ThinkingAI Logo
返回博客列表

AI数据分析技术架构图详解

用一张可复用的参考图讲清 AI 数据分析技术架构的五层职责、数据流、控制流和权限校验,并给出六步画图方法、场景调整、常见问题与 ThinkingAI 能力对应。

2026-11-2011分钟
AI数据分析技术架构图详解

一张能用的 AI数据分析技术架构图,通常包含五层,分别是数据与接入、存储与计算、语义与知识、模型与编排、执行与交互,另有一条治理与权限纵线贯穿。图上的实线表示数据流,虚线表示控制流,带锁标记的点线表示权限校验。三类关系画清楚,图才能帮助评审和落地。

AI数据分析技术架构图怎么做,先看这张图要回答什么问题。本文给出一张可复用的参考图,逐层说明职责,再拆解三类连线,最后按六个步骤画出适合自己企业的版本。这套方法建立在指标体系和自然语言问数的基础上,AI数据分析完整指南里有更完整的背景。

五层是逻辑分层,不要求五套独立系统。小团队可以把接入、存储和计算放在同一套平台里,但每层的职责要有明确归属。采集格式变化不应该让指标定义返工,指标口径变化也不应该要求业务重新埋点。

一、架构图包含哪些层

AI数据分析技术架构参考图

图1 五层功能区与治理权限纵线,底部图例区分数据流、控制流和权限校验。

先看一张完整的参考图。图中从下到上分别是数据与接入、存储与计算、语义与知识、模型与编排、执行与交互,右侧的纵向带是治理与权限。这张技术架构图片可以作为评审底稿的起点,节点按企业实际系统替换。

层解决的问题关键节点输入与输出
数据与接入把业务动作和外部信息记录下来业务库、事件日志、第三方接口、文档与工单输入原始事件、订单和文本,输出可追溯的原始数据
存储与计算让数据可重放、可加工、可查询湖仓、批处理、流处理、查询引擎输入原始数据,输出明细表、汇总表和指标结果
语义与知识让同一个指标只有一个定义实体、维度、指标、指标字典、业务知识库输入模型表,输出统一口径的查询接口
模型与编排把问题拆成步骤并调用合适工具大模型、意图识别、任务规划、工具调用、知识检索输入问题与上下文,输出执行计划和结果解释
执行与交互把分析结果送到业务动作看板、自然语言问数、报告、预警、Agent输入分析结果,输出图表、结论、任务或触达
治理与权限让每次取数和执行都可控、可追身份、行列权限、工具权限、审计、血缘、质量输入访问请求与操作记录,输出允许、拒绝或脱敏结果

存储与计算层可以按湖仓的 bronze、silver、gold 三层组织。Azure Databricks 文档指出,bronze 保存原始数据,silver 做清洗、去重和校验,gold 提供面向业务的聚合数据。画图时把这三层放在存储与计算层内部即可,不必单独占一层。

语义与知识层要分清两类内容。指标、维度、实体和指标字典决定数字怎么算;业务术语、文档、历史复盘和口径变更说明决定数字怎么解释。dbt 的语义层文档把指标定义放在建模层,下游工具通过接口查询,并提到访问权限控制。画图时,语义查询接口应该成为 BI、自然语言问数和 Agent 的共同入口。企业如果正在统一指标口径,可以把这一层单独展开成子图,避免一张总图承载太多细节。

二、三类连线怎么读

同一张图里,箭头含义不统一,读者就无法判断数据从哪里来、谁在控制流程、权限在哪里生效。建议固定三种线型,并在图例中写明。

1. 数据流

数据流是主路径,回答数据从哪来、经过哪些加工、最后服务谁。下面这条链路可以对照从采集到决策的完整链路。

  • 业务库、事件日志、第三方接口和文档进入接入层。
  • 原始数据落到原始层,保留来源、到达时间和原始格式。
  • 清洗、去重、标准化后进入明细层。
  • 按业务域建模,形成汇总表和指标结果。
  • 语义层把指标、维度和权限规则暴露为统一查询接口。
  • 看板、问数、报告或 Agent 读取结果,返回给业务。

数据流用实线,方向从下往上。离线链路和实时链路可以在存储与计算层分成两条,但要在语义层汇合。同一个指标如果在两条链路上各算一套,图再漂亮也无法建立信任。

原始层必须可重放。 指标算错时,没有原始数据就无法回滚,也无法判断问题出在采集、加工还是口径。

2. 控制流

控制流用虚线,表示请求、计划和工具调用。一次提问通常经过意图识别、任务规划、指标查询或知识检索、结果校验、解释生成。

LangGraph 文档把这类编排描述为由共享状态、节点和边组成的图,可以把确定性步骤和模型驱动步骤放在同一张图里,并支持持久化、流式输出和人工介入。画控制流时,把人工确认点单独标出来,尤其是会写数据、发消息、改配置的动作。

控制流要有回路。 结果不满足条件时,回到规划、追问或换工具,避免一条直线走到黑。

3. 权限流

权限流用带锁的点线,图上的重点是校验点,登录只是其中一个。常见检查点包括六类。

  • 身份与角色,用户、Agent、服务账号分别是什么身份。
  • 数据权限,能看哪些库表、行和列,敏感字段是否脱敏。
  • 指标权限,同一指标在不同业务线的可见范围。
  • 工具权限,Agent 能调用哪些查询、写入和触达工具,是否只读。
  • 执行权限,高风险动作是否需要人工确认,审批人是谁。
  • 审计,每次查询、导出和执行是否留痕。

dbt 的语义层文档提到访问权限控制。落到架构图上,权限校验要同时画在语义查询接口和工具调用两个位置,应用登录处只是第一道。

权限流要覆盖 Agent。 Agent 用服务账号调用工具时,要限定在任务需要的范围内,不能继承某个人的全部权限。高风险动作还要有人工确认和审计记录。

连线表示什么方向典型经过节点画错后的表现
实线数据流从数据源到应用接入、存储、语义、模型、执行看不出数据来源,无法排查口径
虚线控制流请求与结果双向提问、规划、工具、执行、解释把工具调用画成数据流,读者误以为数据直连
带锁点线权限校验在关键节点拦截身份、策略、语义查询、工具调用、审计权限只画在登录处,Agent 越权无法发现

三、怎么画出一张能用的架构图

画图前先定用途。给管理层看、给研发评审、给采购对比,三种图的范围不同。下面按企业级参考图的目标来写,步骤可以按需裁剪。

1. 写清这张图要回答的问题

用一句话写明读者、决策任务、时效和边界。例如,运营负责人每天上午看渠道留存和付费异常,需要从问题追到分群和渠道,数据延迟不超过一小时。

这句话决定图里要不要实时链路、要不要自然语言问数、要不要执行动作。没有这句话,图很容易越画越大。

2. 列出边界和数据源

把企业外部和企业内部的系统分开。业务库、事件日志、第三方平台、文档和工单分别由谁负责,更新频率是多少,是否包含个人信息。

边界外只画接口,不画内部细节。这样图不会被十几个产品标识淹没。

3. 放好五层和一条纵线

先画五个横向区块,再在右侧加一条纵向治理带。层名用职责命名,不用产品名。产品名会随采购和版本变化,职责相对稳定。

小团队可以合并存储与计算、语义与知识,但要在图注里写明合并后谁负责指标定义。合并后仍要保留责任归属。

4. 画主数据路径并编号

从数据源到应用画一条主路径,按 1 到 6 编号。每个编号只对应一个动作,例如 1 接入、2 落原始层、3 清洗、4 建模、5 指标查询、6 生成图表。

如果有实时链路,在存储与计算层画第二条第 2 到第 5 步的支路,并在语义层汇合。两条链路共用一套指标定义,图上要能看出来。

在原始层、指标定义和权限策略三个位置加单一事实源标记,提醒读者哪里不能有多个版本。

5. 补控制流和权限检查点

从用户提问画一条虚线到意图识别,再分叉到指标查询、知识检索、分析模型和业务工具。每个分叉都经过权限检查,高风险动作加人工确认。

控制流不要画成数据流的分支。数据流回答数据怎么走,控制流回答谁决定下一步做什么。

6. 用三个问题验收

拿三个真实问题在图上走一遍。

  • 查一个核心指标,例如上周分渠道的新增用户留存。路径是否经过语义层,口径是否唯一?
  • 追一个异常,例如昨天付费率下降。控制流是否能从指标下钻到分群、渠道和原因?
  • 查一个受限数据,例如某大客户的明细。权限流是否在查询前拦截,是否留痕?

任何一问走不通,缺的节点就是图要补的地方。三个问题都能走通,再拿去评审。

交付前再核对一遍清单。

  • 图名、版本、日期和作者
  • 五层职责和边界
  • 三类连线图例
  • 主路径编号
  • 权限检查点
  • 单一事实源标记
  • 实时与离线分支
  • 外部系统边界

如果还没确定架构范围,可以先看AI数据分析技术架构的常见类型,再回到这里的步骤。

四、不同场景怎么调整

同一套 AI数据分析架构可以覆盖多数场景,差别在保留什么、增加什么、哪些细节不画。

场景保留增加不建议画
离线经营分析数据接入、湖仓、语义层、看板指标字典、质量规则秒级流处理
实时运营监控语义层、权限、告警流处理、微批、实时指标把所有明细都放实时链路
知识密集问答知识库、知识检索、引用文档解析、重排、权限过滤用知识检索回答精确聚合
强监管与私有化权限、审计、数据边界私有化部署、脱敏、审批把模型服务画到企业边界外

自建和采购的差别,主要在节点归属。图里可以用不同底色标出自建、采购、复用,评审时就能看出哪些能力依赖外部。语义层和权限策略要由企业自己定义和把关,工具可以采购,口径和责任不能外包。

实时不等于全实时。决策窗口是小时级,画微批就够了;把秒级链路画进去,成本和运维会上去。

五、常见画法问题

  • 把产品名当层名。 图上出现一堆产品标识,却看不出数据怎么走。改成职责命名,产品名放到图注或附录。
  • 只有数据流,没有控制流。 读者不知道一次提问怎么变成结果。补上意图、规划、工具调用和结果校验。
  • 大模型直连原始表。 图上缺少语义层和权限检查,口径和越权风险都会被放大。把模型调用接到语义接口和受控工具上。
  • 权限只画在登录处。 查询、导出和执行都可能越权。把校验点画到语义查询和工具调用前面。
  • 一张图塞进所有细节。 网络拓扑、部署拓扑和组织架构混在一起,读者找不到主线。按读者拆成总体图和部署图。
  • 没有版本和边界。 图看完不知道适用哪个阶段、哪些是外部系统。加上日期、版本、范围和假设。

六、ThinkingAI 架构怎么对应

如果采用平台化方案,可以把参考图上的节点对应到具体能力。以数据分析 Agent为例,它承担自然语言问数、多轮分析、自动归因和智能可视化,适合固定报表覆盖不到的长尾问题。

参考图层ThinkingAI 对应能力适用条件与边界
数据与接入全域感知,融合行为数据、用户反馈、社区舆情和内部知识库需要先明确数据源、更新频率和合规范围
语义与知识企业级知识库,Schema-first 加工、SSOT 统一概念、ChangeSet 记录变更适合指标口径多、文档多、AI 输出需要溯源的场景
模型与编排Agentic Engine,支持多 Agent 协作和私有化部署任务跨系统、需要多步规划时更能体现价值
执行与交互数据分析 Agent,支持自然语言问数、多轮分析、自动归因和智能可视化适合固定报表覆盖不到的长尾问题和异常追因
治理与权限私有化部署、知识变更记录,权限仍需结合企业身份与策略体系设计强监管场景要额外评估审计、脱敏和审批流程

ThinkingAI 已服务全球超 1500 家企业,接入产品超 8000 款。这类平台的价值在于把数据接入、语义知识、分析 Agent 和行动能力放在同一条链路上。企业仍然要先定义自己的决策任务、指标口径和权限边界,工具能缩短建设时间,替代不了架构判断。

其 Tiki 智能助手在中国信通院的数据分析智能体评估中获 4+ 级。评估结果可以作为能力参考,具体场景仍要用企业自己的问题和数据做验证。

常见问题

架构图一定要画五层吗

不一定。五层是职责划分,小团队可以合并。判断标准是每个职责有没有明确归属,层数可以调整。合并后要在图注里写清谁定义指标、谁审批权限。

数据流和控制流要用不同线型吗

建议分开。线型是约定,关键在图例写清楚。三类关系混用,读者会把工具调用误认为数据直连,也会忽略权限检查点。线型一旦确定,全文保持一致。

没有语义层能不能先画现状图

可以。现状图有助于暴露口径分散和重复取数。只要在图上标出缺口,并把语义层列为下一步建设项,现状图就有评审价值。不要把现状画成目标架构。

一张图能同时覆盖离线和实时吗

可以,前提是两条链路在语义层汇合,共用一套指标定义。做不到时,分开画总体图和链路图,避免一张图承载太多细节。两张图之间用相同的层名和图例,方便对照。

架构图里要不要标产品名

可以标,但建议放在图注或附录。层名用职责,产品名用版本和部署方式说明。这样采购或替换产品时,图的骨架不用重画。评审时也更容易区分能力需求和产品选型。

私有化部署在图上怎么体现

画一条企业边界,把数据、模型服务、Agent 运行时和审计日志放在边界内。需要外部模型或第三方服务时,单独标出调用方向和数据范围。边界内各节点仍要标清权限校验点,部署方式不能替代权限设计。

参考资料

  • Azure Databricks 文档,What is the medallion lakehouse architecture
  • dbt Labs 文档,dbt Semantic Layer
  • LangChain 文档,LangGraph overview

准备好构建你的 Agent 团队了吗

立即体验 Agentic Engine, 让 AI 成为真正的团队成员

ThinkingAI Big Logo
电话咨询