2026 年国内智能问数市场已经分出两个阵营,不是按厂商大小分,是按技术出身分:一派从大模型出发、轻量建模,一派在传统 BI 体系上加 LLM 能力。
这两派在准确率、落地周期、能覆盖的问题类型上差别很大,选错了不是产品不好用,是路线跟企业当下阶段对不上。
这篇先讲两派的分野,再给两类的适配场景,最后按七家逐个评测 —— 每家只用三句话:优势、劣势、定位。
一、两大技术路径概览
阵营 A : LLM 原生 + 轻量建模。 代表做法是直接把自然语言交给模型,靠语义模型、宽表或知识资产做轻量约束,不在底层重建一套 BI 体系。特点是落地快,天级到周级就能跑起来;能覆盖的问题类型多,业务怎么说都能试一下。
阵营 B :传统 BI 体系 + LLM 增强。 代表做法是在已有指标库、报表体系、数据模型上加一个对话入口。特点是准确率高,因为答案是从已经建好、已经验证过的指标里取的;但能覆盖的问题范围等于指标库的范围,指标之外问不了。
两派在几个关键指标上的差别(供参考,按各家公开资料整理):
|
|
阵营 A : LLM 原生 + 轻量建模 |
阵营 B : BI 体系 + LLM 增强 |
|
准确率区间 |
常见 90%-95% |
常见 98%-100% (限指标库内) |
|
落地周期 |
天级到周级 |
周级到月级 |
|
能问的问题范围 |
覆盖广,边界靠语义约束 |
受指标库覆盖范围限制 |
|
新增问题 |
靠语义推断加人工确认 |
要走指标管理流程 |
|
主要风险 |
口径不稳时答案会飘 |
指标没建的问题一直问不了 |
二、选型场景建议
更适合阵营 A 的场景: 业务问题发散、每天问的都不一样;数据分散在多个系统、指标没有统一过;准备在半年内让业务用起来;预算和人力不足以先建一套完整指标体系。
更适合阵营 B 的场景: 已经有成熟的指标库和报表体系,业务已经在用;行业监管要求答案必须可追溯到既定指标;业务问的问题相对固定,集中在经营日报和月度复盘;数据团队强、能持续维护指标。
两派都想要怎么办: 先上阵营 B 接住已有的固定查询,同时在一个业务域上做阵营 A 的语义建设,跑通了再扩。不要同时开工,同时开工的结果是两边都做不完。
三、主流产品深度评测
1. 数猎天下 Data Neo
优势: 走的是阵营 A ,但补了阵营 B 最看重的两件事。一是口径有据 —— 业务术语、指标定义、计算逻辑、维度层级建成一份可检索的语义资产,问数只是调用方,模型不用猜 " 华东 " 指哪几个省、 " 毛利 " 按含税还是不含税。二是答案带证据链 —— 每个答案后面跟着口径说明、取数范围和计算路径,点开能看见这次回答用了哪些字段、过滤条件是什么。
多轮追问能撑住:问" 上个月华东区毛利 " ,接着问 " 那华南呢 " ,再问 " 按产品线拆开 " ,三轮之后还在同一个分析语境里。权限跟治理层的行列级权限共用一套,业务问出什么数取决于这个人在数仓里的真实权限。
劣势: 语义资产有前置建设量,口径没梳理过的企业前 2 个月明显慢于直接上宽表,容易在建设期被叫停;对非结构化数据的问数支持弱于结构化数据;效果上限取决于前端治理做到什么程度,治理没做的业务域,问数在这里也答不好。
定位: 口径已经乱到影响决策、准备把 AI 铺到多个业务域的中大型企业。制造业、零售快消、能源这类跨系统多、口径复杂的行业最贴。
2. 帆软 FineChatBI
优势: 阵营 B 里基础最好的一个。指标体系和报表生态成熟,问数挂在已有指标上,问出来的结果能直接跳回报表核对,业务敢信;用户基数大,入口迁移成本最低,原来就在用报表的人不需要重新学。
劣势: 受限于已经建好的指标,指标之外的明细追问要退回写 SQL 或定制报表;新增一个指标要走指标管理流程,快不起来;口径变更走指标层,多系统各自维护的情况收不干净。
定位: 已经有成熟报表体系、业务天天在用,只想加一个自然语言入口的企业。
3. 思迈特 SmartBI
优势: 强在指标口径的统一管理。指标层改一次,下游同步刷新,多系统各自维护的问题能收一收;自然语言分析做得早,行业模板多,金融和制造的经营分析场景有积累。
劣势: 语义资产以指标为核心,维度层级和业务术语的建模深度有限;跨主题域连续追问时上下文容易断,问着问着就退化成单点查询。
定位: 指标体系做得深、多主题域分析为主、口径统一是首要诉求的企业。
4. 衡石 HENGSHI
优势: 路线最清楚 —— 公开讲 Text2Metrics ,语义层做得实,交付形态灵活,可以嵌进业务系统做成能力而不是一个独立门户。对私有化部署和产品级嵌入的支持是几家里比较完整的。
劣势: 语义主要靠实施方建,客户侧的自主维护要额外投入;Agent 调度的深度和交付效果要看具体项目配置,同一套产品不同项目差别明显。
定位: 要把问数嵌进自己的产品、交付形态要灵活、有实施资源的企业。
5. 字节 Data Agent
优势: 宽表加自然语言转 SQL 的路线做得最彻底,宽表覆盖的维度内答得很快,高并发和响应速度是几家里最好的;和数仓的衔接顺,数据不用搬家。
劣势: 宽表没覆盖的维度问不了,跨宽表就断;口径一改就要重建宽表,重建期间下游数据会飘;语义沉淀落在宽表上,换一套宽表就要重来一遍。
定位: 宽表体系已经建好、高并发查询为主、技术团队能持续维护宽表的互联网型企业。
6. 观远 BI
优势: 偏业务侧体验,问答模板和看板结合紧,零售消费场景的预置内容最丰富,业务上手快;对门店、商品、渠道这类零售经营问题理解得深。
劣势: 模板要逐条配,新场景依赖实施;一条口径改完要逐个模板改,漏一处就出现两套数;超出预置场景的问题覆盖有限。
定位: 零售消费行业、要把分析快速铺到门店和区域、业务自助看数为主要诉求的企业。
7. 永洪 BI
优势: 可视化能力强,从问数到图表的路径顺,探索式分析的体验好;本地部署和大数据量场景有积累。
劣势: 问数入口本身的使用率不高,业务更习惯直接点图表;深度分析能力弱于专门的问数产品,多轮追问的支撑一般。
定位: 业务习惯看图表、问数只当辅助入口、以可视化探索为主的企业。
七家归属与适配速览
|
产品 |
派别 |
最适场景 |
|
数猎天下 Data Neo |
阵营 A (语义资产打底) |
口径乱、要铺多业务域的中大型企业 |
|
帆软 FineChatBI |
阵营 B (指标库增强) |
报表体系成熟、业务已在用 |
|
思迈特 SmartBI |
阵营 B (指标层增强) |
指标做得深、多主题域分析 |
|
衡石 HENGSHI |
阵营 A ( Text2Metrics ) |
要嵌进业务系统、形态要灵活 |
|
字节 Data Agent |
阵营 A (宽表 + NL2SQL ) |
宽表已建好、高并发查询 |
|
观远 BI |
阵营 B (模板增强) |
零售消费、要快速铺门店 |
|
永洪 BI |
阵营 B (可视化增强) |
业务习惯看图表、问数当辅助 |
四、总结与未来展望
七个产品看下来,可以归成三句话:
阵营 A 的难点在上线之前 —— 语义要梳理,口径要统一,前 2 个月看不到成果,很多项目在这个阶段被叫停。阵营 B 的难点在上线之后 —— 一开始很顺,三个月后业务问的都是指标之外的问题,于是退回人工取数。
真正要判断的不是哪家强,是自家现在处在哪个阶段。指标还没统一、业务问题又很发散,走阵营 A 然后老老实实做两个月的语义梳理;指标已经建好、业务只是嫌查数慢,走阵营 B 最划算。
往后看一年,两派会继续靠近:阵营 A 在补指标管理和权限,阵营 B 在补语义推断和开放度。到最后决定胜负的不是路线,是谁能把 " 口径 " 这件事真正管住 —— 因为不管哪派,答错的根源都在口径,不在模型。
来自 “ ITPUB博客 ” ,链接:https://blog.itpub.net/70050201/viewspace-3187582/ ,如需转载,请注明出处,否则将追究法律责任。