究其根源，传统的Text-to-SQL（自然语言转 SQL 查询）模式存在天然缺陷：

• 语义鸿沟：用户口中的“业绩”可能是指合同额、回款额或净收入，大模型在缺乏业务语境的情况下，只能靠猜测，导致每次回答的结果可能完全不同。

   

• 底层逻辑断层：企业数据散落在成千上万张底层数据表中，表结构复杂、命名晦涩。让大模型直接面对原始表，如同让一个文学家去整理复杂的会计账簿，必然会出现“辞不达意”或“张冠李戴”。

   

• 缺乏长期记忆：传统模型往往“随问随答”，无法通过用户的反馈进行自我优化，导致低级错误重复出现。

   

• 安全与权限失控：企业核心数据缺乏分级管控机制，易出现数据泄露风险，同时跨部门数据调用权限混乱，进一步加剧信任危机。

要打破这种“信任危机”，Agent BI 必须在技术底层完成一场革命。

为了提升 AI 在数据分析中的可信度，行业内涌现出了多种技术路径。虽然各有所长，但也存在明显的边界。

• 作用：显著增强了模型对企业特定术语的理解。

• 局限：RAG 擅长处理非结构化信息，但在面对严谨的结构化数据计算时，它往往只能提供“参考说明”，无法直接解决底层 SQL 生成的逻辑准确性。

通过构建数据表与表、字段与字段之间的关联关系，知识图谱为 AI 提供了一张导航图。

• 作用：帮助AI理解“人-货-场”等概念之间的关联逻辑，减少查错表的概率。

• 局限：构建和维护较复杂，并且随着企业业务的快速迭代，知识图谱往往会出现“更新滞后”。

这是近年来被公认为最有效的路径。通过将业务逻辑固化为统一的指标模型（如“同环比计算方法”、“净利口径”），在数据与AI之间建立一层“指标层”。

• 作用：AI 不再直接面对混乱的数据表，而是面对定义清晰的“指标”。这实现了口径的统一和计算的标准化。

• 局限：仅有指标还不够。指标能解决“查得准”的问题，却无法解决“想得深”的问题——即如何从指标波动中拆解出复杂的问题原因。

通过数据编织引擎连接多源异构数据，构建统一的数据模型，消除数据孤岛。

• 作用：为指标计算提供稳定、一致的数据支撑，确保底层数据的完整性和准确性。

• 局限：需与指标体系深度结合，单独应用难以发挥最大价值。

行业共识正在形成：单一的技术路径无法承载企业级AI应用的重量。未来的Agent BI 必须是一个融合了 RAG、知识图谱、指标管理体系与数据模型的综合体，才能在保障“准确”“安全”的前提下，提供“智能”的深度见效。

在众多厂商中，思迈特软件的独特性在于其对“ BI 底座”的深耕。它不是一家追逐AI热点的纯算法公司，而是一家拥有十余年数据治理与指标管理经验的 BI 领军企业。这种背景使其在进入 Agent 时代时，拥有了鲜明的优势。

• “自上而下”：站在管理者视角，将企业战略分解为核心经营指标，确保 AI 能够理解组织的最高目标。

• “自下而上”：收集一线业务的实际报表需求，保证AI输出的内容贴近实战场景。

通过这套体系，思迈特软件在 AI 与底层数据之间构建了一个“可信指标层+可信数据层”的双重保障。Agent 在工作时，首先调取的是经过业务验证的指标定义和标准化数据模型，而非去盲目猜测字段。这种“BI底座+ AI大脑”的结合，保证了分析结果的业务规范性、数据一致性和准确性。

思迈特并没有止步于基础底座构建，而是通过一套复杂的“信任增强体系”，将可信度、智能性与安全性推向了极致：

• RAG 技术加持：结合企业私域知识库，使 Agent BI 在初次使用时的业务理解准确度即达到约 90%，在特定场景下甚至可达 99%。

• 知识图谱的一键转化：平台支持将指标模型一键转为知识图谱，让 Agent 瞬间理解业务实体间的关联，成为了名副其实的“业务通”。

• “点赞记忆”机制：这是一项极具工程实战意义的创新。当 AI 给出一个正确回答时，用户可以通过“点赞”将其存入“长期记忆”。下次遇到类似问题，系统会优先匹配经过人工验证的逻辑。这种基于反馈的自进化机制，解决了大模型输出不稳定性的痛点。

• 金融级安全保障：支持本地私有化部署，配备三维权限管控体系，实现数据分级授权、精细管控，同时具备全链路运维安全机制，确保企业核心数据不泄露、不滥用。

为了让复杂的底层技术转化为用户触手可及的生产力，思迈特软件在其Smartbi AIChat V4 版本中推出了“智能体平台”，通过三种不同职能的智能体，覆盖了企业从“查数”到“决策”的全链路需求。

如果把数字化转型比作一场战役，分析智能体就是那个最靠谱的“前线参谋”。

• 职能：专注于明确指令的数据分析与可视化。

• 亮点：采用 NL2Python 生成代码，支持任意维度的汇总、同环比等数据分析。核心优势在于结合场景快速优化调优，如针对已构建指标体系的客户，可直接指标快查，直达精准结果。

• 示例：业务人员无需排队等待IT部门出报表，只要一句“查一下上周合肥分行的不良率对比”，即可秒级获得准确结果。

现实中，领导提问往往是发散的。比如“今年经营情况怎么样？”这类问题，分析智能体无法直接回答，因为这涉及复杂的指标拆解。

• 职能：处理开放式问题的查询探索、归因预测及行动闭环。

• 亮点：它自带“专家级思维链”。当接到模糊指令时，它会主动拆解问题，像专家一样推理，自动规划并执行归因、异常预警等复杂任务，输出可落地的行动建议。

• 示例：针对“去年底不良率偏高”等问题，专家智能体会从宏观环境、产品线波动、客户结构等维度进行深度挖掘，并生成一份包含结论与行动建议的结构化报告，而不仅仅是堆砌数据。

实践出真知，思迈特软件的 Agent BI 产品已落地金融、能源、政务等百余个项目，覆盖数万直接用户，以数据分析零门槛、高准确性及可落地的场景化能力，成为数字化经营信任底座的成熟范例。

每个企业的业务流程都是独一无二的。思迈特提供了低代码的“可视化编排”能力，让企业可以打造自己的垂直领域智能体。

• 职能：针对特定场景（如财报生成、KPI 监控、合规评估）进行深度定制。

• 亮点：支持 MCP/A2A 标准协议，能够接入外部业务系统，实现跨平台的流程联动。提供可视化编排工作流与丰富功能节点，让业务部门都能拥有专属数字助手。

• 示例：某银行通过自定义智能体，配置了上百个战报核心节点。每当需要生成“个人住房贷款战报”时，该智能体能自动抓取数据、拆解维度、分析异常，并直接推送到企业微信。