Part1.行业篇

在过去的一两年中，ChatBI 作为基于大语言模型的新一代数据分析工具，已经逐渐被大家熟知和应用。它不仅改变了我们与数据交互的方式，也为企业分析效率的提升带来显著的改变。而今天，我们将共同探讨一个更前沿、更智能的话题——Agent BI。

Agent BI 不仅是 ChatBI 的自然进化，更是智能体技术与数据分析的深度融合。BI正从“对话驱动”迈入“智能体协同”的新纪元。BI的核心使命，始终是帮助企业从数据中获取洞察，赋能决策、推动业务增长。这一理念历经时间考验，至今依然至关重要。

随着技术演进，BI 也在不断向更普及、更智能的方向进化。回顾它的发展，主要经历了三个阶段：

最早是传统BI，主要用户是IT人员，通过固定报表和大屏来呈现数据，最大问题就是慢——从提需求到出报表，要花大量时间沟通和开发。于是进入了自助式BI阶段，用户变成了懂技术又懂业务的数据分析师，他们基于宽表、通过拖拉拽的方式生成图表。响应变快了，但因为工具还是太复杂，“人人都是分析师”这个目标并没有真正实现。今天我们到了智能BI阶段，AI的突破带来了颠覆性变化——终于让“每个人都能高效分析数据”成为现实，分析的深度也显著加强。

而智能BI本身，也正经历着“对话式BI”进化到更高级的“智能体BI”的关键阶段。

首先说一下 ChatBI。它是一种简单和灵活的分析工具，比过去写代码、拖拉拽做报表方便很多，让数据分析更快捷。但 Agent BI 已经不只是一个工具了。它更像你的数字助理，甚至是一位“数字同事”。它能主动帮你完成任务，自主协作，它正在成为团队中真正可靠的一员。这是从 ChatBI 持续升级而来的一次重大跨越。

功能上，ChatBI 是基于数据表或者预定义的数据模型，做查询、可视化和一些归因分析。而Agent BI 能做的更多：不仅能回答“发生了什么”、“为什么发生”、“将来怎样”、“该怎么做”这类问题，还能直接行动。它支持的数据类型也更广，包括结构化和非结构化数据，甚至 Excel、PDF 等个人文件也能来分析，还能自动做数据整合。

从技术上来说，ChatBI 主要靠 NL2SQL 或 NL2DSL 转译自然语言查询。而智能体BI 则以“数字人”为核心，每个智能体拥有不同技能和工具，靠多智能体协同完成任务。此外，ChatBI 大多用宽表，回答的数据范围是有限的；而 Agent BI 面对的是企业跨领域复杂问题，必须依赖更强大的企业级指标体系。

最后是应用场景。ChatBI 主要面向分析师和部分业务人员，用于替代传统取数和简单分析。但它有个矛盾点：既想要自然语言的灵活，又受限于分析能力弱。很多企业不得不培训用户“该怎么提问”——但实际上一旦用户习惯了自然语言，他就不想再接受任何的束缚。

潘多拉的盒子已经打开，我们唯一的选择，是持续进化。Agent BI 就是要实现零门槛、全覆盖，成为分析领域的 AGI 级应用，让每个人都能高效使用数据。去年8月份, 白泽V3版本发布以来, 到目前已经在百余家企业客户得到实际的使用，覆盖数万直接用户。也获得了媒体和政府的各种奖项和认可。

Part2.技术篇

我们从用户的角度出发，看看 Agent BI 在实际应用中面临哪些关键要求和挑战。

第一是准确性。这毫无疑问是底线——没有人能接受基于错误数据的决策。
第二是分析能力。用户的问题往往很随意、很复杂，系统不能只是一个受限的查询工具，必须真正能回答各种各样的问题。
第三是性能。光能“干活”但速度慢，是不可接受的——效率就是生产力。
第四是管理和运维。包括安全性、系统的自我进化、扩展性等等，这些都是企业必须面对的问题。
最后是交付成本和周期：实施 Agent BI 要花多少时间？投入多少资源？这也直接关系到它能不能真正落地。

接下来，我会重点介绍 AIChat 是怎样面对这些挑战的。

一切的核心要从架构开始谈起，没有一个可持续迭代的架构，产品功能就是空中楼阁。

整个AIChat 经历了四次重要的技术迭代：

2019 年，我们推出第一代对话分析产品。它基于 Bert 和槽位填充技术，支持语音控制大屏和初步的对话式分析，背后是 NL2DSL 技术，适合比较固定的场景。

2023 年，我们发布了 AIChat V2，真正用上了大语言模型。通过“文本转 DSL，再转 SQL”的方式，实现数据查询和基础分析，比如同环比、占比、排序，基本解决了准确性问题。

2024 年，AIChat V3 发布，核心是基于智能体技术，从 NL2DSL 升级到 NL2Python，计算能力大大增强，能应对更开放、更复杂的问题。

而今天，我们正式推出 AIChat V4——它实现了真正的“个人数据助理”，让智能分析变得人人可用。

回顾我们在 V3 发布时的技术选型，主要考虑了以下几条路径：

路线一是NL2SQL。这是业界较常见的方案，但它始终难以彻底解决“幻觉”问题——尤其在多表关联、字段歧义等复杂场景中，生成的 SQL 容易出错。

路线二是NL2DSL。通过自定义领域语言替代 SQL，准确性有所提升，但存在一个根本矛盾：DSL 太简单，则计算能力弱；DSL太复杂，则又变得像 SQL，失去简化价值。

路线三是AIChat V2 的方案，基于指标的 JSON-SQL。我们使用结构化、指标化的 JSON-SQL 作为中间层，既保留大模型生成 SQL 的能力、无需微调，又通过结构化约束有效抑制幻觉。

路线四是AIChat V3 的突破，采用NL2Python技术。在 V2 基础上，V3 实现向 NL2Python 的演进：将自然语言查询拆解为多个 DSL 子查询，最终通过 Python 灵活组装多个结果集、执行复杂的计算。这不仅极大拓展了分析能力，也加强了对泛化问题的应答能力。

这幅图清晰展示了 V3 版本如何处理用户问题：

系统会先理解问题、做好规划，把复杂问句拆成多个步骤，每一步通过代码解释器生成代码，并在代码中灵活调用第三方的插件能力，最终将执行结果整合后返回给用户。这套架构已经能很好地支持常规查询、归因分析、预测推断和多轮对话等多种场景。

但在真实企业环境中，客户往往还需要更灵活的配置能力。比如，对简单查询，用户希望响应更快；对复杂问题，则需要根据语义进行差异化路由——比如识别出是知识库检索或元数据查询时，系统能自动对接相应的第三方服务或数据源，实现更精准、高效的响应。

在 V4 版本中，我们实现了从 V3 “单体智能体”到“智能体平台 + 数据智能体应用市场”的全面升级。

V3之前实现的所有分析功能，只是V4的一个智能体而已。V4 的底层是一个完整的智能体平台，支持工作流编排、多智能体协作、RAG 知识库管理，以及记忆管理等等。同时，平台深度融合了我们多年积累的指标模型、数据模型和 BI 分析能力，并将这些能力全部封装成插件和工具，供智能体随时调用。

基于这个平台的工作流引擎，通过接入各类数据分析插件和第三方 MCP 服务，我们可以快速构建多种功能专注的数据智能体。目前已经提供了多个默认智能体，比如：快速查询助手、分析师智能体、专家智能体和报告智能体等。通过为不同智能体配置相应的指标模型，可以快速构建出面向企业特定场景的数据智能体应用市场——比如，轻松部署一个证券行业的专属分析师智能体。

我们认为，未来的企业将由真实员工和数字员工共同组成，人机协同是必然趋势。因此，AIChat 既可以集成各类 MCP 工具，自身所有的分析能力也通过 MCP Server 的方式开放给第三方系统调用，推动更开放、更融合的智能分析生态。

介绍完架构，继续回到我们的主题，讨论准确性的问题。影响分析准确性的挑战主要来自两个关键环节：一是用户问句本身存在模糊性，二是系统处理流程存在问题。

用户问句模糊的根源可归纳为三类：第一是认知偏差，例如不清楚“销售额”指的是流水还是净收入；第二是表达缺陷，比如用户提出“做一个对比分析”，但却没有说清楚对比对象或时间范围是什么；第三是场景复杂，例如“找出去年的高净值客户，看看他们今年的表现”这类问题，不仅涉及多步计算和高净值客户的定义，其中“表现”本身也是一个泛化概念，并非明确的指标化查询。

针对这些问题，我们提出如下解决方案：首先，必须构建全面且统一的指标体系，确保每一个指标口径清晰、唯一，从而去准确映射用户问句中提到的业务实体。其次，对于问句中出现的实体，但指标体系中未明确定义，系统应支持通过知识补充机制进行扩展。这类知识不仅包括行业术语、业务实体的解释，还应涵盖典型示例和上下文语料等等多方面。

在这两点的基础之上，我们设计了更合理的智能体处理流程：首先意图识别是第一步，系统需判断用户目标是查询、分析、预测、生成报告还是闲聊，以便能够路由到相应的流程；针对基础数据查询，系统会提取分析要素，包括分析主题、维度、指标、过滤条件和聚合方式等，并转换为结构化的DSL表达。

过程中如发现歧义，会发起多轮交互以澄清用户意图；对于复杂问句，系统会进行任务规划与分解，将子任务分派给相应的工具或子智能体协同处理；比如V3中的“代码解释器”, 就是一个子智能体, 负责Python代码生成和执行。

最后，流程的执行可采用手动与自动混合编排策略：手动编排更适合需求明确、结果固定的场景，自动编排则擅长处理泛化性强、灵活多变的复杂问题。两者结合，以适应不同场景的需求。

这是我们给一家IT公司构建的指标系统，把整个L2C的业务流程进行指标建模。

比如：线索和商机阶段，包括商机个数，商家金额，赢单率等；交付阶段有交付进度，客户满意度，收入成本，毛利率等指标；还有回款指标，考核相关指标。 每个指标都可以从多个维度分析，比如商机数，从行业、区域、风险系数等几十个维度进行分析。建好指标体系后，开经营管理分析会议就很简单了，不需要准备各种各样的分析报告了。

下面演示公司开半年度经营分析会议的场景：

需要看看上半年的业绩情况以及跟去年同期的对比，然后做对比分析报告。系统收到问句之后就开始做任务分解，首先查2025年上半年的关键指标数据，再查2024年上半年的数据，最后去做一个对比和分析报告。我们看到现在已经正在生成2024年查询的代码了，2024年的关键指标也生成好了。

最后再出一个对比报告，发现商机合同收入都在大幅增长，整个增长率也看得非常清晰，还可以对图形做一些切换，整个报告一句话就可以完全生成了。接下来，我们还可以去对比不同区域、不同产品线的核心指标的差异，以便进一步寻找业绩可提升的空间。

正如各位在刚才演示中所看到的，我们的系统支持跨不同业务阶段的多指标分析，覆盖数十张事实表与上百个分析维度，真正实现了“一切指标皆可问”的敏捷分析体验。这一切的能力背后，离不开我们强大的数据模型与指标管理体系的支撑。

我们构建了一个统一、灵活的数据底层，能够接入多种数据源——无论是数据仓库、ODS、ERP，还是实时API数据，并对其进行智能化的数据编织与维度建模。最终，以清晰的指标目录的方式为客户进行呈现。

而这一切能力的核心，其实是我们的多事实表动态建模技术。以前做传统BI的时候，宽表建模基本够用，因为那时候交付的就是固定报表和看板。但现在进入 Agent BI时代，用户的问题非常自由、经常跨各种业务领域，随时可能用到多张事实表——我们根本没法提前把所有表都关联好做预建模，所以必须要有具备跨事实表的实时计算与动态关联能力。

举个例子，假设系统里有三张表：一张记录客户资产，有客户编号、日期、资产类型和金额；另外一张记录债务，有客户编号、日期、债务类型和债务金额；还有一张记录客户每天的状态标签。如果硬要把这三张表拼成一张大宽表，会由于主键、粒度不一致，导致数据严重膨胀、大量冗余。

而在我们的数据模型中，我们实现了真正的“动态语义层”。系统会根据用户的问句，自动识别需要的表和字段进行动态建模。比如用户问“某天所有客户的资产和负债总额”，系统不会真的把几张物理表拿出来，而是会动态返回一张虚拟表——“客户资产负债表”，只包含四个字段：日期、客户编号、总资产、总负债。基于这个简单的表去做自然语言转DSL，出错的概率就大大降低了。这样一来，背后再复杂的关联关系，对客户端来说都是完全透明的了。

讲完了语义层，我们继续来看保障分析准确性的第二根支柱：全面的检索增强生成技术——RAG。

首先，我们会将整个指标模型体系构建成知识图谱，并存入向量数据库，使系统能够深度理解指标之间的关联与业务含义；同时，我们也将行业中的业务黑话、术语知识纳入向量库，确保系统能听懂用户的“话外之音”；不仅如此，对于各类复杂的查询示例和场景示例，我们也会将其进行向量化存储，作为回答新问题的重要参考；最后，系统还会把用户在使用过程中的实时反馈——例如点赞和点踩行为——持续纳入知识库，推动模型不断自我进化、越用越聪明。

总之，AIChat不仅是一个静态的知识系统，更是一个具备学习能力的智能分析伙伴。它能够在交互中持续成长，不断提升对用户意图的理解力和答案的准确性。

针对业务知识管理这块，我们积累了一套工程化的实践原则与方法。这不仅关乎“配置什么知识”，更关乎“如何高效且可靠地配置”。

例如，我们始终坚持知识的最小化与互斥原则：避免添加冗余知识，确保多条业务知识之间互不冲突，有严格约束边界，防止相互干扰。同时，每一条知识都必须具备良好的泛化能力，才能适应多样化的实际提问场景。

为了降低知识录入的门槛，我们也提供了标准化的业务知识模板，使得即使不具备专业配置经验的业务人员，也能写出清晰、准确、可复用的知识条目。该模板通常包括：业务术语的定义、同义词及表述变体、术语背后隐含的过滤条件或业务规则、特定的计算逻辑或指标口径说明。通过这些结构化的约束和引导，我们既保障知识的质量，也实现了知识管理的可持续运营。

最后，让我们通过一个具体例子深入系统内核，了解从用户自然语言问句到最终代码生成的完整过程。

假设用户提问是：“查看1月4号现金大于1万的客户，并分析他们的总资产、负债和健康状况。”系统首先会进行实体识别，自动提取问句中的所有关键实体，例如日期“1月4号”、属性“现金”、阈值“大于1万”以及目标对象“客户”。

紧接着，系统会基于这些实体，在向量库中进行相似度检索，找出所有可能相关的字段（指标和维度）。例如，当识别到“现金”时，系统可能返回“资产类型”这一维度，以及该维度下可能的取值，如“支付宝余额”、“现金”等。这些信息用于帮助大模型更精准地理解业务语境。

但检索结果往往存在冗余或噪声，因此系统会进一步结合问句上下文、字段列表及相关业务知识，通过大模型进行精细排序与过滤，筛选出最相关、最精简的字段集合，显著提升语义映射的准确性。随后，系统会依据筛选后的字段列表，在指标模型中自动寻找能够覆盖这些字段的一个最小的表的子图。该子图在满足查询需求的同时，也最大限度地降低大模型所面临的结构复杂性，从而有效抑制“幻觉”现象的产生。

最终，系统会将优化后的问句语义、精排字段、业务知识以及优化后的相关表结构，作为完整上下文提交给大语言模型，由大模型生成准确、可执行的查询代码，完成从自然语言到代码的转换。

准确性之后, 接下来看看AIChat的分析能力, 如何应对客户的“任意问句”的需求。

AIChat V4 构建了一套多层次、可扩展的分析计算体系，以全面支撑从基础查询到深度挖掘的各类分析场景：

第一层是数据模型计算能力。

比如这里，像“销售额同比”这类典型计算，用户无需编写复杂的SQL开窗函数，可直接基于MQL也就是我们的DSL语言，在数据模型层完成。这一层将常用的分析计算封装为更业务的语义化操作，大幅降低使用难度。

第二层：Python沙盒计算环境。用户可在安全隔离的沙盒中，对多个MQL语句的结果进行灵活组装与二次加工，并调用丰富的第三方Python代码库（如pandas、scikit-learn等）实现更复杂的计算逻辑和业务算法。

第三层是可扩展的数据挖掘模块。系统内置覆盖预测、聚类、归因、异常检测等场景的数百种算法，这些算法支持开箱即用。同时，基于Spark架构提供强大的分布式扩展能力，可灵活对接自定义算法或处理超大规模数据。

这三层能力相互协同，形成了一套覆盖从即席查询到深度分析的全栈计算体系，真正实现“人人可分析，复杂可扩展”的智能化目标。 

面对高度开放和泛化的分析需求，AIChat能够调用“专家智能体”来帮忙，深度融合大模型的推理能力、企业内部专家知识以及实时互联网信息，综合生成可靠的分析思路与路径规划。

以下是一个真实示例：某集团企业的HR部门提出一个很泛化的问题：“近几年企业为员工做了哪些努力？”AIChat并未将其视为简单的查询类任务，而是从多个专业角度展开分析：薪酬福利结构及变化趋势、培训体系与员工发展投入、工作环境与满意度相关指标，另外还有性别平等与多元化举措。系统还会进一步区分不同部门、不同时间段的表现差异，最终不仅给出事实性发现，还会提出可操作的改进建议，最终形成完整的数据报告。 

接下来，在基础工具与插件能力之上，AIChat V4进一步支持通过智能体（Agent）进行灵活编排，实现多智能体协同完成复杂任务。例如，生成一份深度分析报告的背后，往往是一个和多个智能体协作的复杂流程编排。针对高度泛化、难以预定义的问题，我们在专家智能体中引入了智能规划节点，实现动态的任务分解与路由。

更具特色的是，用户可为智能规划节点嵌入多个子智能体，每个子智能体专注于不同的处理逻辑，有的做数据提取，有的做指标计算，有些做可视化，有些做代码生成，并且每一个子智能体都支持通过可视化界面进行独立编排和调整。通过这种方式，我们实现了自动规划与手动编排的有效统一，既保证了灵活性，也确保了复杂任务的可控性与透明度。

此外，AIChat不仅支持接入第三方的MCP以扩展能力，也将自身的核心功能通过 MCP Server协议向外开放。下方例子是通过飞书 AIly 工作流直接调用 Smartbi AIChat的服务，实现跨平台、跨系统的智能集成与自动化分析。

最后，我们对AIChat V4的分析能力做一个全面总结：

在底层，我们通过数据模型与指标模型，提供强大的 OLAP 分析能力，支持同环比、年累计、占比，并具备可扩展的模型函数机制；依托Spark自定义流程与算子，可以灵活实现机器学习能力扩展，满足预测、聚类、归因等深度分析需求；借助Python沙盒与插件体系，用户可自由组合多种计算与机器学习结果，实现高度定制化的分析流程；最终，通过智能体编排 + MCP服务接入 + 多智能体协同，系统能够应对高度复杂的业务问题，真正进化成为企业的“数字员工”——并可通过A2A（Agent-to-Agent）协议，与企业内其他数字员工及智能体一起无缝协作，共同赋能业务的决策。

聊完了准确性和分析能力，我们接下来谈谈性能。

很多用户都希望Agent BI能够同时满足三个：准确、灵活、快速。但现实中，尤其在复杂分析场景下，受限于大模型生成、多工具调度等因素，往往很难三者兼得。为此，AIChat V4提供了一套完整的性能诊断与优化机制，让整个过程很清晰透明可控：这个报告我们看它消耗了72秒, 用户对系统的性能表现不满意。

这时候，首先，可以通过系统的日志功能查看每一个系统的耗时以及与智能体之间的交互内容，能够精准定位瓶颈环节；同时，我们可以借助流程可视化看板，直观展示每个节点的执行时长、输入输出参数及详细日志，让复杂任务的执行过程清晰一目了然；最后，AIChat V4实现了极具伸缩的性能优化方案：对于简单查数，系统自动路由至快速查询节点，优先保证速度；而对复杂报告类任务，则交由“报告智能体”做深度处理，在合理时间内交付可靠结果。我们致力于让每一秒时间都“用得明白、花得合理”，在准确、灵活与速度之间，为用户找到最佳平衡。

接下来，我们来到系统运维管理的环节。

在管理运维层面，安全性始终是Agent BI能否真正投入企业使用的首要门槛。思迈特在金融、央国企等领域对安全要求极高的行业积累了丰富经验，AIChat V4的产品设计深度融合了这些场景中的权限管理需求。

我们提供基于角色组的多维授权体系，能够同时实现：功能权限管理，控制用户可访问的模块；通过资源权限，控制用户能够访问的数据模型、分析报告等等；通过数据行权限，精细地控制每一行数据、甚至每一个单元格的数据都可以进行可见性的管理。这套体系确保企业具备完备的安全管控能力，真正让Agent BI在高标准环境中可用、可靠、可落地。

另外在AIChat使用过程中，会不断地产生新的业务需求。为此，我们构建了一套高效的需求运营体系，以系统化地处理场景化定制需求。

当遇到新场景时，运营人员会首先进行分析，定位需求本质——判断是需要扩展数据模型、增加指标，还是补充相应的业务知识。确定方案后，团队会快速实施改进，并及时将更新反馈给用户，形成闭环管理机制。这一机制确保系统能够持续适配业务变化，在灵活响应需求的同时，保持着架构的稳定性和可持续性。

另外，用户反馈是驱动AIChat持续进化的重要动力。我们设立了专门的点赞/点踩管理模块，系统化地收集和处理用户的每一次评价：对于用户点赞的优质回答，系统会纳入经验库，并自动转成自动化测试案例，确保优秀表现能够持久稳定地保持；对于用户点踩的反馈，我们会启动多团队协同处理机制——由工具团队、数据团队、知识团队及业务专家共同参与定位问题、优化模型、更新知识，并将结果反馈给用户形成闭环。通过这一机制，我们不仅持续提升系统准确性和智能水平，更让用户感受到倾听、尊重和关怀，从而越用越顺手、越用越信赖。

讲完技术原理, 这里简单做一个白泽的优势总结: 更准确、更灵活、可扩展、更安全。

Part3.交付篇

之前提到，最近1年我们交付了百余个AI项目, 下面是一些交付相关的话题。

大家可能会关心：AIChat V4提供了如此丰富的能力，实际交付一个项目到底需要多少时间和成本？我们总结出一套清晰的AIChat实施方法论，主要包括四个关键步骤：

第一明确场景，确定用户目标群体，收集需求；第二，确定每个场景所需的业务指标和分析维度；然后接下来第三步就是搭建指标模型或数据模型，并且补充知识构建向量库；第四调试与迭代上线：从一个典型场景逐步扩充到多场景，持续迭代优化。

整个项目周期会根据场景复杂程度灵活调整，简单场景可在 1-2 周就可以快速交付，复杂业务则需 3-4 个月的实施全面落地。

接下来给大家分享一个真实案例：某个大型云厂商与思迈特正式达成战略合作，共同为政务客户提供智能体（Agent）市场及深度场景解决方案。目前，双方已成功服务多家政务单位，助力企业实现智能化升级。在政务工作中，许多基层干部经常需要撰写各类报表和报告。过去，这项工作往往依赖人工操作——需要从不同平台手动搜寻和导出数据，在Excel中关联整合，再手工编制Word文档。整个过程不仅效率低下，还容易出现格式错乱、数据偏差等问题。由于分析周期长，在需要快速决策时，往往更加依赖个人经验，难以高效、精准地响应个性化需求。

为了解决上述需求，通过白泽我们做了一个自定义报告智能体，把多个部门的数据进行整合（包括线上系统数据、Excel导入数据等，甚至还有一部分文件类数据），将传统人工处理报表周期从2-3天压缩至分钟级；通过Agent工作流自动化，包括表格处理和报告生成，最终将数据清洗时间缩短至1-2小时，报告生成速度提升300%；错误率降至0.1%，确保报告格式规范性与数据一致性。

现在，工作人员通过自然语言就可以交互生成报告，并基于用户行为数据推送个性化建议，实现从“人找服务”到“服务找人”的转型，业务满意度提升了45%。

我们白泽产品服务的百余家客户除了政府外, 还有银行, 保险, 证券, 能源, 制造, 零售等多个行业, 积累了大量的行业Know-How。

Part4.展望篇

我们认为Agent BI要做好, 离不开三大核心条件的支撑：

首先，是对人工智能技术的合理运用。我们不仅融合了智能体（Agent）等前沿技术，更注重其与企业实际场景的结合，让AI真正服务于业务洞察。其次，我们在BI技术领域的长期积累，包括指标模型、数据模型、MPP并行计算、传统机器学习技术，以及成熟的安全权限管理体系，这些能力共同构成了系统稳定、可靠、可扩展的底层基础。

最后，是对行业Know-How的深度理解。思迈特服务了数千家行业头部客户，积累了丰富的业务认知与实践经验，使我们能精准把握企业痛点，提供真正可落地的智能分析解决方案。这三者相辅相成，共同成就了今天全面升级的AIChat V4。

最后，让我们共同展望未来： Agent BI作为数据分析的通用AGI应用，跟其他数字员工一起，全面融入企业。我们将以智能驱动增长，用技术赋能决策，助力每一家企业在数字化浪潮中抢占先机、实现跨越！

 点击体验最新版白泽