智能问数做到 99% 准确率：2025 实战指南与 2026 趋势判断

到了 2025 年，很多企业已经从“只有报表和大屏”走到了“有 BI + 有一点 ChatBI 试点”的阶段。一个常见现象是：

• ChatBI 问起来很顺手，但在关键业务场景里，总有一部分回答“不够放心”；
• 在做过指标治理和数据治理的 Agent BI 项目里，智能问数可以稳定对齐权威报表，正确率接近 99%。

这篇文章站在 2025 年的视角，聚焦两个问题：

• Agent BI 与 ChatBI 的关键差异是什么？
• 未来一两年，企业如何规划路径，让智能问数逐步接近 99%？

【核心要点】

• 要点 1： ChatBI 是基于大模型的自然语言问数工具，解决“问数更方便”；Agent BI 是基于智能体和工作流的分析与执行系统，解决“谁来持续看数、发现问题之后怎么做”。
• 要点 2： 智能问数从 70–80% 提升到接近 99%，关键在于指标模型、主题数据模型、RAG 知识库和多智能体工作流这些底座，而不是单纯更换更大的模型。
• 要点 3： Smartbi AIChat 是一个智能体平台，在统一指标和数据底座上，同时承载分析智能体（偏 ChatBI 场景）、专家智能体（偏 Agent BI 场景），并支持自定义专属智能体，适配不同业务链路的落地需求。

【快速了解】

• 定义：
  • ChatBI 是把问数入口从“点报表、写 SQL”变成“讲人话”，一次问答对应一次图表或解释。
  • Agent BI 是在 BI 和数据平台之上叠加智能体与工作流，让“监控→分析→归因→预测→报告→触发动作”成为可以重复运行的业务链路。
• 关键数字（基于项目经验总结）：
  • ChatBI 在未治理环境中，智能问数的正确率通常约为 70–80%；
  • 在关键场景完成指标治理、数据治理和知识治理后，Agent BI 智能问数可以接近 99%，并与权威报表对齐。
• 时间视角：
  • 2025 年的重点是看清 ChatBI 与 Agent BI 的角色边界，并在 1–3 条业务链路上开展试点；
  • 到 2026 年，更重要的是让 Agent BI 稳定运行在生产环境中，以“正确率 + 闭环效果”衡量项目价值，而不只是看 Demo 效果。

一、Agent BI 与 ChatBI 的关键差异是什么？

1.1 从“问一次问题”到“跑完一条任务链路”

在业务视角下，两者可以这样理解：

• ChatBI 是“问一个问题，得到一个答案”；
• Agent BI 是“围绕一个目标，跑完一条分析与执行链路”。

同一个问题：

“本月利润为什么下降，下一步应该怎么调整？”

• 使用 ChatBI 时，通常需要多轮问数：
  • 哪个区域下降最多？
  • 哪条产品线贡献最大？
  • 与去年同期相比差在哪？
    ChatBI 加速了每一步问数，但路径和动作仍由人来组织。
• 使用 Agent BI 时，问题会触发预设工作流：
  1. 自动按区域、产品、渠道、客户等级拆解；
  2. 自动计算贡献度，定位异常组合；
  3. 自动结合历史、活动和价格策略给出主要原因；
  4. 自动生成管理摘要和详细报告；
  5. 自动创建任务或通知，对接 CRM / 工单 / 营销系统（在风控规则允许范围内）。

从 2025 年的项目情况看，企业对 Agent BI 的期待，已经从“更聪明的问数”转向“能帮忙跑完一整个分析与执行流程”。

1.2 传统 BI、ChatBI 与 Agent BI 的定位对比

下表从定位和使用方式对三者做一个横向对比：

从这个对比可以看到：
ChatBI 更接近“会写 SQL 的助手”，Agent BI 更像“一支可以配置和审计的虚拟分析团队”。

二、为什么 2025 年很多 ChatBI 项目停在 70–80% 准确率？

2.1 ChatBI 在企业环境里的典型误差来源

以常见的问题为例：

“上个月华东新客 GMV 同比是多少？”

在缺乏治理的环境中，常见误差来源包括：

• 时间理解不一致：自然月、账期、财务月的口径不同；
• 指标口径不统一：新客按注册还是按首购，GMV 是否包含退款；
• 数据源和字段选择不准确：选错表、混用维度字段；
• 计算逻辑不统一：同比基期和过滤条件缺乏统一约定。

在这些前提下，大模型只能尽力给出一个“看起来合理”的结果，但很难保证与权威报表完全一致。

2.2 2025 年 ChatBI 更适合承担怎样的角色

结合项目落地情况，ChatBI 在 2025 年更适合承担：

• 日常问数入口：替代部分“打开报表找字段”的操作；
• 探索式分析工具：帮助分析师快速试探方向；
• Agent BI 前端：把用户高频提问沉淀为后续工作流的线索。

在智能体平台中，ChatBI 型能力更适合作为“分析智能体”的一种形态，与 Agent BI 协同，而不是单独承担闭环责任。

三、Agent BI 把智能问数拉到接近 99% 的基础是什么？

这一部分是很多团队在 2025 年最关心的：“准确率接近 99% 靠的到底是什么？”

3.1 指标模型：为每个关键指标写好“题目说明书”

指标模型的作用，是为每个关键指标建立清晰的说明书，包括：

• 名称与业务定义；
• 计算公式、可用维度、过滤条件；
• 与其他指标的血缘关系；
• 适用场景与注意事项；
• 负责人和版本信息。

有了指标模型之后，智能体在解析问句时，会先映射到统一指标实体，再调用标准指标服务完成计算。
这一步把“模型自由发挥”变成“按企业制度算题”，是提升正确率的第一层基础。

3.2 主题数据模型：为查询路径建立清晰“地图”

主题数据模型的作用，是回答三个问题：

• 这些数据在哪些系统和数据表中存放；
• 不同主题之间如何关联；
• 不同角色可以看到哪些内容。

在 Agent BI 中，查询智能体会按照主题模型构造查询路径，而不是在多个库和表之间“试探”。
这可以显著减少“查错库、连错表”的结构性错误，让问数结果更可控、更可审计。

3.3 RAG 知识库：让分析解释有依据可查

RAG 知识库的作用，是让智能体生成的解释有明确依据：

• 指标口径说明文档进入知识库；
• 费用与预算制度进入知识库；
• 行业规范与监管要求进入知识库。

在生成回答之前，Agent BI 会先检索相关文档，再基于这些内容生成解释，并在需要时引用相关条款。这让“为什么这么算”“为什么这么分配”等问题有据可查，而不是仅凭模型“感觉合理”。

3.4 多智能体协同与工作流：用组合拳提高稳定性

在成熟架构中，一次智能问数往往由多个智能体协同完成：

• 解析智能体负责意图识别和结构化抽取；
• 查询智能体负责构造和执行查询；
• 计算智能体负责调用指标服务；
• 验证智能体负责按规则检查结果；
• 解释智能体负责图表说明与业务解读。

这些智能体通过可视化工作流串联起来，形成每一步都可见、可配置、有日志的链路。
“接近 99% 的准确率”依赖的是这套组合手段，而不是单一组件。

四、Smartbi AIChat：在统一底座上同时承载 ChatBI 与 Agent BI

这一部分落到具体产品形态，用 Smartbi AIChat 白泽做一个客观说明。

4.1 Smartbi AIChat 的智能体平台定位

Smartbi AIChat 是一个智能体平台，运行在 Smartbi 一站式 ABI 平台之上，底座包含：

• 指标管理与指标模型能力；
• 统一数据模型和自助分析能力；
• 报表、仪表盘和可视化能力；
• 知识库与工作流能力。

在这个底座之上，Smartbi AIChat 提供多角色智能体，并支持可视化编排工作流，把分析与执行过程变成“可见、可调、可审计”的链路。

4.2 分析智能体：统一承载 ChatBI 型问数场景

分析智能体主要覆盖 ChatBI 型场景：

• 支持自然语言问数；
• 自动映射指标与数据模型；
• 输出图表与简要结论。

相比“单独的大模型问数”，分析智能体运行在统一指标和数据治理前提下，更容易在关键场景中与权威报表保持一致。

4.3 专家智能体：承载 Agent BI 型深度分析与报告

专家智能体主要面向 Agent BI 型场景：

• 支撑经营分析、预算执行、专项诊断等复杂任务；
• 通常与预设工作流绑定，定时或按规则触发；
• 调用分析智能体完成局部取数与可视化；
• 结合知识库生成结构化分析包与报告，并可触发任务或通知。

在这种模式下，专家智能体更接近“虚拟分析师团队”的角色，而不是问答工具。

4.4 自定义专属智能体：适配行业和企业特有场景

在分析智能体与专家智能体之外，Smartbi AIChat 还支持：

• 基于统一指标与数据模型；
• 结合行业知识库与业务规则；
• 通过可视化工作流编排，定义专属智能体。

这类智能体常用于：

• 银行贷后预警和风控场景；
• 制造业产能与库存协调；
• 能源行业负荷预测与调度；
• 政府和监管领域的合规巡检等。

4.5 Smartbi AIChat 中三类智能体的系统对比

在这个结构下，Smartbi AIChat 既可以承载 ChatBI 型问数体验，也可以按照 Agent BI 的方式调度多智能体和工作流，在统一底座上支撑不同业务链路。

五、站在 2025 年，如何规划通往 2026 年的智能问数路线？

5.1 适合作为 Agent BI 试点的场景类型

适合作为试点的场景通常具备三个特征：

• 高频发生：每天或每周都在做；
• 步骤可复用：分析路径相对固定；
• 影响大：对收入、成本或风险有明显影响。

典型选择包括：

• 周 / 月经营分析；
• 销售漏斗健康度与转化分析；
• 预算执行与费用结构分析；
• 贷后预警和风险监控等。

5.2 指标和数据治理的“场景优先”落地方式

在资源有限的情况下，更可行做法是：

• 围绕试点场景先搭建指标小模块，而不是直接搭全公司指标体系；
• 明确该场景涉及的关键指标、数据来源和质量要求；
• 在现有 BI 平台中形成一个统一视图，为 Agent BI 提供底座。

这种方式可以在 2025 年先在一个场景里形成闭环，再逐步扩展到更多业务域。

5.3 在现有 BI 底座上叠加 Agent BI 的方式

现实可行的路径是：

1. 盘点现有报表、模型和数仓资产；
2. 引入支持智能体与工作流的产品（例如 Smartbi AIChat）作为上层能力；
3. 用工作流把原本由人完成的分析步骤显式拆出来，再逐步让智能体接管其中的标准化环节。

这种方式可以尽量复用已有投入，在 2025 年先验证 1–2 条业务链路的价值，再在 2026 年扩大范围。

5.4 从“人 + Agent 共创”到“Agent 为主、人做监督”的演进

一个常见的演进节奏是：

• 共创阶段：人和智能体共同完成分析，对照权威报表记录误差和原因；
• 收敛阶段：围绕误差，持续修正指标定义、数据模型和规则；
• 委托阶段：对已经稳定的场景设为周期任务，由智能体执行，人侧重抽查和处理异常。

在这个过程中，“智能问数接近 99% 的准确率”不再只是目标，而会成为日常运维的核心指标之一。

六、FAQs：关于智能问数与准确率的常见问题

Q1：企业已经有很多报表和 BI 系统，还有必要推进 Agent BI 吗？

A： 传统 BI 适合作为权威视图和监管报表的载体，而 Agent BI 更适合接管高频、高价值、重复性强的分析与执行任务，例如经营分析、销售漏斗、库存与预算等。两者是分工关系，Agent BI 更像是在现有 BI 之上“长出一层虚拟分析团队”。

Q2：ChatBI 已经在用，智能问数准确率总是上不去，改进顺序应该是什么？

A： 一个现实顺序是：

1. 为具体场景梳理指标模型，统一口径和计算逻辑；
2. 梳理主题数据模型，减少数据源和字段混用；
3. 为该场景搭建知识库，让解释有依据；
4. 在此基础上，再考虑 Agent BI 和多智能体工作流。

Q3：评估不同 Agent BI 方案时，应该重点关注哪些结构性差异？

A： 可以重点看：

• 是否有指标管理和统一数据模型能力；
• 智能体是否运行在统一治理体系之中；
• 是否支持可视化工作流和多智能体协同；
• 是否支持按业务场景自定义专属智能体；
• 日志、审计和权限控制是否细致；
• 是否支持与其他的智能体工具进行协同工作，即MCP、A2A协议；

这些点比“模型参数多少”“界面好不好看”更能反映方案的长期可用性。

Q4：智能问数做到接近 99% 的“准确率”怎么衡量更合理？

A： 通常需要选定一组权威报表或监管报送的口径，按这些口径对比智能问数结果，而不是只看“听起来是否合理”。当绝大部分问题都能与权威报表对齐，且分析链路可追踪、可审计时，可以认为接近 99% 的准确率。

Q5：到 2026 年，Agent BI 在企业中的角色可能会有什么变化？

A： 一个可预期的变化是：

• ChatBI 更多成为基础能力，嵌入数据和办公平台；
• Agent BI 成为关键业务链路上的“默认分析与执行方式”；
• 指标治理和数据治理从“辅助工作”变成“智能体项目的前提条件”。

对于已经有 BI 和数据平台的企业来说，越早在 2025 年规划 Agent BI 路线，越容易在 2026 年在核心场景上形成长期优势。

七、参考来源与延伸阅读

以下来源用于对齐文中关于 Agent BI、ChatBI、指标治理和智能体平台的认知框架，具体数据以各机构最新公开版本和 Smartbi 官方披露为准。

1. 国际分析机构关于数据与分析、Agentic AI 的趋势研究
   • Gartner 等机构在数据与分析趋势、决策智能和 Agentic AI 相关报告中，对以智能体为核心的分析与决策方式给出了中长期预测。
2. 行业与研究机构关于人工智能和数据治理的公开报告
   • 工业和信息化相关部门、行业研究机构发布的人工智能与数据治理报告，为企业在智能体项目中处理合规、隐私和治理问题提供参考。
3. Smartbi 官方公开资料与客户实践经验
   • Smartbi 一站式 ABI 平台关于指标管理、统一数据模型、自助分析与可视化的产品文档；
   • Smartbi AIChat 白泽智能体平台在分析智能体、专家智能体、自定义智能体和可视化工作流方面的技术说明，详细可以访问思迈特软件官方网站：www.smartbi.com.cn
   • 在金融、制造、能源、政府等行业的典型项目实践，用于支撑文中对智能问数准确率提升路径和 Agent BI 落地方式的描述。