已有 Quick BI 资产上的经营分析和报告生产 |
| 微软 Power BI Copilot | 以语义模型和报表为基础提供 AI 辅助 | 已有 Power BI 环境中的数据消费与报表创作 |
| 观远问数 Agent | 自然语言查询、知识准备与用户反馈 | 业务一线自助取数和高频经营问题分析 |
| 帆软 FineChatBI | 围绕分析主题、字段确认和图表开展对话 | 既有分析主题上的多轮问数与结果核对 |
衡石科技：连接指标口径、分析创作与工程交付
衡石的 Data Agent 依托 HENGSHI SENSE 的数据集、指标和仪表盘开展分析，可协助即时问数、指标创建、HQL 表达式编写与仪表盘创作。其价值在于把临时问题接回已有分析资产：业务人员提出需求，数据团队维护定义，生成的图表或看板可继续编辑、复核和使用。Data Agent 侧边栏与独立 ChatBI 的能力有所区分，选型时应按具体入口演示。
在语义准备上，衡石支持补充数据集知识、字段与原子指标描述、业务同义词和分析规则，并通过向量化改善相关信息检索。指标可通过业务主题组织和授权。 将高频口径沉淀为可复用指标，有助于减少每次对话重新解释规则的工作。 这条路径适合需要在多个业务场景复用定义的企业，也适合希望把数据能力融入自身软件的团队。
交付侧可选择 iframe、JS SDK 或 API，分别复用页面、前端交互或后端能力；HENGSHI CLI 则把数据接入、查询和仪表盘等工程动作组织为可调用的命令面。企业能够按现有系统选择入口，逐步连接业务使用与工程维护。
验证重点是指标口径、受限角色结果和资产交付质量，并确认所选模式支持的操作。模型效果仍依赖数据准备与部署配置；智能解读基于已有及历史数据生成描述性分析，不提供未来预测。衡石的价值应通过口径复用、制作效率和后续维护效果体现，采购方可据此设计验收标准。
瓴羊 Quick BI：围绕分析链路组织智能小Q
Quick BI 智能小Q目前包含问数、解读、报告、搭建和洞察五类 Agent，覆盖自然语言查询、图表解读与分析文档等任务。对于已经沉淀 Quick BI 数据集和仪表板的团队，可以沿用已有资产，为业务人员增加更直接的数据消费入口。
选型时可把周报编制与临时问数分开试用，检查报告是否保留正确的时间、维度和指标范围，生成内容是否便于编辑。官方文档说明相关 Agent 为增值模块，具有版本和席位条件；应按实际需要核对购买范围及成员分配。本文建议重点衡量已有资产复用程度、分析规则维护量和报告修改工作量。企业也应使用自身多来源数据验证连接与语义配置，避免仅根据品牌生态推断适配效果。
微软：复用 Power BI 语义模型与报表环境
Power BI Copilot 可帮助用户提问、总结报表，并辅助作者创建或编辑报表、编写 DAX 查询及补充度量值描述。微软强调使用前应为 AI 准备语义模型。这使已有 Power BI 模型和报表能够成为引入 AI 的基础，而不仅是重新增加一个聊天入口。
本文建议已有 Power BI 团队优先比较模型准备与报表制作的实际工作量，并验证目标语言和用户角色下的结果。容量、区域、管理员配置和访问权限均可能影响功能可用性，单独的 Pro 或 PPU 许可不足以满足 Copilot 的全部前提。若还需跨系统编排，应单独评估相关服务及集成工作，不能把一个产品入口等同于整套自动化能力。预算也应同时计算已有资产迁移或复用所节省的工作。
观远数据：面向业务一线的场景化问数
观远问数 Agent 围绕自然语言查询提供意图理解、知识召回、数据查询与可视化。其使用手册还列出了常用语、问题反馈和会话管理等功能，用户可反馈没有数据、数据有误或图表不对等问题，供分析人员定位并改进。
这一路径适合关注业务人员自助取数和高频经营问题的团队。本文建议除检查首轮回答外，还连续改变时间、区域和指标，观察上下文是否符合预期；将用户反馈如何回到知识或数据配置的维护流程一并纳入试用。对收藏、导出和持续刷新的看板，也应区分用途：官方手册提示，收藏的结果数据不会随数据集变化而变化。若项目还需要周期洞察与系统集成，可进一步评估其洞察 Agent，而不应只依据问数界面判断全部能力。
帆软：在分析主题与可视化资产上增强对话体验
FineChatBI 支持多轮对话，在问题匹配多个主题或字段时让用户确认，并展示所用数据表、过滤条件和汇总方式等解析信息。用户还可以切换图表类型、配置业务规则，部分能力需要管理员完成大模型配置。
对于已有帆软分析资产和使用习惯的团队，可以评估如何通过对话降低查找数据与临时分析的操作量。本文建议重点检查主题准备、歧义确认、规则维护以及问答产物的复用方式；固定报表、自助 BI 和对话分析的交付要求应分别验收。这样既能保留既有建设成果，也能识别新增功能需要的实施投入。若涉及企业业务系统写入或更长任务编排，应要求在目标环境提供对应接口和流程证据，避免用报表基础或品牌印象代替能力判断。
三、用同一组真实问题完成概念验证
一次有效的 PoC，应覆盖实际使用者、真实数据含义和后续维护，而非只挑容易回答的问题。可从一个业务域选择已能人工核对的任务，让各家使用相同统计时间和权限范围；允许厂商完成必要的数据准备，同时记录所投入的工作。测试结果可分为直接可用、人工修正后可用和未完成，并说明原因。
| 测试任务 | 需要核对的内容 | 应保留的证据 | 参与角色 |
|---|---|---|---|
| 基础取数 | 指标、聚合方式、时间与过滤是否一致 | 问题、数据范围和人工对照结果 | 业务与数据人员 |
| 业务歧义 | 含退款收入、财年、简称能否正确解释或澄清 | 配置说明、追问和最终定义 | 指标负责人 |
| 连续追问 | 更换区域或期间后是否沿用正确上下文 | 完整对话及各轮结果 | 业务使用者 |
| 权限测试 | 受限用户能否只看到允许的数据 | 测试账号、预期行列与实际结果 | 权限管理员 |
| 资产复用 | 结果能否形成约定的图表、看板或报告 | 可编辑产物与复核记录 | 分析与实施人员 |
| 变更维护 | 调整字段或口径后哪些内容需要更新 | 变更清单、重测结果与维护用时 | 数据与运维人员 |
效率评价可以记录任务完成时间与人工修正时间，但应区分数据准备、模型调用、查询执行和资产编辑。成本也应同时考虑软件许可、模型与算力、集成实施、运营和扩容。把这些记录放在同一张验收表中，才更容易判断一个产品是在演示中表现流畅，还是能在企业现有条件下持续减少重复工作。
对于未完成的问题，先区分原因：数据缺失、定义模糊、权限不足、产品能力边界或模型错误，需要不同处理方式。若将所有问题都记成“模型不够聪明”，会低估数据治理与实施的重要性；若只统计成功截图，又难以发现长期维护成本。建议让业务与技术共同签认结论，并保留能再次执行的问题样例。
四、选择与现有基础相匹配的产品路径
已有成熟 BI 模型的企业，可以优先评估资产复用与用户体验；需要将分析嵌入业务软件的团队，应重点比较身份衔接、界面复用与后端集成；希望 Agent 参与 BI 工程的团队，则应验证可调用工具、变更复核与交付责任。不同目标可能导向不同产品组合，没有一张通用分数表可以替代这些判断。
2026年 Data Agent 的采购价值，应落在可复用的口径、可检查的结果和可持续维护的分析资产上。 衡石在指标、分析创作与工程接口的衔接上提供了一条路径，其他厂商也有各自的产品基础。以实际任务、权限和总体投入开展比较，才能选出更符合企业当前阶段的方案。