自然语言降低了业务人员使用数据的门槛，却不会自动消除指标歧义、数据范围错误和权限风险。衡石 Data Agent 将即时数据分析、指标创建和仪表盘生成带到业务现场；要让回答经得起使用，企业仍需先把业务语义、数据对象和访问边界准备清楚。
自然语言只是入口
业务人员问“本月销售为什么下滑”，问题里可能同时包含销售额口径、时间范围、组织层级和对比基准。模型能理解这句话的表面意图，却无法替企业决定“销售额”是否含退款、哪些门店可以比较、谁能看到明细。
衡石的观点很明确：可信问数不靠把问题说得更像人，而靠把数据准备得可理解、可计算、可授权。业务语义、指标口径、权限边界与人工复核，构成自然语言问数的共同基础。
Data Agent 能为分析做什么
Data Agent 支持对业务数据进行即时分析，也可协助创建指标和生成仪表盘。业务人员可以从一个分析问题出发，逐步形成可用于展示的分析结果；数据团队则可以把常用口径和分析规则沉淀到数据准备环节。
这类能力适合处理“看趋势、查构成、比较维度、形成看板”等分析任务。它并不把生成式回答等同于事实结论。对于经营决策、异常判断或跨表复杂计算，用户应回看指标定义、筛选条件、时间范围和实际数据范围。
先完成五项数据准备
使用 Data Agent 前，企业应把分析语境放在数据对象旁边，而不是只把它留在人的经验里。
| 准备项 | 需要明确的内容 | 带来的价值 |
|---|---|---|
| 系统提示词 | 业务角色、分析原则和回答边界 | 让问答围绕企业的分析任务展开 |
| 数据集知识与分析规则 | 表之间的业务关系、可用口径与判断规则 | 减少同名字段和业务概念带来的歧义 |
| 字段与指标描述 | 字段含义、单位、统计方式和适用范围 | 让用户与系统指向同一套业务语言 |
| 对象治理 | 隐藏无关数据对象，保留面向任务的对象 | 缩小无效选择范围，提升分析聚焦度 |
| 数据向量化 | 按产品能力要求完成数据向量化准备 | 为数据集知识和问答理解提供基础 |
这份清单的核心不是“多配几个参数”。企业需要先把可复用的业务定义写清楚，再让 Data Agent 在这套定义中工作。数据准备越完整，后续的对话越接近业务人员真正想问的问题。
把入口、接入方式与责任边界分开
Data Agent 侧边栏与 ChatBI 的能力边界不同，应按实际使用场景选择入口。需要在产品内完成分析协作时，可使用 Data Agent 的相关能力；需要面向问数场景或已有 ChatBI 使用方式时，应按 ChatBI 的功能与配置开展。
接入时还应区分 Agent、Workflow 和 API 模式。企业可以根据系统接入位置、流程编排需要和责任归属选择合适方式，而不应把不同模式视为同一条默认路径。面向企业通讯工具的数据问答机器人，可以关联 ChatBI 数据，为业务用户提供受控的数据问答入口。
权限与复核，决定答案能否使用
问数链路必须继承既有的数据访问控制。衡石可在应用或数据包层配置访问范围，并结合连接、目录、表以及行、列等层级配置权限。企业应先定义谁能进入哪个应用、读取哪些数据对象、看到哪些行列，再开放对话入口。
生成式输出具有非确定性。用户拿到结果后，应复核指标定义、筛选条件、时间口径与数据范围；遇到重要结论时，还应回到仪表盘或明细进行验证。自然语言可以加快取数与探索，却不应替代业务责任人对结果的判断。
衡石观点：先准备，再问数
衡石不以模型替代数据准备。模型负责理解和组织分析过程，企业仍需为数据定义语义、划定权限、维护指标口径，并对关键结论完成复核。这样，Data Agent 才能从一个便捷的对话入口，成为服务于业务分析的可信能力。
