导读

大模型能力不断跃升，为什么企业AI仍难以真正落地？

关键不只在模型，更在于AI能否理解企业的数据、业务规则与运行逻辑，并进一步参与分析、决策和任务执行。Data+AI，正在成为连接数据资产、业务知识与AI应用的关键基础设施。

《2026 爱分析·Data+AI厂商全景报告》系统梳理Data+AI市场的四层架构，深入研究本体平台、语义平台、DataOps、智能体开发平台、通用Data Agent、工业Data Agent、决策智能平台七大细分市场，并遴选具备成熟解决方案与落地能力的代表厂商。

企业AI如何从“能对话”走向“懂业务、会决策、能执行”？哪些技术与厂商值得关注？答案尽在报告中。

1、研究范围定义

研究范围

企业AI价值释放，不只取决于模型能力。

在真实业务环境中，AI需要理解企业的数据、业务规则和运行逻辑，才能走向分析、决策和任务执行，真正实现业务价值。因此，企业AI竞争的核心正在从如何获取最先进的模型，转向如何构建支撑AI运行的数据与业务基础设施。

在这一背景下，Data+AI应运而生。它连接数据资产、业务知识和AI应用，使企业能够将长期积累的数据转化为可被AI理解、调用和执行的智能能力。

过去，企业数字化建设解决的是业务在线化和数据资产化问题；未来，Data+AI将进一步推动企业进入智能化阶段，让数据真正参与业务决策和价值创造。

Data+AI不是一类产品，而是一套覆盖数据管理、业务上下文构建、Data Agent开发与应用的完整技术与产品体系。

从技术架构看，Data+AI市场可以划分为四个层次：

• 第一层，多模态数据底座。负责承载和管理企业多类型数据，为AI应用提供基础数据能力。代表市场包括湖仓一体、AI数据库、AI数据服务、具身数据服务等。

• 第二层，数据开发运维。负责数据加工、治理和业务语义理解，让企业数据具备可管理、可理解、可调用的能力。代表市场包括DataOps、语义平台、本体平台等。

• 第三层，Data Agent开发。负责构建和管理数据类企业智能体，提供开发、部署和运营能力。代表市场包括智能体开发平台、LLMOps、知识工程等。

• 第四层，Data Agent应用。面向具体业务场景，将AI能力应用于数据分析、经营决策和行业业务流程。代表市场包括通用Data Agent、工业Data Agent、金融Data Agent、能源Data Agent、决策智能平台等。

图1：Data+AI市场全景地图

本报告重点选取本体平台、语义平台、DataOps、智能体开发平台、通用Data Agent、工业Data Agent、决策智能平台等7个市场进行深入研究。

通过市场分析与厂商评估，本报告旨在帮助企业用户理解Data+AI产业发展趋势，识别不同细分市场的核心价值，为企业推进数据相关AI基础设施建设和应用落地提供决策参考。

厂商入选标准

本次入选报告的厂商需同时符合以下条件：

• 厂商的产品服务满足各市场分析的厂商能力要求；

• 近一年厂商具备一定数量以上的企业付费客户（参考第3章各市场分析部分）；

• 近一年厂商具备一定规模以上的相关收入（参考第3章各市场分析部分）。

（注：“近一年”指2025年Q3至2026年Q2）

2、厂商全景地图

爱分析基于对甲方企业和典型厂商的调研以及桌面研究，遴选出在Data+AI市场中具备成熟解决方案和落地能力的入选厂商。

图2：Data+AI厂商全景地图

3、市场分析与厂商评估

爱分析对本次Data+AI项目重点研究市场做如下分析。同时，针对参与此次报告的部分代表厂商，爱分析撰写了厂商能力评估。

3.1 本体平台

市场定义：

爱分析认为，本体平台是用于构建、运行和治理企业业务本体的软件平台。平台将企业数据映射为业务对象、属性、关系和状态，并在同一体系中管理业务规则、函数、行动与权限，使本体能够支持业务查询、计算、决策和流程执行。

本体平台覆盖本体设计、数据连接、发布运行、监控维护、版本迭代和权限治理等环节，保障本体及其承载的业务逻辑在生产环境中持续运行和演进。

该定义包含三个特征：

第一，能够构建完整本体。平台除管理业务对象及其关系外，还应支持规则、函数、行动和权限等业务运行要素。

第二，能够连接数据与业务行动。平台需要将企业真实数据持续映射为本体对象，并通过函数和行动连接业务流程及外部系统。

第三，能够管理本体全生命周期。平台需要提供发布、版本、血缘、权限、监控和变更管理能力，保障本体持续更新及稳定运行。

甲方终端用户：

本体平台主要服务于大型集团企业和复杂业务组织，包括能源、制造、建筑、金融、通信等行业。这类企业通常拥有大量业务系统和数据资产，但数据分散在不同部门和系统中，难以形成跨领域的业务理解和协同能力。

从应用需求看，正在推进企业级AI应用、智能决策、业务Agent建设的企业，对本体平台需求更加明显。

甲方核心需求：

企业建设本体平台的核心诉求，是解决数据与业务之间长期存在的割裂问题。随着企业信息化进入深水区，单纯的数据汇聚和治理已经难以满足需求，企业需要进一步建立统一的业务语义体系，让数据能够被业务理解、被AI调用，并支撑跨系统的智能分析和决策。

• 打通业务语言与数据语言，让企业形成统一认知。

企业最大的挑战，不是缺少数据，而是数据无法准确表达业务。

大型企业通常建设了大量业务系统，包括ERP、CRM、供应链、项目管理等，但这些系统往往按照部门职责独立建设，同一个业务对象在不同系统中存在不同定义。

本体平台通过定义企业核心业务对象、属性、关系和规则，将技术数据重新组织为业务可理解的知识体系，帮助企业建立统一的数据认知框架。

• 连接跨系统业务关系，让数据从孤立信息变成业务网络。

数据价值释放的关键，在于发现数据之间的业务联系。

传统数据平台主要解决数据汇聚和查询问题，但面对复杂业务问题时，仍需要人工跨系统分析。例如，供应商延期会影响哪些项目、某项资源调整会影响哪些业务目标，这类问题需要理解对象之间的关联关系，而非简单查询单个数据表。

本体平台通过建立对象之间的关联网络，将分散的数据连接起来，使企业能够从单点数据分析走向全局业务洞察，支撑复杂场景下的影响分析和趋势判断。

• 让AI真正理解企业业务，提升智能应用准确性。

大模型具备通用语言理解能力，但缺少企业特定业务知识。

在企业场景中，AI需要理解的不只是文字含义，还包括企业内部的业务对象、管理规则和运行逻辑。例如，重点客户、高风险项目和核心供应商等概念，都需要结合企业自身业务定义才能准确判断。

本体平台通过提供结构化业务语义，为AI建立企业知识基础，使AI能够理解业务上下文，降低幻觉风险，并支撑智能问数、业务Agent、辅助决策等应用。

• 支撑业务推演与智能决策，从信息查询走向行动辅助。

企业未来需要的智能能力，不只是回答发生了什么，更需要判断为什么发生、可能造成什么影响、应该采取什么措施。

本体平台通过融合业务对象、实时数据和业务规则，使系统能够围绕企业运行状态进行推理。例如，当供应链出现异常时，系统不仅能够发现供应商交付延迟，还能够进一步分析其对生产计划、客户交付和成本目标的影响，并给出应对建议。

这种能力推动企业数据应用从静态分析走向动态推演，为AI参与经营管理提供基础。

厂商能力要求：

本体平台建设涉及业务理解、数据连接、知识建模、AI应用等多个领域，对厂商综合能力要求较高。优秀厂商不仅需要具备技术平台能力，更需要理解复杂企业业务，将行业经验沉淀为可复用的业务模型，并推动本体从概念设计走向实际应用。

• 深入理解业务，具备复杂场景建模能力。

本体平台的核心竞争力，在于能否准确表达企业业务。

企业业务往往存在大量隐性规则，例如组织关系、流程约束、管理制度和行业经验，这些内容难以直接从数据库字段中体现。厂商需要具备业务抽象能力，将企业运营中的核心对象、关系和动作转化为机器可理解的语义模型。

相比单纯的数据建模，本体建模更强调对业务运行逻辑的理解，因此行业经验和咨询能力成为重要竞争因素。

• 具备多源数据连接能力，适配复杂企业IT环境。

大型企业通常拥有长期积累的信息系统，数据来源复杂，技术架构不统一。

本体平台需要能够连接不同数据库、业务系统和数据平台，在不大规模改造原有系统的情况下，将分散数据映射到统一业务模型中。这要求厂商具备强大的数据集成能力、系统兼容能力以及企业级部署经验

• 将静态知识模型演进为动态业务知识体系。

本体平台的价值不只是描述企业有什么数据，更重要的是理解企业如何运行。

厂商需要进一步融合实时数据、业务规则和分析模型，让本体从静态的业务关系图谱，演进为能够反映企业实时状态、支持业务推演的动态知识体系。

只有具备动态更新和持续演进能力，本体平台才能真正成为AI应用的业务认知底座。

• 打造AI原生能力，让本体成为智能应用入口。

厂商需要支持大模型调用、Agent编排、自然语言交互以及业务流程连接，让AI能够基于本体理解企业环境，并完成从问题识别、方案生成到业务执行的闭环。未来本体平台竞争的重要方向，是能否成为企业AI应用运行的基础环境。

• 具备行业化交付能力，推动本体价值落地。

本体平台建设不是单纯的软件部署，而是企业业务知识体系的重构。

由于不同企业、不同产业的业务逻辑差异较大，厂商需要具备行业Know-how和长期交付能力，与客户共同梳理业务对象、沉淀业务规则，并围绕高价值场景逐步扩展。

相比标准化产品能力，持续陪伴客户完成业务建模和应用落地的能力，将成为本体平台厂商的重要竞争壁垒。

入选标准：

1.符合本体平台市场分析的厂商能力要求；

2.近一年厂商在该市场至少服务1家企业；

3.近一年厂商在该市场的收入规模至少在50万元。

 

代表厂商评估：

浩鲸科技

厂商介绍：

浩鲸云计算科技股份有限公司（简称“浩鲸科技”）成立于2003年，是一家数智化全栈能力提供商。浩鲸科技具备广泛的行业触角，业务深度覆盖运营商、电力、交通、烟草、工业制造等多家央国企及行业头部客户。在Data+AI时代，公司依托深厚的行业积累，将传统数据中台能力向语义化、智能化方向升级，推出鲸智本体平台。

产品服务介绍：

面向AI原生数字化建设需求，浩鲸科技推出鲸智本体平台，助力企业打造一体化业务本体图谱管理与应用平台。该平台作为连接企业底层碎片化数据源与上层大模型应用的智能化知识中枢，旨在通过对象建模、逻辑建模和动作建模，将散落在库表、代码、文档中的隐性资产，转化为机器可理解、可执行的标准化业务对象、关系和规则。

平台具备数据驱动的自动构建、低代码可视化编辑、高性能双引擎图存储以及全面的质量稽核检测能力。通过统一业务语义、约束大模型推理范围，鲸智本体平台能够有效解决特定领域的AI幻觉问题，支撑智能问数、根因分析、精准决策等复杂业务场景。

图3：鲸智本体平台架构图

厂商评估：

浩鲸科技鲸智本体平台的核心优势在于其“数据中台基因驱动的反向构建能力”，解决了本体建设依赖人工的成本瓶颈。平台具备跨多源的统一语义层与跨源计算引擎，支撑企业进行毫秒级的多跳复杂关联查询。同时，浩鲸科技通过业务动作与规则的深度链接，使本体不仅是静态知识，更能直接驱动智能体实现“决策-执行”的业务闭环。此外，依托庞大的央国企种子客户群与全行业业务理解，其产品具备天然的多场景适配力，并提供成熟的工具与实施一体化服务。

• 反向自动化构建：打破人工建模成本瓶颈，实现本体建设的轻量化启动。

常规的本体建设往往依赖行业专家和IT人员通过长周期的调研来人工定义实体与关系。当企业面对上亿级的数据量或成百上千张业务库表时，人工建模不仅成本高昂，且极易因个人经验差异导致模型推倒重来，这使得多数企业管理层在初期阶段面临极大的落地担忧。

浩鲸科技凭借深厚的数据中台治理经验，开创反向自动构建模式。平台能够自动获取原始数据，对元数据、血缘依赖及非结构化文档进行智能化的前期加工与特征抽取。通过分层、地推式的自动化推进，系统可反向构建起业务行业、血缘关系与实体连接。在整个构建过程中，人工参与度降低，用户仅需进行少量的检验与审核，从而大幅缩短了项目的交付周期，让企业在建设初期就能快速看到感知良好的阶段性成果。

• 跨多源统一语义：打破异构系统的逻辑孤岛，提供千万级数据的高性能多跳检索。

在大型企业中，数据往往割裂在CRM、交易系统或各类数据仓库中，甚至针对同一个“客户”概念，各部门的定义也各不相同，导致跨域的数据深度分析非常困难。另外，随着数据量级的激增，普通技术架构在处理跨源多跳复杂关系时经常面临“跑不动”的性能瓶颈。

鲸智本体平台引入了OWL规范的语义网络，将同类概念合并、关系显式定义、规则集中管理，在信息化资源层之上建立起了一套跨部门的“业务宪法”。更重要的是，浩鲸科技沉淀了耗时数年研发的跨源联合计算引擎，并采用结合了图数据库与关系型数据库的双引擎存储架构。该架构将关系查询与事务查询分离，支持最短路径、子图及K跳邻居查询，即使面对千万级实体与亿级关系，也能实现毫秒级的快速检索，解决了大数据量下本体玩不转、跑不动的行业痛点。

• 驱动业务闭环：实体、规则与执行联动，大模型与智能体落地高价值场景。

许多企业的本体或知识图谱建设最终可能变成了徒有其表的空架子，看着好看却无法解决实际的业务问题。当企业尝试引入AI大模型或智能体来处理运维、营销或生产任务时，模型常因缺乏明确的业务逻辑约束而产生幻觉，或因无法精准调用后端系统API而难以执行复杂任务。

鲸智本体平台将本体建模定义为面向AI的行为建模。平台不仅标准化了业务核心的“名词”（对象层），更通过逻辑层和动作层为本体注入了“动词”和业务策略。通过平台的可视化工作台，业务专家可以将经验总结和流程规范编写为基于本体对象的业务规则。这些规则和SOP流程会被自动反写为大模型智能体的“技能（Skill）描述文件”。当大模型再去执行任务时，它只能在业务规则与语义约束的范围内进行精准推理，并能直接触发API接口或命令行，实现从智能问数到自动告警、自我修复、自动化营销的全闭环。

• 多行业场景沉淀：依托大体量存量客户优势，具备天然的复杂场景适配力与全包交付经验。

本体平台的成功落地，高度依赖于建设者对特定行业业务逻辑的理解。如果厂商不懂行业业务，就无法帮助企业抽象出合理的实体与关系。此外，国央企客户在推进智能化转型时，往往希望看到循序渐进的场景效果，而不是一年交付期结束后的“盲盒开箱”，这对厂商的实施与配合能力提出了较高要求。

浩鲸科技自身具备庞大的企业体量，业务广泛覆盖运营商、电力、烟草、能源、交通等多个垂直领域。这带来了两大天然优势：首先，公司拥有丰富的存量种子客户，能够紧跟市场痛点并快速在真实场景中打磨产品，沉淀了如“离网用户分析”、“618大促策划”等10余种开箱即用的深度分析算法与场景模型。其次，在商业模式上，针对复杂的央国企环境，浩鲸科技能够提供成熟的“工具+实施”全包服务，采用按主题域和业务场景分批迭代的实施路径。通过一个场景一个场景地交付效果，不仅能打消管理层的顾虑，也显著地降低了企业推进智能化变革的整体门槛。

典型客户：

中国节能环保集团、中国南方电网、‌中国电信股份有限公司云南分公司、中国电信股份有限公司江西分公司

 

3.2 语义平台

市场定义：

语义平台是连接企业数据资产与业务应用的中间层，通过对指标、维度、业务逻辑等进行统一建模，将底层数据转化为业务可理解、AI可调用的数据语义资产。随着企业进入AI应用阶段，语义平台正从传统数据治理和BI支撑工具，演变为企业级AI应用落地的重要基础设施。

甲方终端用户：

语义平台主要服务于数据驱动型企业，包括金融、消费零售、制造、互联网等数字化程度较高的行业客户。这类企业通常拥有大量数据资产，但面临指标口径不统一、数据分析响应效率低、AI难以准确理解企业业务等问题。

从使用角色看，需求来源覆盖数据团队、分析团队、业务部门以及企业数字化管理部门。

甲方核心需求：

企业对语义平台的需求，本质源于数据规模增长和AI应用普及带来的双重挑战。一方面，企业需要解决长期存在的数据治理问题，让不同部门能够基于统一口径理解和使用数据；另一方面，企业希望通过语义层向AI提供准确的数据上下文，使AI能够真正参与企业分析和决策。

• 统一企业数据语言，让不同部门基于同一套标准决策。

企业最难解决的问题，往往不是缺少数据，而是不同人理解的数据不同。

在大型企业中，同一个指标可能存在多个定义。例如，销售额、活跃用户、客户数量等核心经营指标，在不同部门、不同系统中可能采用不同计算方式。当管理层进行经营分析时，各部门提供的数据无法对齐，最终影响决策效率。

因此，企业需要通过语义平台建立统一的数据语言，将指标定义、计算逻辑、业务维度、数据来源等信息进行沉淀和治理，使企业内部形成一致的数据认知体系。

• 降低数据使用门槛，让业务人员能够自主分析。

传统数据分析模式高度依赖数据团队，业务人员提出需求后，需要经过需求沟通、数据探查、SQL开发、报表制作等多个环节，响应周期较长。

随着业务变化加快，企业希望更多业务人员能够直接获取和分析数据，而不必依赖技术团队。语义平台需要将复杂的数据逻辑封装为业务可理解的指标和分析能力，让业务人员能够通过自然语言或低代码方式完成数据探索。

• 提升数据团队效率，减少重复取数和开发工作。

大量企业的数据团队长期承担重复性的取数、报表开发和数据加工任务，难以投入更多精力开展数据治理、模型建设等高价值工作。

语义平台通过沉淀指标逻辑、复用数据能力，减少重复开发，使数据团队从响应数据需求转向建设数据能力。尤其是在企业规模扩大后，语义资产能够显著降低数据服务成本

• 为AI提供准确的数据理解能力，支撑企业级智能分析。

大模型具备强大的语言理解能力，但并不了解企业自身的数据体系和业务规则。如果缺少语义层，大模型可能无法正确理解指标含义、选择数据来源，甚至生成错误结果。

因此，企业需要通过语义平台向AI提供结构化业务上下文，包括指标定义、计算逻辑、数据关系等信息，让AI能够准确理解企业数据，并进一步支撑智能问数、分析Agent等应用

厂商能力要求：

语义平台涉及业务理解、数据建模、查询计算、企业系统集成和AI应用适配等多个复杂领域。优秀厂商不仅需要具备产品能力，更需要长期服务大型企业形成的行业经验和工程能力。

• 深度业务抽象能力，将复杂业务逻辑转化为机器可理解语言。

语义平台的核心竞争力，在于能否准确表达企业复杂的数据分析逻辑。

真实企业场景远比简单指标查询复杂。例如，不同行业对于周期计算、客户分群、指标衍生、经营分析都有大量特殊规则。厂商需要具备高度抽象能力，将复杂业务规则拆解为指标、维度、计算逻辑等通用模型，同时保证业务人员能够理解和使用。

这要求厂商不仅懂数据技术，也需要深入理解企业业务运行方式。

• 强大的查询计算能力，兼顾灵活性与性能。

语义平台需要面对企业海量数据查询需求，尤其是在AI场景下，数据调用频率和实时性要求进一步提升。

传统数据架构通常通过提前加工汇总数据提升查询效率，但这种方式会牺牲灵活性。语义平台需要在保持数据分析灵活性的同时，实现大规模数据上的快速计算，这对查询引擎、计算优化和系统架构提出较高要求。

• 丰富的企业级交付能力，适配复杂IT环境。

大型企业通常拥有复杂的数据环境，包括多个数据源、不同数据库、历史系统以及严格的数据权限体系。

语义平台厂商需要具备完善的企业级能力，包括多源数据适配、权限管理、系统集成、安全控制以及大规模部署能力，确保产品能够真正进入企业生产环境。

• 面向AI时代的开放能力，让语义资产成为智能应用底座。

随着企业AI应用发展，语义平台不再只是服务BI工具，而需要成为各种智能应用的数据入口。

厂商需要提供开放接口、标准协议以及与Agent、智能分析应用的连接能力，使语义资产能够被不同AI应用调用。同时，语义平台需要持续扩展数据血缘、业务上下文等能力，帮助AI更准确地理解企业数据。

• 持续行业沉淀能力，通过真实场景形成产品壁垒。

语义平台高度依赖企业实际业务场景，仅靠通用技术难以覆盖复杂需求。

优秀厂商通常需要长期服务大型客户，在不同产业中积累指标体系、业务模型和解决方案经验，并将项目实践沉淀为标准化产品能力。这也是语义平台市场较高进入门槛的重要来源。

入选标准：

1.符合语义平台市场分析的厂商能力要求；

2.近一年厂商在该市场至少服务2家企业；

3.近一年厂商在该市场的收入规模至少在50万元。

 

代表厂商评估：

Aloudata

厂商介绍：

浙江大应科技有限公司（简称“Aloudata”）是中国数据编织（Data Fabric）和数据语义编织（Semantic Fabric）领导者，创始团队来自蚂蚁原数据平台部核心团队。Aloudata是国内Data Fabric架构理念与实践引领者，以“让数据随时就绪”为使命，以NoETL to Trusted AI为技术路线，致力于将复杂企业数据变为AI可理解的语义资产，并以此为基础构建可信AI分析平台，让企业真正步入“可信AI驱动决策”的时代。公司多次入选Gartner、Forrester、IDC及中国信通院的代表厂商与标杆案例。

产品服务介绍：

Aloudata围绕现代化智能数据栈打造了完善的NoETL产品矩阵，核心产品包括：

• Aloudata CAN（NoETL指标平台/明细语义层）：该产品是企业级统一可信语义层基座，依托强大的语义建模能力和物化加速能力，集规范化指标定义、自动化指标开发、语义化指标目录、开放化指标服务于一体，为数据分析和AI决策提供一致的“真理标准”和“自动化数据引擎”。它直接连接数仓明细层（DWD），颠覆了传统依赖人工堆砌大宽表和汇总表的模式，解耦指标定义与消费场景，实现指标跨场景的口径统一与共享复用。

• Aloudata Agent（可信数据分析智能体）：基于NoETL明细语义层 + Agentic Harness架构所构建，将标准指标、明细数据、文件数据、知识库、工具调用和多步分析Skill编排为可信分析工作流，让业务用自然语言完成可信问数、异常检测、波动归因、多源融合分析和报告生成。

• Aloudata BIG（主动元数据平台）：基于全球独创的算子级血缘解析技术（准确率>99%），提供全链路的数据资产盘点与透明可追溯的元数据上下文，实现更精细更智能的数据管理，并为大模型取数提供精准的血缘参考。

• Aloudata AIR（逻辑数据编织平台）：通过数据虚拟化引擎，支持跨源、跨系统的数据逻辑集成，并通过AI增强的自适应物化加速技术，实现高性能的联邦查询，无需物理搬运即可保障高效的联合分析。

厂商评估：

Aloudata是国内少有的兼具深厚大数据底层工程与先进AI落地能力的语义平台厂商，通过Aloudata CAN自动化指标语义平台与Aloudata Agent可信数据分析智能体，能够为企业提供一套开箱即用的“语义层+ AI应用”的解决方案，消除大模型在数据分析中的“幻觉”与猜口径问题，帮助企业实现从可信取数到分析决策再到执行的完整闭环。

Aloudata CAN从企业级指标治理切入，现已演进为面向BI+AI双模驱动的统一语义基座。其核心优势在于创新的NoETL技术架构，能够直接依托百亿级明细数据实现秒级响应，成功调和了分析灵活性与查询性能的冲突。

同时，Aloudata还能够提供主动元数据管理能力，让AI基于元数据关系网络理解数据来源、业务含义、依赖关系和可信状态，建立可解释、可追溯和可治理的分析能力。

目前，Aloudata各产品已在金融、消费零售、制造、能源等行业的头部大客深水区场景中经历了高并发、复杂业务逻辑的严苛考验，是企业构建AI-Ready数据基础设施的强力合作对象。

• 以NoETL语义平台统一业务语义，让AI分析站在可信基石之上

企业在经营管理中常面临“各部门数据对不上、数仓老旧表难以溯源”等乱象，NL2SQL技术路径常常面临严重的“幻觉”问题。

Aloudata通过为企业提供NoETL语义平台，支持其在数据表与业务应用之间建立一层独立的业务语义抽象层，将企业数据治理和沉淀为统一的指标语义和高性能数据查询服务，让AI不再直面复杂数据结构，而是在确定的业务语义框架中严格按照NL2MQL2SQL技术路径执行分析，从源头保证口径100%一致和查询的准确性。同时，NoETL语义平台支持明细级语义定义，可帮助企业实现“原子指标 × 时间 × 业务限定 × 衍生方式”的动态组装，这既减少了数据重复建设成本，也更适合承接复杂、长尾问题。

这种做法彻底将业务逻辑从复杂的底层物理实现中解耦出来，无论是业务高管看报表，还是AI理解业务，均基于同一套标准化定义的语义资产，实现自主按需的灵活分析。

在传统数据消费模式中，灵活性与查询性能是一对不可调和的冲突：要追求性能就必须人工建汇总表，但随之会失去下钻看明细的灵活性。Aloudata提供的NoETL语义平台支持在百亿乃至千亿行的数据体量上直接发起查询。其底层不是单纯的静态语义字典，而是一套强大的动态编译与查询加速引擎，能够自动完成复杂指标计算的物化编排和智能路由，既保留了明细数据的极致灵活性，又保障了秒级返回结果的时效性，为探索式取数和AI敏捷分析提供了强大的性能保障。

• 历经企业级高价值场景实战验证，具备应对复杂业务逻辑的能力

真实的商业分析场景极其拧巴且多变，复杂的业务规则对语义平台的定义能力提出了严苛的考验。Aloudata的NoETL语义平台不仅支持上百种高级函数的极简配置，还攻克了诸如银行期末余额（半累加指标）、活跃用户跨省去重计数等场景的上卷计算等行业数据难题。

这些能力并非在实验室中凭空想象，而是NoETL语义平台在麦当劳中国、顺丰速运、平安证券、中交一公局等大型头部客户的实际业务深水区中，历经上百次版本迭代打磨出来的。典型客户语义平台每天需要承受数百万次的API接口调用和高并发计算压力。这种在复杂组织、庞大数据量下沉淀出的技术成熟度与场景适配力，构成了其短期内难以被模仿的行业壁垒。

• 全矩阵产品能力加持，用确定性的工程架构交付AI-Ready数据底座

将大模型直接对接原始数据库，由于缺乏上下文，AI只能猜口径，导致无法在严肃的企业经营决策中落地。Aloudata认为，让大模型驾驭大数据，核心需要具备三个条件：数据治理必须从表治理延展到语义治理，通过语义层对齐业务口径和数据，避免“幻觉”；自动化的ETL工程，实现T+0的数据响应；内嵌的深度治理与安全管控，确保合规。在这三个方面，NoETL语义平台不仅承载了“数据-业务”对齐的语义抽象层，也支持自动生成和维护查询SQL、物化编排和智能加速，实现自动化的数据工程能力，保障大模型问数“问得出，答得快”。除此外，其语义平台产品不仅向大模型开放高成熟度的API或MCP接口，更将权限策略、合规控制深度嵌入查询全流程。

更具差异化的是，NoETL语义平台还能够与Aloudata BIG主动元数据平台与Aloudata AIR逻辑数据编织平台协同创新，为大模型额外注入精准到算子级的血缘关系、运行质量状态和合规脱敏策略，接入海量、异构、多源的企业数据，形成更加完善的上下文层和多源异构数据的连接和查询能力。通过这种确定性的工程手段（而非依赖大模型概率性猜测）来约束和规划AI的思路，让大模型在数据分析中真正做到“听得懂、信得过、用得了”。

典型客户：

麦当劳中国、中交一公局、平安证券、某知名跨国运动服饰品牌、某大型服饰连锁品牌

3.3 DataOps

市场定义：

DataOps是一套面向企业数据全生命周期管理的数据运营体系，通过数据开发、治理、质量管理、运维监控、安全管理等能力，提升数据生产和交付效率。随着企业进入Data+AI阶段，DataOps正在进一步演进，从保障数据可用性，转向保障数据能够被AI稳定、准确、安全地调用。

甲方终端用户：

DataOps主要服务于数据规模大、系统复杂、数据应用需求高的中大型企业，包括金融、制造、能源、零售、通信等行业。这类企业通常已经建设数据平台，但随着数据规模增长和AI应用推进，面临数据开发效率低、数据质量难保障、数据资产难运营等问题。

主要用户包括企业数据部门、数字化部门、IT部门以及业务数据团队。其中，正在推进数据中台建设、企业AI应用落地的组织，对DataOps需求更加明显。

甲方核心需求：

企业建设DataOps的核心目标，是提升数据生产、管理和使用的整体效率。过去企业关注的是如何建设数据平台，而随着数据资产规模扩大以及AI应用兴起，企业更加关注如何持续稳定地生产高质量数据，让数据能够快速、安全地服务业务应用和智能应用。

• 提升数据开发效率，让数据生产从人工驱动走向工程化。

企业数据建设过程中，长期存在开发流程分散、依赖人工操作、交付周期较长等问题。

传统数据开发通常涉及数据采集、加工、调度、测试、发布等多个环节，不同团队可能采用不同工具和流程，导致开发效率低、维护成本高。当数据需求快速增长时，数据团队容易陷入不断响应业务需求的状态。

DataOps需要通过统一的数据开发流程、自动化工具链和工程化管理方式，提高数据生产效率，让数据开发像软件开发一样具备标准化、可管理和可持续迭代能力。

• 提升数据质量，让数据成为可信赖的AI基础。

AI应用对数据质量提出了更高要求。

过去，数据质量问题可能影响报表准确性，但在AI场景下，错误数据可能直接导致错误分析和错误决策。例如智能问数、经营分析等场景中，企业不仅需要AI给出答案，还需要保证答案背后的指标、数据来源和计算逻辑可信。

因此，企业需要DataOps建立覆盖数据质量检测、异常发现、问题定位和责任追踪的能力，通过数据标准、质量规则和血缘关系，确保数据可追溯、可解释。

• 管理不断增长的数据资产，让数据从资源变成能力。

随着企业数据规模扩大，数据资产数量快速增长，但很多企业仍然面临不知道有什么数据、不知道数据在哪里、不知道谁负责等问题。

DataOps需要帮助企业建立统一的数据资产管理体系，包括数据目录、元数据管理、数据血缘、数据服务等能力，让企业能够发现、理解和使用已有数据资产。

尤其是在AI时代，企业需要将数据资产进一步转化为可被模型、Agent调用的数据能力，数据资产管理的重要性进一步提升。

• 支撑多模态数据管理，满足AI时代的数据需求。

传统企业数据以结构化数据为主，但AI应用正在推动企业管理更多非结构化数据，包括文档、图片、音视频、日志、传感器数据等。

企业希望这些数据不仅能够被存储，还能够被治理、解析、管理并服务于知识库和智能应用。例如制造企业需要处理设备日志、巡检图片、生产视频等数据，用于智能分析和辅助决策。

因此，DataOps需要向多模态数据管理能力延伸，覆盖从数据接入、处理、资产化到AI应用供给的完整链路。

• 建立数据安全和权限体系，保障数据规模化使用。

随着数据开放程度提高，企业也面临数据安全风险。

尤其是在AI应用场景下，数据需要被更多业务人员和智能应用调用，但不同角色对于数据访问范围存在差异。企业需要DataOps提供精细化权限管理、数据访问控制、审计追踪等能力，在提升数据流通效率的同时保障安全合规。

厂商能力要求：

DataOps本质上是连接数据生产、治理和应用的基础能力，对厂商提出了较高的综合要求。优秀厂商不仅需要具备数据工程能力，还需要理解企业复杂IT环境和业务需求，能够帮助企业建立稳定、高效、面向AI的数据运营体系。

• 完整的数据工程能力，覆盖数据全生命周期管理。

DataOps首先需要解决数据生产和管理效率问题。

厂商需要具备覆盖数据采集、开发、加工、调度、治理、服务等环节的一体化能力，支持企业建立标准化的数据生产流程。同时，平台需要具备模块化和开放能力，能够适配企业已有数据架构，而非要求客户进行大规模重构。

完整的数据工程能力，是DataOps进入企业核心数据体系的基础。

• 强大的数据治理能力，保障数据准确和可追溯。

随着AI应用发展，数据治理的重要性进一步提升。

厂商需要具备元数据管理、数据质量、数据血缘、指标管理等能力，让企业能够清楚了解数据来源、加工过程和使用方式。尤其是在智能问数等场景中，企业需要能够追溯AI答案背后的数据依据，降低错误结果风险。

因此，数据治理能力已经从传统的数据管理要求，升级为AI可信应用的重要基础。

• 面向AI的数据供给能力，让数据能够服务智能应用。

DataOps正在从传统数据管理走向Data+AI基础设施。

厂商需要考虑AI应用对于数据的新需求，包括多模态数据管理、知识库建设、指标语义管理以及面向Agent的数据服务能力。例如，企业不仅需要管理文档文件本身，还需要管理文件来源、版本、权限、解析结果等信息，使其能够被AI应用有效利用。

未来DataOps的重要能力，是让数据从“可查询”变成“可理解、可调用”。

• 支持复杂企业环境，具备大规模交付能力。

大型企业通常具有复杂的数据环境，包括多个业务系统、多组织架构、多数据源以及严格的数据安全要求。

DataOps厂商需要具备适配复杂企业环境的能力，包括多源连接、分权分域管理、国产化适配、系统集成以及大规模部署能力。

尤其是在央国企、金融、能源等行业，企业对于稳定性、安全性和长期运营能力要求较高。

• 深入行业场景，帮助企业真正释放数据价值。

DataOps并非单纯的软件部署项目，而是企业数据能力建设过程。

不同产业的数据体系和业务逻辑差异明显，例如制造企业关注生产数据和设备数据，金融企业关注实时性和风险管理，零售企业关注用户和经营分析。厂商需要具备行业理解能力，将数据平台能力与具体业务场景结合。

具备行业经验的厂商，能够帮助企业明确数据建设方向，避免陷入为了治理而治理的困境。

入选标准：

1.符合DataOps市场分析的厂商能力要求；

2.近一年厂商在该市场至少服务3家企业；

3.近一年厂商在该市场的收入规模至少在100万元。

 

代表厂商评估：

袋鼠云

厂商介绍：

袋鼠云成立于2015年，总部位于杭州，在北京、上海、香港、深圳等地设有分支机构。公司定位为大数据基础软件与人工智能应用服务商，以“Data+AI”技术为核心，自主研发一站式大数据人工智能产品并提供一体化运维服务。目前，袋鼠云已服务超过5000家央国企、金融、能源矿产、交通运输、先进制造等行业头部客户；自2024年开启出海战略以来，其业务已逐步延伸至东南亚、日韩等海外市场。

产品服务介绍：

数栈DataStack是袋⿏云打造的AI驱动的多模态数据开发治理与应用平台，包含⼤数据基础平台、多模态数据智能开发与治理、数据智能分析与服务，它融合了DataOps数据运营理念，以稳定、安全、易⽤为基础，以自主可控、持续创新为技术内核，可将企业全域数据资产进行汇聚、加⼯、治理、服务、分析。

图4：数栈DataStack产品矩阵

厂商评估：

在“AI+Data”时代，袋鼠云凭借沉淀十年的数字化工程经验，已将数据中台升级为多模态数据智能平台。针对企业管理层在推动人工智能应用时面临的数据质量低、多模态数据难管理、业务逻辑难统一等核心痛点，袋鼠云通过全栈国产化适配的产品矩阵，提供从前端业务咨询、中期数据全链路治理到上层智能应用孵化的全周期服务。其独创的“数据+AI”智能飞轮机制、模块化解耦架构以及全球化多语言适配能力，能够帮助大型央国企、金融、先进制造及跨国出海等行业客户，在确保数据安全合规的前提下，低门槛、高精度地激活私域数据资产。

• AI Ready始于Data Ready，以高质数据集筑牢大模型底座面

对大模型在企业智能应用落地时频发的幻觉与口径不一问题，袋鼠云提出“AI Ready必先Data Ready”的落地理念。企业在应用智能问数或知识库时，准确率低的根源往往在于底层数据未经过体系化治理。袋鼠云不鼓励盲目上线AI工具，而是主张通过其成熟的数据治理平台，率先对企业元数据、数据标准进行规范化梳理，并在中间构建统一的指标语义层。这种将业务指标口径统一、计算逻辑可管、来源结果可追溯的治理逻辑，能够从源头上切断错误信息的供给，将大语言模型的理解能力与企业真实的业务指标映射，显著提升智能问数的精准度与可信度。

• “咨询+工程”双轮驱动，以全周期陪伴攻克数据落地管理盲区

数字化转型的核心挑战往往不在于技术本身，而在于业务需求模糊与跨部门协同阻力。袋鼠云淡化单纯的软件交付角色，定位为企业数字化转型的长期合作伙伴。公司引入专业的咨询与业务分析（BA）团队，在项目前期深入企业各业务职能部门，帮助管理层理清技术背后的业务逻辑与核心痛点。针对大型企业跨部门推动难的沉疴，袋鼠云不仅提供工程技术支持，更输出管理机制上的优化建议。这种陪伴式服务与全周期的方法论沉淀，有效避免了项目后期验收标准冲突的隐患，其服务的众多标杆客户实现了多期合作，体现出较高的客户粘性。

图5：袋鼠云数据治理工程全链路

• 结构化与非结构化并重，多模态数据中台激活全资产价值

随着企业知识管理深入，制度文档、合同、图纸及音视频等非结构化数据，成为了企业核心资产的重要组成部分。袋鼠云顺应这一趋势，将其核心产品“数栈”逐步补齐多模态属性，升级为多模态数据中台。平台不仅支持传统二维表的接入，更具备文件采集、文档解析、OCR识别等全类型数据汇聚与算子处理能力。更重要的是，袋鼠云实现了结构化数据与非结构化数据的统一编目与血缘打通。以制造业为例，当设备发生故障时，系统可一键串联并调出巡检图片、设备台账、维修记录及前后时间段的视频抽帧，将过去繁琐的跨系统排查缩短至单一接口响应，大幅提升了企业一线运营的降本增效成果。

• “数据+AI”智能飞轮闭环，让私域数据沉淀企业独特智能偏好

为了让智能应用真正融入企业日常经营，袋鼠云打造了“Data+AI”的智能飞轮闭环机制，通过数据驱动智能，再通过智能反哺数据。在实际应用中，平台内嵌了少样本学习（Few-Shot）反馈机制。当管理层对智能归因分析的结果进行“点赞”或“踩”时，系统后台会自动分析反馈意图，并在保护数据隐私的安全边界内对模型进行微调。由于各家企业审视业务的角度和语境各有侧重，这种飞轮效应能够让智能系统逐步学习并适应特定企业的智能偏好，使大模型给出的洞察与建议越来越贴合企业自身的管理习惯，形成越用越聪明、越用越精准的良性循环。

• 模块解耦，以灵活架构匹配渐进式建设诉求

考虑到不同行业、不同体量企业的数字化建设周期与IT预算差异，袋鼠云的核心产品矩阵具备极高的灵活性。其平台组件支持完全解耦，企业可以根据自身当前最迫切的诉求，自由组合离线开发、实时开发、数据资产、指标平台或智能体开发平台（AI Works）等模块。无论是金融级场景所需的分钟级实时响应流，还是高性价比的常规离线计算，都能按需接入与组装。这种解耦架构让企业无需一次性推翻重构原有系统，能够通过轻量化的局部切入实现业务尝鲜，随着后期业务场景的拓展再逐步叠加新模块，极大程度降低了管理层的决策门槛与重资本投入的风险。

• 完备的海外多云适配能力，赋能中企出海

随着越来越多中国企业加速走向国际市场，海外复杂的公有云环境与法律合规成为了新的数据命题。袋鼠云走在市场前列，针对出海场景完成了深度技术适配。不同于国内偏好私有化部署的环境，海外市场高度依赖公有云，袋鼠云产品已与AWS等主流国际云厂商的存储与计算服务深度融合，并原生支持多语言切换与当地特定数据合规要求。在帮助大型企业构建“集团母公司-海外分子公司”的全球化架构时，平台能够提供严密的分权分域管控，既能确保各海外主体符合当地数据安全审计标准，又能将全球数据顺畅汇聚生成总体视图，为企业全球化运营提供稳固的数据智能护航。

典型客户：

中国银联股份有限公司、物产中大国际贸易集团有限公司、中国燃气控股有限公司、厦门国贸集团股份有限公司、上海得物信息集团有限公司

 

3.4 智能体开发平台

市场定义：

智能体开发平台是面向企业构建、部署和运营AI Agent的基础平台，通过提供模型接入、知识管理、工具调用、流程编排、智能体运行管理等能力，帮助企业快速开发面向业务场景的智能应用。

随着大模型从对话助手向业务执行型Agent演进，智能体开发平台正在成为企业规模化建设AI应用的重要基础设施。

甲方终端用户：

智能体开发平台主要服务于数字化程度较高、业务流程复杂的大中型企业，包括政务、金融、制造、能源、通信、建筑等行业。这类企业拥有丰富的数据和业务场景，但面临AI应用开发周期长、技术门槛高、场景落地难等问题。

主要用户包括企业数字化部门、IT部门、业务部门以及创新部门。其中，希望自主构建企业级Agent、推动AI从试点走向规模应用的组织，是当前智能体开发平台的主要需求方。

甲方核心需求：

企业建设智能体开发平台的核心诉求，是降低AI应用开发门槛，提高智能体建设效率，并推动AI能力从单点实验走向规模化应用。相比简单调用大模型，企业需要的平台不仅要支持Agent快速开发，还需要解决数据接入、业务理解、安全部署和持续运营等实际问题。

• 降低智能体开发门槛，让业务需求快速转化为AI应用。

企业希望更多业务场景能够快速应用AI，但传统AI开发方式依赖算法、开发人员，周期长、成本高，难以覆盖大量业务需求。

智能体开发平台需要提供低代码或可视化开发能力，通过流程编排、工具配置、知识接入等方式，让企业能够快速构建面向具体任务的智能体。例如客服助手、知识助手、业务分析助手、办公助手等，均可以通过平台快速搭建。

降低开发门槛，是智能体从少数技术团队实验走向企业规模化应用的基础。

• 连接企业数据和知识，让智能体真正理解业务。

通用大模型具备语言理解能力，但缺少企业内部知识和业务背景。

企业智能体需要理解大量内部信息，包括制度文件、业务流程、历史案例、专业知识以及结构化业务数据。如果缺少这些数据支撑，智能体只能完成通用问答，难以解决实际业务问题。

因此，企业需要智能体开发平台具备知识库管理、数据连接、检索增强等能力，让智能体能够基于企业自身知识和数据工作。

• 支持复杂任务编排，让Agent从回答问题走向完成任务。

企业级智能体的价值，不只是回答问题，而是能够围绕目标自主执行多个步骤。

例如，一个业务助手可能需要理解用户需求、查询数据、调用系统接口、生成分析结果，并触发后续流程。这要求平台具备任务拆解、多工具调用、流程编排和执行管理能力。

随着Agent应用深入，企业对智能体的要求将从会聊天转向能完成工作。

• 满足企业级安全要求，保障AI应用可控落地。

企业在部署智能体时，尤其关注数据安全、权限控制和模型输出可靠性。

不同行业对于数据访问范围、部署方式、审计要求存在较大差异。例如政务、公安、金融等领域，通常要求数据不能离开内部环境，智能体运行过程需要满足严格安全规范。

因此，智能体开发平台需要支持私有化部署、权限管理、数据隔离、运行监控等企业级能力，使AI应用能够在安全可控环境下运行。

• 支持持续运营，让智能体能力不断迭代。

企业业务持续变化，智能体不可能一次开发完成后长期不变。

随着业务规则调整、数据变化和用户反馈增加，企业需要持续优化智能体的知识体系、任务流程和执行效果。因此，智能体开发平台需要提供版本管理、效果评估、运行监控和持续优化能力，支持智能体长期运营。

厂商能力要求：

智能体开发平台竞争并非单纯比拼大模型能力，而是综合考验平台工程能力、企业数据连接能力、Agent架构能力以及行业落地经验。优秀厂商需要帮助企业解决从智能体开发到实际应用全过程中的复杂问题。

• 完善的平台工程能力，支撑智能体全生命周期管理。

智能体开发涉及设计、开发、测试、部署、运行和优化多个环节。

厂商需要提供完整的平台能力，包括Agent创建、流程编排、模型管理、工具管理、运行监控等功能，帮助企业建立标准化的智能体开发体系。

相比单个应用开发，企业更需要一个能够持续生产和管理智能体的平台。

• 强大的工具调用和流程编排能力，让Agent具备执行能力。

智能体区别于普通聊天机器人的关键，在于能够调用工具完成任务。

企业场景中的Agent通常需要连接数据库、业务系统、API接口以及外部工具，因此平台需要支持复杂任务规划、多工具协同和流程自动执行能力。

具备强大Agent运行框架能力的平台，才能支撑复杂业务场景落地。

• 深入企业数据体系，提升智能体业务理解能力。

智能体效果高度依赖企业数据基础。

实际项目中，数据质量和数据准备往往成为最大挑战。在智能体建设过程中，数据收集、清洗、结构化和加工等工作可能占据项目实施的大部分工作量。

因此，厂商需要具备数据治理、知识工程和企业数据连接能力，帮助客户将分散的数据资源转化为智能体可利用的知识资产。

• 具备模型适配能力，满足不同企业部署需求。

企业在选择智能体方案时，会面临模型能力、算力成本和部署环境等多重约束。

部分企业需要使用私有化模型或本地部署模型，但本地模型能力和算力资源可能无法完全满足复杂Agent运行需求。小参数模型能力提升和模型适配成为实际项目中的重要挑战。

因此，厂商需要具备多模型适配、模型优化以及不同部署环境支持能力，帮助企业在效果、成本和安全之间取得平衡。

• 丰富行业经验，帮助企业找到高价值应用场景。

智能体建设最大的难点，是如何找到真正有价值的业务场景。

企业对于AI应用目标通常较为宽泛，需要厂商结合业务流程挖掘高价值需求。实际落地过程中需要选择痛点明确、风险较低、效果容易衡量的场景作为突破口，再逐步扩大应用范围。

因此，具备行业理解和场景落地经验的厂商，更容易推动智能体从试点走向规模化应用。

入选标准：

1.符合智能体开发平台市场分析的厂商能力要求；

2.近一年厂商在该市场至少服务2家企业；

3.近一年厂商在该市场的收入规模至少在100万元。

 

代表厂商评估：

拓尔思

厂商介绍：

拓尔思信息技术股份有限公司成立于1993年，是中文全文检索技术的开创者，也是国内最早将人工智能、大数据与行业场景深度融合、规模化落地的上市企业。公司深耕行业三十余年来，始终坚持“数据+智能”底层技术自主可控的核心发展路线，现已成为政务、泛安全、媒体等领域国家级数智化基础设施的核心建设者，赋能千行百业实现数智化升级。

产品服务介绍：

TRS拓天链智能体平台（简称“拓天链”）是拓尔思推出的基于大模型的智能体开发与应用平台，提供涵盖智能体设计、训练、评估、分析及管理等一站式服务。

在架构层面，平台引入全球前沿智能体范式，采用Harness框架，支持模块化的Skill（技能）机制与MCP（模型上下文协议）工具接入。通过统一的文件结构和标准接口，将大模型能力转化为精准可控的自主规划大脑，支持多模态数据（文本、图片、音频、视频、结构化数据）的融合理解、工具自动调用与任务的自主规划执行。

平台核心组件包括多模态企业级知识引擎与分布式原生图数据库TRSGraph，能够实现千亿级节点规模的毫秒级关系查询与GraphRAG深度检索。同时，平台内置可视化拖拽式工作流编排、RTGO结构化提示词框架以及涵盖沙箱隔离、敏感词动态拦截的企业级三层安全防护机制。拓天链全面适配英伟达、海光、华为等国产化信创环境，兼容主流开源及商业大模型，支持标准API与Web应用一键发布。目前已在政务公文、智媒校对、金融审计、舆情分析等多元行业场景深度落地。

图6：拓天链架构

厂商评估：

拓尔思凭借在政府、金融、媒体等行业深厚的数据沉淀，推出全新升级的智能体开发平台“拓天链v4”。该平台采用前沿的Harness框架，主打以Skill为核心的自动规划模式，有效替代传统繁琐的工作流编排。面对企业级落地的实际痛点，拓尔思不只局限于AI能力本身，而是将核心优势聚焦于高质量数据治理中台、全链路闭环管理、金融级全方位安全防护以及全栈信创适配。通过“项目制交付+标准API集成”的务实路径，拓尔思帮助政企客户在计算资源有限、数据分散的现实条件下，通过高痛点、易衡量的场景切入，实现业务系统的智能化升级。

• 高质量数据治理前置，打牢智能体应用的数字底座

在Data+AI的实际落地中，政企客户面临的最大挑战往往是内部数据极度分散、噪声多且质量参差不齐。拓尔思的智能体开发平台不直接将AI模型嫁接在原始数据上，而是在底层配置了强大的高质量数据中台系统。该系统能够深度对接关系表、本地文件等多模态异构数据，进行自动化清洗、去重、脱敏与过滤。

针对企业内部大量的Word、PDF等非结构化文档，平台具备精准的文档解析与多模态数据提取能力，能够将散落的知识转化为高质量的结构化数据集、向量数据库或知识图谱。这种“数据治理前置”的策略，将实施人员从繁重的数据泥潭中解放出来，确保了后端拓天链在进行问答、写作和数据分析时，能够获得精准、可信的知识支撑，从源头上减少AI幻觉。

• 从模型训练到应用发布，全链路闭环降低开发门槛

拓天链v4版本实现了从数据接入、模型训练、微调评估（SFT/DPO）到智能体设计、编排、发布的端到端闭环管理。对于各行各业的管理层而言，这意味着企业无需组建庞大的AI研发团队去拼凑开源工具，在一套平台上即可完成智能体生命周期的全流程管理。

值得一提的是，拓尔思紧跟技术前沿，在v4版本中采用Harness框架，全面支持模块化的Skill体系。传统的Workflow正在被基于技能的自动编码与规划所取代。用户或实施人员只需如同搭积木般定义和组合各种业务技能，大模型便能自动识别并规划最佳路径去执行复杂任务。这种架构极大地提升了智能体的灵活性与组件复用率，让AI能力的调用变得更加直观和高效。

• 打造轻量化模型规划能力，破解政企本地算力不足的现实瓶颈

在私有化部署的项目中，很多政企客户由于保密和安全性要求，无法调用公有云的大模型接口，但本地又缺乏大规模的GPU计算资源。而市面上很多智能体平台，其工具调用和自动规划能力依赖超大参数的模型，导致GPU计算资源愈发紧缺。

针对这一行业痛点，拓尔思采取了更为务实的做法。团队在拓天链v4中内置了经过深度微调小参数模型（如27B、80B版本）。通过对模型在工具调用、数据自动规划以及业务意图理解等特定任务上的强化训练，使得轻量化模型在沙盒与后台任务执行中展现出不亚于大模型的规划能力。这使得企业无需追加巨额的硬件预算，在有限的本地算力条件下，依然能够流畅运行复杂的智能体业务。

• 沙箱隔离与多租户权限管控，构建全方位的企业级安全防护体系

智能体在执行诸如屏幕识别、自动化浏览器操作等高级任务时，往往伴随着系统安全与隐私泄露的风险，这在公安、金融等特种和高合规行业尤为敏感。拓尔思将安全性视作产品设计的生命线，在拓天链平台中构建了严密的合规与防护机制。

平台所有的自动化工具调用、网络浏览及操作均在隔离的Docker容器和沙箱环境中后台执行，严禁直接访问本地系统浏览器，彻底杜绝了恶意代码入侵的隐患。在数据与权限管理上，平台支持严格的多租户架构，限制租户只能在自身的工作目录内进行文件读写，以防范安全漏洞。配合敏感词拦截、SSRF防护及私有IP访问白名单，确保了企业数据资产安全。

• 全面适配国产信创生态，标准API助力既有业务系统无缝升级

当前，我国政企信息化建设正处于向信创全面迈进的深水区。拓尔思智能体开发平台实现了全栈国产化芯片与环境的深度适配，全面支持包括沐曦、海光、天数、华为等在内的国产加速卡及主流国产操作系统，满足了特种单位对自主可控的刚性需求。

在交付模式上，拓尔思深谙企业IT架构的复杂性。拓天链不仅支持整套系统的私有化独立部署，更提供了标准化的开放API接口。许多企业并不需要完全推翻重构现有的业务系统，只需通过接口将拓天链的智能体能力（如智能客服、投顾助手、舆情分析报告生成等）无缝嵌入到现有的OA、CRM或业务管理系统中。这种低投入、轻量化的集成方式，不仅保护了企业原有的IT资产，更帮助客户以最低的转型成本完成了业务的AI化升级。

典型客户：

中国环境报、中国航空工业集团有限公司、某航空发动机有限公司、国网能源研究院

 

3.5 通用Data Agent

市场定义：

通用Data Agent是面向企业数据分析场景的智能体，通过自然语言交互理解用户意图，自动完成数据查询、分析、归因、可视化和决策辅助等任务。

相比传统BI工具，Data Agent进一步降低了数据使用门槛，使企业员工能够通过对话方式直接获取数据洞察，并推动数据分析从人工操作走向智能化。

甲方终端用户：

通用Data Agent主要服务于数据资产丰富、业务分析需求频繁的大中型企业，包括金融、制造、零售、能源、通信等行业。这类企业通常已经建设了数据平台和BI体系，但仍面临数据分析依赖专业人员、业务响应效率低、数据价值释放不足等问题。

从使用角色看，Data Agent覆盖管理层、业务人员、数据分析师等多类用户。其中，希望提升经营分析效率、推进企业AI应用落地的组织，是当前主要需求方。

甲方核心需求：

企业引入通用Data Agent的核心目标，是让数据分析能力从少数专业人员手中释放出来。一方面，企业希望通过自然语言交互降低数据使用门槛，让更多业务人员能够自主获取洞察；另一方面，希望借助AI提升分析效率，从简单的数据查询进一步走向原因分析、趋势判断和决策辅助。

• 让业务人员直接使用数据，降低分析门槛。

企业需要的数据分析能力，长期被掌握在数据分析师和技术人员手中。

传统模式下，业务人员提出分析需求后，需要经过需求沟通、数据取数、SQL开发、报表制作等多个环节，简单的问题也可能需要较长周期才能得到答案。这种模式难以满足快速变化的业务需求。

Data Agent通过自然语言交互，让业务人员可以直接提出问题，例如查询经营指标、分析销售变化、了解客户情况等，由系统自动完成数据理解和分析过程，提高数据使用效率。

• 从回答问题走向主动分析，提升数据洞察价值。

企业真正需要的并非简单的数据查询，而是基于数据发现问题、解释原因并辅助决策。

传统BI主要解决看数据的问题，但业务决策往往需要进一步回答为什么变化、哪些因素影响最大、下一步应该怎么办等问题。

Data Agent需要具备推理和分析能力，根据用户问题主动拆解任务，调用不同的数据分析工具和模型，完成归因分析、趋势判断、异常识别等更复杂的分析工作。

• 提升数据分析效率，减少重复性工作。

大量企业的数据团队承担着指标查询、报表制作、临时分析等重复工作，难以投入更多精力开展数据治理和高级分析。

Data Agent能够自动完成部分标准化分析任务，例如生成报表、创建可视化图表、执行指标查询等，帮助数据团队提升交付效率。

同时，数据人员可以将更多经验沉淀到Agent中，使过去依赖个人经验的分析流程逐步标准化。

• 融合企业业务知识，让AI理解自身数据体系。

通用大模型具备语言理解能力，但并不了解企业内部的数据结构、指标口径和业务规则。

例如，同一个概念，如客户、收入、活跃度，在不同企业中可能有不同定义。如果缺少企业数据语义和业务知识支撑，AI容易产生错误理解。

因此，企业需要Data Agent具备连接企业数据资产、理解业务逻辑的能力，使AI输出结果符合企业实际运营规则。

• 支撑多场景智能应用，从单点问答走向业务助手。

随着企业AI应用深入，Data Agent的价值不再局限于问数，而是成为连接数据分析和业务流程的重要入口。

企业希望Data Agent能够进一步支持经营分析助手、销售助手、风险分析助手等场景，通过调用不同的数据能力和业务工具，帮助员工完成更复杂的工作任务。

厂商能力要求：

通用Data Agent涉及数据连接、语义理解、智能推理、工具调用和企业交付等多方面能力。优秀厂商需要同时具备数据分析基础、AI工程能力和行业经验，才能让Agent真正进入企业生产环境。

• 扎实的数据基础能力，确保分析结果准确可靠。

Data Agent的核心价值建立在企业数据之上，数据理解能力决定最终效果。

企业通常拥有多源异构数据，包括数据库、数据仓库、报表系统以及非结构化数据。厂商需要具备强大的数据接入、数据建模和查询优化能力，能够处理复杂数据环境，并保障分析结果的准确性和稳定性。

尤其是在金融、大型制造等数据规模较大的行业，底层数据处理能力直接影响产品可用性。

• 强大的智能推理能力，让Agent真正完成分析任务。

简单的自然语言转SQL已经无法满足企业需求。

企业需要的Data Agent，需要理解用户意图，判断问题背景，拆解分析步骤，并根据不同情况调用查询、计算、可视化等工具完成任务。

因此，厂商需要具备Agent架构设计能力，包括任务规划、推理执行、工具调用、结果校验等能力，让系统从回答问题升级为完成任务。

• 丰富的业务知识沉淀，提升行业适配能力。

数据分析高度依赖行业经验。

不同企业对于指标定义、分析方法、业务逻辑存在明显差异，通用大模型难以直接理解企业内部规则。厂商需要通过长期行业实践，将业务知识、指标体系、分析方法沉淀为可复用能力。

具备行业经验的厂商，更容易帮助客户快速构建符合自身需求的Data Agent。

• 具备企业级交付能力，推动AI从试点走向规模化应用。

当前，企业部署通用Data Agent核心挑战不只是技术问题，还包括业务协同和落地运营。

厂商需要帮助企业梳理业务场景、优化数据基础、培训用户，并建立持续运营机制。同时，需要具备与企业现有BI、数据平台、业务系统融合的能力，使Data Agent真正成为企业日常工作的一部分。

入选标准：

1.符合通用Data Agent市场分析的厂商能力要求；

2.近一年厂商在该市场至少服务3家企业；

3.近一年厂商在该市场的收入规模至少在100万元。

 

代表厂商评估：

思迈特软件

厂商介绍：

广州思迈特软件有限公司（SmartBI）创立于2011年，是国家级专精特新“小巨人”企业。作为Agent BI的开创者与引领者，SmartBI在IDC相关报告中七项技术能力评分均位列第一，金融行业市场占有率排名第一，也是国内唯一连续多年入选 Gartner“中国AI创业公司”及“增强分析”代表厂商的BI企业。

依托行业独创的“指标体系+多智能体协同”双轮驱动技术体系，公司为大型企业提供安全可信、可规模化落地的业务决策智能支持，目前已服务超6000家行业头部客户，业务覆盖金融、央国企、制造等60余个行业。核心产品白泽，作为大型企业专属的智能体数据决策分析平台，已在多行业落地数百个AI应用项目。公司典型客户包括南方电网、交通银行、深圳证券交易所、中英人寿、蒙牛等知名企业，亦作为天问一号国家级项目的数据技术供应商，持续助力各行业数智化转型。

产品服务介绍：

思迈特软件自主研发的白泽V5是一款面向大型企业专属的智能体数据决策分析平台，专注于将大模型能力转化为稳定、可控的企业级生产力。产品以企业级Harness架构为底层设计理念，采用“统一指标模型/语义层+多智能体平台”双轮驱动，从根本上解决大模型的幻觉与不可信问题。白泽V5依托ReAct推理框架、可扩展技能（Skill）体系与分层记忆能力，实现了从单点问答向完整分析任务的跨越。产品不仅支持自然语言任意问数与上下文精准理解，更具备深度归因分析、多源数据融合、一键创建仪表盘及长篇经营报告智能撰写等全链路能力。

针对严肃的经营决策场景，白泽V5提供口径可追溯与多重校验机制，在输出分析报告或复杂填表的同时，同步生成数据对照表与审查报告，确保过程可复核、结果能追溯。目前，该产品已在能源电力、金融保险等复杂业务场景中实现规模化验证与落地。

图7：白泽V5架构图

厂商评估：

依托金融、央国企及头部制造行业多年落地沉淀，结合企业数据决策真实痛点，思迈特软件推出全新升级产品白泽V5。该产品紧跟技术前沿，融合了ReAct推理框架、模块化Skill机制与长期记忆融合机制，构建完备的企业级Harness约束体系，实现AI全链路可控可追溯，完成从传统一问一答向自主反思与主动推理的架构跃迁。面对企业级落地的现实挑战，白泽V5形成多项差异化落地能力：百亿级异构数据的高性能BI底座；配套一站式全生命周期指标中心，统一业务口径，沉淀行业Know-how搭建自增长指标体系，打通指标治理与智能分析闭环；具备行业级深层因果归因能力、无缝利旧友商资产的敏捷集成方案，并配套标准化AI工程化交付方法论，帮助企业业务人员跨越技术门槛，推动企业海量异构数据转化为实用的业务决策支撑。

• 深耕金融与央国企大客户场景，以专业经验破解复杂业务的深层归因难题

在数据智能体的实际落地中，制造、金融及央国企等中大型企业普遍面临决策链条长、分子公司数据独立、业务逻辑复杂的痛点。管理层不仅需要知道当前的经营指标是什么，更急需了解导致指标波动的根本原因。思迈特凭借多年来在银行、保险、证券等高合规、高体量行业的深厚沉淀，将大量行业专家的经验与业务逻辑转化为内置的归因算法。

当企业面对续保率下降或收入下滑等复杂经营问题时，思迈特的数据智能体不只是简单地在维度层面进行手工计算代替，而是通过因果归因、指标关联归因等高级算法，将外部行业变动、政策下发等客观因子与企业内部数据进行深度关联。这种深度挖掘能力，能够为企业管理层提供发生原因、未来预测以及行动建议的完整闭环。

• 依托百亿级高性能成熟BI底座，保障海量异构数据的极端性能与稳定掌控

大型金融机构和集团型央国企数据通常以亿级为单位，多元异构系统交织，这对数据智能体的后端计算与表关联性能提出了极高要求。不少新兴的AI初创厂商在面对千万级以上的数据体量或几百张表的复杂关联时，往往会出现性能瓶颈。

思迈特将自身多年积累的成熟BI底层技术融合至AI智能体架构。其BI底座支持私有化部署，兼顾高性能与全域数据安全，可支撑单表上百亿级别的数据吞吐，并在几百张表的复杂关联查询中保持毫秒级的响应速度。同时，深度联动全生命周期指标中心，统一全域业务口径、搭建标准化指标体系，并将分级权限、数据脱敏、操作审计等贯穿数据全流程，全程可管可查。这套集高并发、指标治理与安全管控一体化的能力，让智能体在面对极度庞大且复杂的企业级关系表时，依然能够算得快、找得准，为企业在复杂多元的IT环境下规模化落地AI应用提供了坚实的底层工程保障。

• 利旧能力，无缝集成并激活友商存量报表资产

许多企业在推进数字化转型的过程中，已经使用各类数据产品搭建了大量的业务报表和数据看板。如果为了引入数据智能体而推翻重构既有的数据指标体系，将会给企业带来巨大的沉没成本和跨部门协同阻力。

思迈特在市场实践中展现出了极高的敏捷度与兼容性，其产品能够直接对接并无缝集成友商老客户的既有报表和看板资源。企业无需将原本做好的成百上千张报表进行推倒重来，思迈特便能直接利用这些存量数据资产进行智能化的问数与找数。这种软性集成优势不仅实现了对企业IT资产的高度利旧，也能缩短项目交付周期与降低实施风险。

• 融合ReAct推理与长期记忆机制，白泽V5推动智能体向自主规划大脑演进

一些数据智能体依赖客户提供大量问句示例，一旦面对数据缺失或模糊表达，极易返回空结果。白泽V5在架构层面完成了颠覆性的升级，平台全面引入ReAct技术框架，构建了包含推理、反思、执行与观察的动态思考闭环。

当用户查询的数据出现缺失时，白泽V5能够自动进行深度反思，根据用户意图去寻找最近邻的数据并给出动态建议。不仅如此，在市场掀起智能体技能、长效记忆规模化落地浪潮之前，白泽V5已率先完成Skill技能机制与长期记忆融合机制，将个人的人设定位、岗位特征与喜好习惯融入产品链路。智能体能够像熟稔业务的专属助手一样，根据不同的语气与上下文，按需调用生成报表、仪表盘等各种Skill组件，实现了真正懂业务、懂用户的智能化交互。

• 实施技术岗AI持证体系与标准化工程方法论，保障项目长效运营

数据智能体的落地往往伴随着业务人员认知不足、企业指标数据质量参差不齐等现实挑战。部分业务人员习惯用通用的公网AI视角来看待企业私有化智能体，忽视了企业指标口径的独特性。对此，思迈特在行业内推行了全员技术岗AI化持证上岗的交付方法论，确保实施人员不仅懂技术，更懂知识体系与Skill编写。

面对数据乱存、大宽表噪声多等问题，思迈特通过标准化工程策略，利用专业数据模型将庞杂的数据按业务场景进行精准拆分。针对汇报场景下企业对固定报告字斟句酌的严苛要求，思迈特通过流程编排、固定提示词方案结合多Agent审查机制，确保输出结论的确定性。通过构建问题排查、复测、上线的持续运营迭代闭环，思迈特将AI项目演进为可持续成长的企业资产。

典型客户：

阳光保险、中英人寿、晶合集成等

 

3.6 工业Data Agent

市场定义：

工业Data Agent是面向工业生产和运营场景的智能数据分析与决策助手，通过连接工业数据、业务知识和分析工具，帮助企业完成设备监控、故障诊断、生产优化、经营分析等任务。

相比通用Data Agent，工业Data Agent需要进一步理解工业领域的数据特征、业务流程和专业知识，服务于复杂工业场景下的数据智能化应用。

甲方终端用户：

工业Data Agent主要服务于制造、能源、石化、电力、矿业等工业企业。这类企业通常拥有大量设备数据、生产数据和工程数据，但数据来源复杂、业务知识分散，传统数据分析方式难以快速支撑生产优化和运营决策。

主要用户包括生产部门、设备管理部门、工艺部门、数字化部门以及企业管理层。其中，希望利用AI提升生产效率、降低设备故障、优化运营管理的工业企业，是当前主要需求方。

甲方核心需求：

工业企业建设Data Agent的核心诉求，是让长期沉淀的数据真正服务生产经营。相比消费、办公等通用场景，工业数据具有规模大、结构复杂、专业知识密集等特点，企业需要AI不仅能够查询数据，更能够理解设备、工艺和生产逻辑，辅助完成诊断、预测和优化等复杂任务。

• 让工业数据真正被理解，释放长期沉淀的数据价值。

工业企业经过多年数字化建设，积累了大量数据，包括设备运行数据、生产过程数据、工程数据、质量数据等。但由于数据分散在不同系统中，数据之间缺少关联，企业难以形成完整认知。

例如，一台设备的运行状态可能涉及传感器数据、维修记录、工艺参数、操作日志等多个来源，仅依靠传统数据库查询，很难全面判断设备异常原因。

工业Data Agent需要通过数据关联、知识建模和自然语言交互能力，将分散的数据转化为可理解的业务信息，让企业能够更加高效地利用已有数据资产。

• 辅助工业专家分析，降低专业知识使用门槛。

工业生产高度依赖专家经验。

在设备故障诊断、工艺优化、生产异常处理等场景中，经验丰富的工程师往往能够快速定位问题，但这些知识通常存在于个人经验中，难以规模化复制。当企业面临人才流动或业务扩张时，经验传承成为重要挑战。

工业Data Agent需要将设备知识、工艺规则、历史案例等内容沉淀下来，通过AI辅助工程师分析问题，让专家经验能够被更多人员使用，提高组织整体生产能力。

• 从数据查询走向故障诊断和生产优化。

工业企业需要的并不是简单查看数据，而是基于数据发现问题并采取行动。

例如，设备出现异常时，企业不仅需要知道哪个参数发生变化，更需要判断异常原因、影响范围以及可能采取的解决措施。这要求AI具备结合多源数据进行分析推理的能力。

工业Data Agent需要从传统的数据查询进一步发展到故障诊断、趋势预测、工艺优化等复杂任务，成为生产管理的重要辅助工具。

• 打通多源异构工业数据，实现跨系统分析。

工业企业的数据环境通常较为复杂，既包括结构化业务数据，也包括大量时序数据、设备数据和工程文档。

例如，石油化工企业同时拥有工程设计数据、设备数据、生产数据和现场运行数据，单一数据仓库难以完整承载这些信息。工业场景的数据类型复杂，需要通过图谱等方式建立数据之间的关联关系，实现多源数据组织和查询。

因此，工业Data Agent需要具备连接不同数据源、关联不同数据类型的能力，帮助企业形成跨系统的数据理解能力。

• 支撑工业智能化应用规模化落地。

工业企业的AI应用场景众多，包括设备运维、质量分析、生产调度、能源优化等，但不同场景往往需要不同的数据、模型和工具。

企业需要的不只是单个AI应用，而是一套能够持续构建工业智能应用的平台能力。工业Data Agent需要支持多Agent协同、工具调用和技能封装，让企业能够围绕不同生产需求快速构建智能化能力。

厂商能力要求：

工业Data Agent的竞争核心是工业知识、数据能力和AI工程能力的综合结合。优秀厂商需要长期理解工业业务，将复杂工业数据转化为AI可理解、可调用的能力，并帮助企业解决从数据治理到智能应用落地的完整链路问题。

• 深厚工业Know-how，理解真实生产场景。

工业场景复杂度高于通用数据分析场景。

厂商需要长期积累行业经验，理解不同工业领域的生产流程、设备特点和业务问题，能够准确识别客户真正需要解决的问题。

例如，在设备故障分析中，仅理解数据变化并不足够，还需要知道不同设备参数之间的关系，以及异常背后的工艺逻辑。行业知识积累，是工业Data Agent区别于通用产品的重要壁垒。

• 强大的工业数据处理能力，解决数据基础问题。

工业AI应用最大的挑战之一，是数据质量和数据组织。

实际工业环境中，数据可能存在格式不统一、采集质量不足、历史数据缺失等问题。数据质量仍然是AI应用落地的重要障碍，即使采用Text-to-SQL、RAG等技术，也依赖高质量的数据基础。

因此，厂商需要具备工业数据采集、清洗、治理、建模和管理能力，为Agent提供可靠的数据基础。

• 多模态数据融合能力，连接工业世界的复杂信息。

工业数据不仅包括结构化数据，还包含大量非结构化数据，例如设备文档、维修记录、工程资料、图片和报告。

厂商需要具备处理多类型数据的能力，将不同来源的信息融合到统一知识体系中，使Agent能够理解完整业务背景。

尤其是在设备运维、质量分析等场景中，单纯依靠数据库数据难以满足需求，需要融合文本知识和实时运行数据进行综合判断。

• 强大的Agent工程能力，让AI具备任务执行能力。

工业场景中的问题通常需要多个步骤完成。

例如设备异常分析可能需要查询运行数据、检索维修记录、分析历史案例，并结合规则生成判断。这要求Agent具备意图识别、任务规划、工具调用和多Agent协同能力。

工业智能体正在从固定Workflow向更通用的Agent模式演进，通过意图识别、自然语言生成流程以及多Agent协作提升应用灵活性。

• 高性能和企业级部署能力，满足工业生产要求。

工业生产环境对实时性、稳定性和安全性要求较高。

当AI应用进入生产环节后，系统不仅需要处理复杂数据，还需要满足快速响应要求。例如，大规模图数据查询和复杂推理任务可能影响响应效率，需要持续优化性能。

同时，工业企业通常关注数据安全和权限管理，厂商需要支持企业级部署、权限控制和运行监控，保障AI在生产环境稳定运行。

• 沉淀可复用工业技能，推动智能能力规模化复制。

工业专家经验是企业的重要资产，但如何将经验转化为AI能力仍处于探索阶段。

未来工业Data Agent的发展，需要将专家经验、分析方法和业务流程封装为可调用的技能，使Agent能够持续扩展能力。Skill等能力封装方式正在成为降低AI使用门槛、沉淀业务经验的重要方向。

具备工业技能库建设能力的厂商，更有机会形成长期竞争壁垒。

入选标准：

1.符合工业Data Agent市场分析的厂商能力要求；

2.近一年厂商在该市场至少服务2家企业；

3.近一年厂商在该市场的收入规模至少在50万元。

 

代表厂商评估：

寄云科技

厂商介绍：

寄云科技是一家专注于工业数据智能的高科技企业，公司围绕“连接、洞察、优化”理念，打造了涵盖工业物联网、大数据平台及智能应用的完整产品线。通过将海量工业实时数据与生产业务系统融合，并结合机理模型与人工智能分析，为高端制造、半导体、能源电力、石油化工、轨道交通等多个行业的头部企业提供数字化和智能化转型服务。

产品服务介绍：

寄云Neu.ai工业智能体是一款致力于让生成式 AI 在大型工业企业可靠落地的平台。该产品通过结合自然语言交互与企业本体模型（Ontology），可深度处理海量多模态 OT/IT/ET 数据，使 AI 能够准确理解业务逻辑并遵循企业规范，提供准确的业务反馈。产品具备四大核心功能：

• 本体模型：明确业务场景下的数据关联，打破数据孤岛，约束AI 幻觉，确保决策基于真实的唯一数据源。

• 智能体工作流开发：支持用户通过自然语言自动编排数据查询、分析、代码编写及报告生成等复杂任务，实现工作流的个性化定制。

• 工业画布多模态交互：提供沉浸式协作空间，支持长时间记忆与多模态图元（图表、时序图、文件）的共享展示。

• 技能化生态与工具集成：支持将第三方组件、算法及MCP 服务封装为标准化技能，降低 AI 调用现有工业工具的门槛。

图8：寄云Neu.ai工业智能体产品架构

厂商评估：

工业Data Agent在企业级落地面临数据访问、语义理解以及严苛的精准性挑战。寄云科技凭借其在工业数据智能领域十三年的深厚积淀，推出了寄云Neu.ai工业智能体。该产品将AI Agent、工业语义建模、多元异构数据治理、自然语言生成工作流及工业画布等能力深度融合。通过将基础数据分析与专家经验转化为可复用的技能库，寄云科技实现了工业AI应用的低门槛定制，并在新能源运营、锂电质量管理、生物制药偏离管理等场景中积累了丰富的实践经验，推动工业智能体从辅助分析向业务闭环执行持续演进。

• 核心理念：以“智能体+技能库”降低工业AI定制门槛

工业企业的生产流程、设备体系与业务规则高度差异化，传统AI项目往往需要大量定制开发，导致交付周期长、复制难度高。寄云科技采用“工业智能体平台+技能库”的模式，将复杂的数据治理能力、分析模型和行业经验沉淀为可复用技能，并通过自然语言交互的方式开放给业务人员使用。

为了进一步降低工业AI落地门槛，寄云科技正联合行业伙伴、高校及领域专家共同建设工业Skill Hub，将故障诊断、质量分析、能耗优化等专业能力标准化沉淀为可复用资产。以某新能源场站智能体运营平台为例，寄云科技将新能源运营中的指标分解、发电量分析、设备诊断等专业经验封装为智能体技能。平台能够自动追踪运营指标完成情况，识别异常场站和问题设备，并进一步判断发电量下降是由天气因素、组件清洗不到位还是逆变器故障所导致，自动生成分析报告，实现从数据监测到问题诊断的闭环分析。

• 产品创新：工业画布与意图识别驱动多模态交互

工业场景中的数据来源复杂，既包括结构化业务数据与实时生产数据，也包括工艺文档、质量记录、设备图纸等非结构化信息。传统聊天式交互难以满足复杂工业分析需求。为此，寄云科技提出“工业画布”理念，通过可视化协同空间实现图表、时序数据、文件及分析结果的统一展示和交互。用户可以在画布中组织分析过程，调取不同来源的数据资产，并借助AI自动生成分析代码和可视化结果，实现复杂业务问题的协同分析。

与此同时，寄云Neu.ai工业智能体搭载自主研发的意图识别（Awareness）模块，能够理解用户自然语言背后的真实业务需求，并自动选择知识检索、数据查询、分析推理或工作流执行等不同路径。在某锂电企业质量数据分析场景中，智能体能够面向多工序、上千项生产指标进行实时监测与关联分析，快速发现质量异常并定位问题根因。原本需要质量专家耗费大量时间完成的数据排查工作，可由智能体自动完成感知、诊断与分析，大幅提升问题处理效率和质量风险预警能力。

• 边缘突破：从“提供建议”向“边缘端控制执行”演进

当前的工业Data Agent大多集中在后端平台，依赖高算力进行数据分析并输出辅助决策建议。然而在光伏现场、水务处理等一线业务场景中，环境闭环控制对实时性和安全性有着严苛的要求，仅“动嘴”提供建议已无法满足实际生产需求。寄云科技推动智能体向现场设备端延伸，通过将重新包装的轻量化边缘端智能体直接部署在工业PLC上，实现了边缘侧的自主控制与执行。

在光伏联网点位对接的实际应用中，传统的逆变器等设备点位核对需要人工逐一查阅技术手册，工作量巨大且易出错。边缘端智能体在预装特定技能后，能够自主判断规则并自动完成数万个点位的对接与测试。同样在水务处理场景中，边缘端智能体将远端的天气预测、水质大模型数据与现场PLC的时序数据相结合，在边缘侧精细化计算曝气量与加药量，并通过指令下发实现自动化闭环控制，填补了工业智能体在设备端控制领域的空白。

• 价值凸显：从数据分析走向业务闭环管理

当前多数工业Data Agent仍主要承担知识问答、数据分析和辅助决策职能，而工业企业真正需要的是能够持续推动业务执行和管理闭环的智能体体系。寄云科技正在推动工业智能体从提供建议向参与业务闭环演进。在生物医药行业，企业长期面临偏离管理流程分散、跨系统协同困难以及大量人工追踪的问题。

寄云科技构建了生物生产全流程偏离监测管理智能体，通过偏离知识图谱和多智能体协同机制，实现偏离事件从发现、归类、分析、调查、跟踪到改善评估的全生命周期闭环管理。其中，偏离分析智能体负责根因分析和影响评估，偏离追踪智能体负责任务执行和过程跟踪，改善效果评估智能体则持续分析偏离趋势并进行预测预警。多个智能体协同工作，实现偏离管理流程自动化运行和持续优化。

• 底座优势：十三年工业数据智能沉淀，无缝串接全生命周期工具链

大模型在工业场景中的应用效果，很大程度上取决于底层数据基础。工业数据普遍存在来源复杂、质量参差不齐、语义不统一等问题。如果缺乏系统的数据治理能力，即使引入先进模型也难以获得可靠结果。寄云科技长期深耕工业数据智能领域，形成了覆盖数据采集、数据治理、时序数据处理、工业建模、资产开发及智能应用的完整技术体系。

寄云Neu.ai工业智能体能够无缝调用寄云科技原有工业数据平台能力，实现多元异构数据的统一管理与治理。在实际项目中，企业海量连续生产数据能够通过AI驱动的数据治理工具自动完成批次切分、特征提取与数据标准化处理，大幅降低数据准备工作量。无论是在新能源场站运营分析、锂电质量管理还是生物医药偏离管理场景中，底层工业数据平台均为智能体提供了统一的数据基础和语义支撑。正是这种长期积累形成的数据治理能力与行业知识沉淀，构成了寄云科技在工业Data Agent市场中的核心竞争壁垒，也为工业智能体在复杂生产场景中的精准分析与可靠执行提供了保障。

典型客户：

某新能源公司、某制药集团公司、某石油机械装备公司

 

3.7 决策智能平台

市场定义：

决策智能平台是面向企业经营管理场景，通过融合数据、业务知识、分析模型和AI Agent能力，帮助企业实现智能分析、决策推演和业务行动闭环的平台。随着企业AI应用从信息查询向业务决策演进，决策智能平台正在成为连接数据资产与经营管理的重要应用层。

甲方终端用户：

决策智能平台主要服务于大型企业和复杂业务组织，包括零售、消费品、制造、金融、能源等行业。这类企业通常已经完成数据平台、BI系统建设，但在经营分析、业务判断和决策执行之间仍存在割裂。

主要用户包括企业管理层、业务负责人、运营团队和数据分析团队。其中，需要提升经营效率、推动精细化运营以及探索AI辅助决策的企业，对决策智能平台需求更加明显。

甲方核心需求：

企业对决策智能平台的需求，来源于传统数据分析模式难以支撑复杂经营决策的问题。过去企业能够通过BI看到业务结果，但难以快速理解变化原因、预测未来趋势并形成行动建议。决策智能平台希望进一步融合业务知识、分析能力和AI推理能力，让数据真正参与经营决策过程。

• 从看数据走向理解业务，提升经营分析深度。

企业过去通过BI系统解决了数据展示问题，但管理者面对经营变化时，仍需要大量人工分析。

例如销售下降后，企业不仅需要知道销售额变化，还需要进一步判断是区域变化、渠道问题、产品结构调整，还是市场因素导致。这类分析往往依赖经验丰富的数据分析师，难以快速规模化复制。

决策智能平台需要结合企业业务逻辑和分析方法，帮助用户从结果查看进一步走向原因分析和影响判断，提高经营洞察效率。

• 将企业决策经验沉淀下来，降低对个人经验的依赖。

企业中的大量决策能力，长期存在于业务专家和管理人员的经验中。

优秀的业务负责人知道哪些指标值得关注、哪些异常需要处理、不同情况下应该采取什么措施，但这些经验往往难以标准化沉淀。当人员变化或业务规模扩大时，企业很难复制高质量决策能力。

决策智能平台需要将指标体系、分析流程、业务规则和专家经验进行结构化沉淀，使企业形成可复用的决策能力。

• 支撑复杂业务场景推演，辅助企业提前判断未来。

经营决策不仅关注当前状态，更需要判断未来可能发生什么。

传统分析更多基于历史数据进行总结，而企业实际管理中经常需要回答预测类问题，例如市场变化会带来什么影响、供应链调整是否影响交付、营销策略如何优化等。

决策智能平台需要融合数据分析、预测模型和业务规则，帮助企业开展情景分析和趋势判断，提高决策前瞻性。

• 让AI进入业务流程，而非停留在展示层。

当前企业AI应用最大的挑战，是从Demo走向实际业务使用。

简单的智能问答或自动生成分析报告，很难形成持续价值。企业更希望AI能够嵌入经营流程，在业务发生过程中持续提供分析、提醒和建议。

因此，决策智能平台需要与企业实际工作流结合，让AI参与经营分析会议、运营管理、计划制定等业务环节，成为企业日常决策体系的一部分。

• 建立可持续运营的智能决策体系。

企业决策环境不断变化，业务规则、市场环境和管理目标都会持续调整。

因此，企业需要的不只是一次性的分析工具，而是一套能够持续学习、优化和迭代的决策体系。平台需要支持决策模型管理、效果评估、反馈优化等能力，让智能决策能力随着企业发展不断演进。

厂商能力要求：

决策智能平台融合了数据基础设施、业务知识管理、AI Agent和行业应用能力，对厂商综合能力要求较高。优秀厂商需要既理解企业数据体系，又具备业务场景沉淀能力，能够帮助客户将AI真正融入经营决策流程，而非停留在技术演示阶段。

• 扎实的数据基础能力，为智能决策提供可靠底座。

决策智能建立在企业数据之上，数据质量和数据开放能力直接影响最终效果。

企业过去的数据治理主要面向人工使用，而AI时代的数据需要进一步具备机器理解能力。企业需要梳理数据模型、指标定义、业务含义等信息，使AI能够准确理解和调用数据。

因此，厂商需要具备数据平台、BI、指标管理等基础能力，并帮助企业完成面向AI的数据治理。

• 具备业务上下文构建能力，让AI理解企业运行逻辑。

决策智能平台区别于通用AI助手的关键，在于是否理解企业自身业务。

企业决策通常依赖大量隐性知识，包括管理规则、分析方法、业务经验和行业规律。厂商需要帮助企业将这些内容结构化，形成可被AI调用的业务上下文。

只有建立业务语义和决策逻辑，AI才能从简单回答问题，进一步参与复杂经营分析。

• 强大的Agent工程能力，支撑复杂决策任务执行。

企业决策过程通常包含多个步骤，例如理解问题、获取数据、分析原因、生成建议、跟踪结果。

因此，决策智能平台需要具备企业级Agent能力，包括任务拆解、工具调用、流程编排、运行监控和效果评估等能力。

相比个人场景下的一次性问答，企业决策Agent需要具备持续运行、业务连续和结果可追踪能力。

• 深厚行业Know-how，加速场景落地。

决策智能高度依赖行业经验。

不同企业的经营模式、核心指标和决策流程差异明显，仅依靠通用技术难以快速产生价值。厂商需要在重点行业积累业务场景，将行业知识、分析模型和决策流程沉淀为可复用能力。

具备行业经验的厂商，可以帮助客户快速构建业务模型，缩短AI应用落地周期。

• 企业级交付与持续运营能力，推动从试点走向生产。

决策智能项目最大的挑战，不在于完成一个Demo，而在于进入真实业务流程。

企业需要厂商参与业务梳理、场景共创和持续优化，将AI能力嵌入实际工作体系。从实验效果到生产应用之间仍存在鸿沟，需要业务专家持续参与，共同完善业务知识和决策模型。

因此，厂商需要具备长期陪伴客户运营AI应用的能力。

入选标准：

1.符合决策智能平台市场分析的厂商能力要求；

2.近一年厂商在该市场至少服务1家企业；

3.近一年厂商在该市场的收入规模至少在50万元。

 

代表厂商评估：

观远数据

厂商介绍：

杭州观远数据有限公司（简称“观远数据”）成立于2016年，是国内领先的数据分析与AI决策智能平台服务商。公司秉承“让业务用起来，让决策更智能”的理念，深耕零售消费、先进制造、金融互联网等行业，为数千家知名企业提供全栈式决策智能。

2026年6月，观远数据正式发布全新AI原生决策智能平台DecideX，实现了从传统商业智能（AI+BI）向企业级决策智能平台（DIP）的战略跨越，驱动企业从看到数据走向AI理解企业世界模型，参与经营决策新阶段。

产品服务介绍：

观远数据决策智能平台包含三个主要构成：Agentic BI产品线、DecideX产品线和数据底座产品线。Agentic BI产品线是在BI的基础上延展AI能力，DecideX产品线则是通过AI把分析推进到决策与行动闭环，而数据底座产品线负责数据接入、建模与可信支撑。

DecideX是观远数据全新推出的AI决策智能体平台。该产品突破了传统数据分析工具仅用于展示与看数的局限，深度融合了长程任务智能体编排能力与创新的业务决策上下文治理。

DecideX能够自动将分散的指标口径、业务本体网络、风险规则及执行工具箱封装为高可信的场景化决策上下文，让AI在企业经营的真实语境下，自主完成异常感知、多维归因推理、风险前置评估和行动路线推荐，并打通ERP、CRM、OA等业务系统，实现从战略决策到执行的闭环。

图9：DecideX产品架构图

厂商评估：

观远数据在AI决策智能平台赛道展现出独特的务实引领特征。其核心竞争优势在于：企业级高并发数据底座与最大BI集群，为企业级决策智能提供坚实可信的数据查询服务；业务上下文层，将AI推理深度锚定在企业的真实经营语义中，破解了通用大模型在企业级生产环境中的幻觉难题。并且，观远数据依托新5A落地路径与FDE共创模式，推动AI从看数查数工具演进为介入核心工作流的智能体，并在供应链、产销协同等复杂多变量场景中，实现“1天原型、1周应用、1月接入”的敏捷落地，助力企业将经营知识转化为组织智能资产。

• 企业级高并发数据底座与最大BI集群，打造可信决策。

在智能体时代，Agentic BI激活后，对底层数据资产的瞬时调用量往往会呈几何级数激增。观远数据多年来服务大量金融、零售等行业头部客户，并且至今仍维护着国内银行业中规模最大的BI集群。锤炼出的企业级架构经验，使其具备处理极端并发和超高吞吐量数据调用的能力。

没有可信的数据资产，决策智能就会成为无源之水。观远数据的数据底座在权限合规、血缘追溯以及数据和指标治理的严苛性上达到金融级标准，能够确保AI推理时，使用的每一项数据和指标都可信、每一次调用都有迹可循，从事实数据数据查询层面遏制了通用大模型在企业级生产环境中的幻觉风险，保障业务决策的确定性。

• 构建业务上下文层，打破通用AI与企业真实经营语境的鸿沟。

大模型的泛化问答难以直接转化为企业的商业价值。企业级AI的真正难点是如何让智能体具备理解企业业务黑话与经营逻辑的特殊语境。

观远数据DecideX核心的上下文层，通过将角色权限、业务本体、指标口径、风险边界、策略规则及业务SOP Skill技能等七类维度进行结构化治理，在数字世界中完整还原立体的企业经营沙盘。这使得智能体在面对复杂业务问题时，不再依靠Prompt的宽泛猜测，而是沿着业务本身的关系网络进行逻辑对齐与确定性推理。

这不仅赋予了AI“合规、可解释”的业务思考逻辑，更为企业沉淀下一套不随人员流失而消散的组织经营智慧资产。

• 践行新5A落地路径，推动AI从“生成分析报告”走向“介入工作流并持续自进化”。

传统BI的终点往往是生成精美的看板或周报，而DecideX则是深度介入工作流。观远数据通过新5A落地路径，实现了让AI真正下沉到门店、电商、供应链等高频决策的一线业务现场。

图10：观远数据新5A落地路径

自进化机制尤为独特。当一线的计划排产员或店长对AI给出的行动建议进行人工干预或修正时，DecideX能够捕捉这一行为背后的隐性策略，并将其吸收、反思、调优算法参数。在下一次面对类似情境时，系统便能提供更精准的备选方案，让企业决策系统在一轮轮“数据-洞察-决策-行动-反馈”的螺旋上升中实现真正的智能化闭环。 

• 融合FDE模式与超百个成熟场景，让最优解快速落地生产线。

在诸如全球供应链、产销协同、柔性排产等制造与零售核心场景中，由于交期、成本、产能、库存及外部天气等多重变量互相牵制，传统依靠人工或静态算法极难找到最优解。观远数据不讲空泛的概念，而是通过FDE模式，让具备行业Know-how的团队白天坐在一线观察排产员的决策逻辑，晚上将隐含的上下文沉淀至系统，与企业客户深度共创。

基于过去积累的零售、消费、制造业为主的100多个深度垂直业务场景知识库，观远数据能够帮助企业跳过大而全的传统数据治理长周期，实现“一天梳理业务逻辑原型、一周构建智能体应用、一个月接入真实工作流”的敏捷落地速度，让企业的投入在最短时间内看到清晰的业务增量回报。

典型客户：

联合利华、来伊份、秋田满满

4、入选厂商列表

图11：Data+AI入选厂商列表