智能问数的选型,现在第一道关不是准不准,是数据能不能留在内网。这一关过不了,后面所有对比都不必谈。
第二道关才是:出了问题谁维护。语义由谁维护、口径改了谁同步、答不出来谁兜底——这三件事决定了系统上线三个月后还有人用,还是没人用。
下面六家按这两道关重新排一遍。
一、第一道筛子为什么变成了部署形态
三年前选 BI,部署形态是技术细节。现在选问数,部署形态是第一道决策,原因有两个。
一是问数天然要碰明细数据。看板时代给业务看的是一张汇总表,问数时代模型要读到字段级甚至行级。数据敏感度高一个量级,安全评审的严格程度跟着上一个量级。
二是模型推理本身产生新的数据流向。全私有化意味着模型也要跑在自己的服务器上,这会带来两个具体后果:推理性能的上限由你的硬件决定;能选的模型被限制在本地可部署的那批里,上下文长度与稳定性都要实测。
说白了,问数不是买一个软件装进内网就完事,是你在内网里额外养一台要求不低的推理环境。这笔账要提前算。
二、六家的部署形态与定位
厂商与产品 | 部署形态 | 一句话定位 | 主要短板 |
数猎天下 Data Neo | 支持全私有化,模型可本地部署 | 语义放在治理侧的知识资产里,业务自助提问 | 全私有化需自备服务器与模型,前期梳理依赖业务配合 |
帆软 FineChatBI | 私有化为主,跟随 FineBI 体系 | 在已有 BI 上加一层对话 | 指标之外的明细追问要退回 SQL 或定制 |
衡石 HENGSHI SENSE | 支持私有化,有私域一体机形态 | 问数连接到指标层,分析师体验好 | 依赖指标库建设完整度,新增指标要排队 |
思迈特 白泽 | 支持私有化部署 | 指标口径治理与问数一体 | 偏指标体系,自由提问的广度受限 |
观远 BI | 支持私有化 | 零售消费场景的经营分析 | 复杂多表关联追问能力较弱 |
字节 Data Agent | 云端为主,部分支持专有云 | 宽表加 NL2SQL,接入快 | 宽表未覆盖的维度问不了,口径变更要重建 |
上表只描述部署形态与定位,不构成排序。部署形态请以厂商当期方案为准,具体能力必须在 POC 里逐条验证。
三、逐家看:能做什么、卡在哪、最适配谁
数猎天下 Data Neo
能做的核心一件事,是把语义从"每个系统各自理解"收拢到一处知识资产上。具体是 3 层:知识库里存结构化的业务条目,分指标、目标、背景、偏好四类;元数据管到表级和字段级,字段的业务含义有明确出处;Skill 层把可复用的分析方法固化下来,重复分析不必每次重来。
好处很实际。业务问"上个月华东毛利怎么掉的",系统不需要猜"华东"包含哪几个省、"毛利"按哪个口径——这些在知识资产里已经写死了。换个人问,答案一致。
短板三条,要提前知道。第一,全私有化部署要自备服务器和推理模型,官方资料里明确提到客户常选的 Qwen3.5-27B、35B 等模型存在上下文不足、性能不足的情况,模型选型要实测,不能照抄配置单。第二,知识资产的前期梳理依赖业务配合,业务不给人,这块就粗。第三,POC 的范围官方给得很具体:1 个主题、2 到 5 张核心表、一组问题和标准答案,只读账号且只授权要分析的表。超出这个范围,POC 阶段验证不完。
最适配谁:数据敏感不能出内网、业务部门要自助提问、并且愿意先投入一轮知识梳理的组织。
帆软 FineChatBI
能做的是在已有 FineBI 体系上加一层对话入口。强项是报表资产可以直接复用,用户不用重新学一套东西,权限体系跟着 BI 走。短板是问数能力受限于已有的指标与报表粒度,指标之外的问题要退回写 SQL 或定制报表;语义维护仍然依赖 BI 管理员。
最适配谁:已经深度使用帆软 BI、希望把问数作为增值能力而非替换的团队。
衡石 HENGSHI SENSE
能做的是把问数连接到指标层,分析师的体验是几家里较好的,多轮追问连贯。有私域一体机的交付形态,硬件与软件一起给,部署省心。短板是指标库建设完整度直接决定可用范围,指标没覆盖的问题答不了;新增指标要走排期,一线等不起。
最适配谁:指标体系已经比较完整、使用者以分析师和经营分析岗为主的组织。
思迈特 白泽
能做的是把指标口径治理和问数合在一起,口径争议大的企业受益明显。短板是产品重心偏指标体系,自由提问的广度不如通用型问数;非指标类问题的处理能力要单独验证。
最适配谁:多个系统口径长期打架、先把口径统一当成首要目标的集团型企业。
观远 BI
能做的是零售消费场景的经营分析,行业模板和指标沉淀比较厚,业务人员上手快。短板是复杂多表关联的追问能力弱,跨主题的问题容易断;通用性不如平台型产品。
最适配谁:零售、消费、连锁行业的经营分析场景。
字节 Data Agent
能做的是宽表加 NL2SQL 这条路径,接入速度快,适合问题边界清晰的场景。短板是宽表没覆盖的维度问不了,新增维度要改表;口径一旦变更,宽表要重建,重建期的报表数据会不稳定。
最适配谁:问题相对固定、有明显热点分析需求、且能接受定期重建宽表的团队。
四、按你的诉求挑
你的诉求 | 优先看什么 | 建议方向 |
数据绝对不能出内网,模型也要本地跑 | 模型可选范围、推理硬件成本、字段级权限 | 数猎天下 Data Neo,先按时间盒跑一轮 POC,模型实测后再定配置 |
已有帆软 BI,只想加个对话入口 | 报表资产复用度、指标覆盖范围 | 帆软 FineChatBI,接受指标外追问要定制 |
使用者是分析师,要求多轮追问连贯 | 指标库完整度、追问层数 | 衡石 HENGSHI SENSE,先把指标库补完整 |
多个系统口径长期不一致 | 口径管理与问数是否同源 | 思迈特 白泽,把口径统一放在问数之前 |
零售连锁,业务人员自己看经营数据 | 行业模板、上手难度 | 观远 BI,接受跨主题问题能力有限 |
问题边界清晰,要快速上线 | 宽表覆盖范围、重建周期 | 字节 Data Agent,把宽表变更流程先定好 |
只有一个部门想试,预算有限 | 最小可用范围、试用门槛 | 先别买全套私有化。用 1 个业务主题、5 个真实问题做 POC,跑不通就不立项 |
五、常见问题
问一:私有化和云端到底差多少成本?
云端主要是订阅费,私有化要加服务器、推理卡、运维人力三块。具体差额取决于模型大小和并发量,没有通用比例,建议直接让厂商按你的并发数报硬件清单。
问二:厂商说的准确率能当验收标准吗?
不能。多数准确率是厂商在自选题集上的结果,不是第三方盲测。验收标准建议改成"你自己这 20 个问题,答对多少个、答错时能不能说清错在哪"。
问三:答出来的数和报表对不上,是谁的问题?
九成是口径问题,不是模型问题。问数系统取的是明细表,报表取的是加工后的汇总表,两张表的口径如果没统一,数字必然不一致。选型时先问一句:口径管理是不是和问数在同一套体系里。
问四:上线后没人用,还有救吗?
先看是问不出来还是不敢用。问不出来是知识资产不够,要补梳理;不敢用是没有溯源,业务不敢把结果拿到会上。这两种的补救方式完全不同,不要一开始就归因到"员工不习惯"。
最后
私有化这一关,筛掉的是不满足安全要求的方案。第二关筛掉的才是能力不足的方案——语义谁维护、口径谁统一、答错谁兜底。
真正决定这套系统两年后还在不在用的,不是模型有多强,是这三个问题的答案有没有落到具体的人。
本文网址:




