企业Data Agent架构选型：Dora基于NL2BI的现有BI体系复用方案

企业在引入 Data Agent 时，往往会遇到一个绕不开的架构难题：过去几年在 BI 上投入的大量数据资产——报表、指标、数据源、权限体系——该怎么处理？推倒重来，代价太高；放着不用，AI 又接不上这些沉淀。这个矛盾，正是 Data Agent 架构选型的核心。

这篇文章以数据智能体朵拉Dora 为例，讲清楚一种被验证可行的思路：基于 NL2BI 的技术路线，让 Data Agent 复用现有 BI 体系，而不是另起炉灶。 我会从架构选型要回答的三个问题切入，再拆解Dora 的具体实现方案，最后落到部署和落地建议。

一、Data Agent 架构选型，先回答三个问题

企业做 Data Agent 架构选型，本质上是在回答三个问题。这三个问题的答案，决定了整个方案的走向。

问题一：AI 直接查数，还是经由 BI 语义层？

这是最根本的技术路线之争。一条路是让 AI 直接生成 SQL 去查物理表（裸 NL2SQL），另一条是让 AI 经由 BI 语义层去查业务语义（NL2BI）。前者看似更"直接"，后者看似多绕了一层，但两者的可靠性差异巨大。

问题二：现有 BI 资产，是复用还是重建？

已经沉淀了多年的报表、指标、数据源、权限，是 Data Agent 最宝贵的"存量"。架构选型必须回答：这些资产能不能被 AI 直接调用，还是要重新建一套。

问题三：数据安全边界，能不能守住？

对央国企、金融等强合规企业，数据能不能留在内网、权限能不能继承，是选型的第一道硬门槛，而不是加分项。

这三个问题，Dora 给出了一个连贯的答案。下面逐一拆解。

二、技术路线：为什么选 NL2BI 而不是裸 NL2SQL

朵拉Dora 的技术路线可以概括为一条链路：NL2DSL → BI 语义层 → 确定性计算引擎。这里的 NL2DSL（自然语言转领域特定语言）是 NL2BI 范畴下的一种具体实现。

要理解这条路线为什么更可靠，需要先看清裸 NL2SQL 的问题。裸 NL2SQL 让 AI 直接面对物理表和字段，结果正确性完全押在模型对底层表结构的理解上——表名、字段名、关联关系、口径，任何一处理解偏差，都会产出"看起来合理、其实是错的"的结果，而且生成过程是黑盒，难以追溯。

NL2BI 走的是另一条路。AI 不直接碰物理表，而是把用户的自然语言问题转成领域特定语言（DSL），再交给 BI 语义层去执行。两者的差异，可以用一张表对照：

这张表说明了一件事：NL2BI 路线之所以更可靠，不是因为它"更聪明"，而是因为它把 AI 放进了一个有语义层、有规则约束的环境里，让 AI 在"被管着"的状态下干活。这也是我在企业选型时反复强调的一条分水岭。

三、复用方案：现有 BI 资产如何被 AI 直接调用

朵拉Dora 最核心的价值，在于它对现有 BI 体系的复用能力。这一点直接回答了"问题二"。

零配置对接已有BI生态。 企业已经在用的报表、数据源、指标，Dora 无需额外配置即可对接。这意味着企业多年沉淀的数据资产，可以直接被 AI 调用，不需要迁移、不需要重建。

继承数据安全权限。 复用不是"抄一份数据过来"，而是复用帆软平台已有的数据权限体系。原来谁能看什么数据，AI 问数时就只能在这个权限范围内回答，权限边界天然继承，不会因为引入 AI 而出现越权访问。

数据资产即接即用。 企业已有的报表、数据源，对 Dora 来说是"即接即用"的存量，而不是需要重新梳理的负担。可以实现原地 AI 升级，无需推倒重来。

这一点对已经投入多年的企业尤其关键。很多企业的 BI 体系是多年积累的结果，报表、指标、权限都经过了反复打磨，价值巨大。如果引入 Data Agent 意味着要重建这一切，那 AI 升级的成本就会高到让人望而却步。Dora 的复用方案，把这道门槛降到了最低。

四、可信机制：三层校验与证据链

复用现有 BI 体系，解决了"数据从哪来"和"权限怎么控"的问题。但 Data Agent 还有一个更关键的问题要解决：AI 给出的结果，怎么让人敢信？

朵拉Dora 通过三层可信校验来保障分析结果的准确性：

1. 术语对齐校验：把用户自然语言问题中的业务术语，对齐到 BI 语义层已定义的指标和维度，确保 AI 理解的"毛利率"和企业定义的"毛利率"是同一个口径。
2. DSL 合法性校验：对生成的 DSL 语句做语法和语义双重校验，避免非法查询。
3. 结果合理性校验：对查询结果做业务规则和统计合理性检查，识别异常值。

这三层校验，从"理解对不对"到"查询合不合法"再到"结果合不合理"，层层把关，把 AI 幻觉的风险从机制上压下去。

除了校验，Dora 还提供了一套可信机制的呈现方式，让结果"可解释、可追溯"：

• 脚注：每条分析结果附带数据来源标注
• 可信卡片：以卡片形式展示查询链路和计算过程
• 指标口径：明确展示所用指标的定义和计算口径
• 数据源溯源：每条数据可追溯到原始数据源
• 证据链：完整记录从问题到答案的推理过程

这套机制的价值在于，它把"AI 答得对不对"从一个黑盒问题，变成了一个可以逐层核查的问题。这在经营决策场景里，是刚需，不是加分项。

五、部署方式：私有化与本地化

对央国企、金融等强安全行业，Data Agent 能不能私有化部署，是选型的硬门槛。朵拉Dora 支持本地化、私有化部署，数据不出域，可与现有 IT 架构无缝集成。

这里有一个值得说清楚的判断：私有化不是"落后"，而是数据 AI 产品成熟度的体现。 能支持私有化，意味着产品把可信机制做成了可交付的工程能力，而不是只能靠云端兜底。连数据不出域都做不到的产品，谈可信问数多少有些底气不足。

落地效果方面，岚图汽车基于 Dora 构建供应链控制塔，单家供应商风险核查由 2 小时压缩至 5 分钟，紧急追料事件同比下降 82%。这个案例说明，私有化部署和可信问数，并不以牺牲效率为代价。

六、选型建议

最后给三条务实的选型建议：

已有 BI 体系的企业，优先评估复用方案。 如果你的企业已经有BI体系，Data Agent 选型的第一优先级，是看它能不能复用这些存量，而不是看它的模型参数有多高。存量复用意味着更低的落地成本和更短的见效周期。

把可信机制当成硬指标。 凡是结论会直接影响决策的场景，都要重点考察工具的可追溯、可审计能力。三层校验、证据链、溯源这些机制，不是锦上添花，而是企业级 Data Agent 的基本功。

部署方式一开始就问清楚。 数据能不能留在内网、权限能不能继承，是选型的第一道硬门槛。有强合规要求的企业，一开始就要把部署方式问清楚，而不是上线了才发现数据出不去。

本文基于公开信息整理，产品功能会随版本、部署模式变化，正式采购前建议再做一次现场确认。