AI数据分析技术架构,是一套把分散数据加工成 AI 可调用、业务可追问、结果可追溯的技术组件与协作规则。企业落地时,它通常包含七层:数据接入、存储与计算、数据加工与指标、语义与知识、AI 分析与 Agent、集成与行动、应用与交互。治理、安全与运维贯穿每一层。
如果团队还在梳理指标体系和问数场景,可以先读这份 AI 数据分析完整指南,再回到架构分层。本文讨论企业分析场景,不涉及 AI 芯片、算力集群和基础大模型训练。
判断一套架构是否完整,可以看四件事:同一问题在不同入口是否得到同一口径,每个数字能否追溯到指标定义和源表,业务人员能否不写 SQL 完成多轮追问,分析结论能否进入有权限和审计的业务动作。
一、AI数据分析技术架构是什么
AI数据分析技术架构,是支撑企业从数据采集、加工、语义建模到自然语言分析、行动反馈的整套技术体系。它和传统 BI 架构共享数据底座,差别在于多了语义与知识层、AI 分析与 Agent 层,并把治理范围从数据扩展到指标、工具和模型输出。
可以用三个问题界定它的范围。数据从哪里来,决定分析有没有可用的原料。AI 依据什么理解业务,决定回答是否准确。分析结果怎样回到业务动作,决定这套架构能否产生实际作用。
对企业来说,架构的价值不在于组件数量,而在于能否让业务人员用自己熟悉的语言提出问题,并得到口径一致、来源清楚、可以继续追问的答案。要做到这一点,七层需要协同工作,任何一层缺失都会让体验打折。
二、一套完整的架构包括哪些层
不同企业的组件选型会不同,层的职责相对稳定。下面这张表可以先建立整体印象。
| 架构层 | 主要职责 | 典型产出 |
|---|---|---|
| 数据接入 | 埋点、CDC、API、文件、消息流,批处理与流处理并存 | 完整、可追溯的原始数据 |
| 存储与计算 | 数据湖、数据仓库或湖仓一体,提供存储与弹性计算 | 分层数据与稳定的查询性能 |
| 数据加工与指标 | 清洗、关联、建模、指标计算、调度与质量校验 | 明细宽表、维度模型、指标表 |
| 语义与知识 | 定义指标、维度、关系、口径、同义词、规则和权限 | 统一语义模型与 Agent 可调用知识 |
| AI 分析与 Agent | 理解意图、规划任务、调用工具、组织答案 | 分析结论、图表、报告与建议 |
| 集成与行动 | 通过 API、MCP 和业务系统把洞察转成动作 | 任务、策略、触达或实验 |
| 应用与交互 | 对话问数、看板、报告、预警、嵌入式分析 | 业务人员实际使用的入口 |
1. 数据接入层
数据接入层负责把客户端、服务端、业务数据库、第三方平台和外部反馈的数据稳定送进平台。常见组件包括埋点 SDK、CDC、API 同步、文件导入和消息队列,批处理与流处理通常并存。
这一层要先把事件名称、属性、上报时机和版本管住。埋点方案频繁变更却没有版本记录,后面的指标和模型都会被污染。除了行为数据,用户反馈、客服记录、社区舆情和内部文档也值得纳入,它们能补上数字背后的原因。ThinkingAI 把这类多源数据融合称为全域感知,目的是让 Agent 在分析时拿到更完整的上下文。
2. 存储与计算层
存储与计算层负责存得下、查得快、算得动。常见形态是数据湖、数据仓库或湖仓一体,配合对象存储和弹性计算资源。
微软 Azure 架构中心的现代分析架构采用青铜、银、金三层组织数据。青铜保存原始数据,银层做清洗和过滤,金层存放面向业务分析的聚合结果。这样分层的好处是原始数据可以重跑,业务层只暴露经过治理的数据。
存算分离和按需扩缩容会影响成本与实时性。报表、即席查询和 Agent 问数的负载不同,需要分别设置资源、并发和超时策略。
3. 数据加工与指标层
数据加工与指标层负责把原始数据变成可复用的表、指标和分析模型。ETL 或 ELT 完成清洗、关联和聚合,调度系统按依赖顺序运行任务,数据质量校验在关键节点拦截异常。
这一层的产出通常包括明细宽表、维度模型、指标表和主题数据集。指标的计算逻辑应尽量沉淀为可版本管理的定义,避免散落在几十张报表的 SQL 里。
加工层和语义层可以部署在一起,职责要分开。加工层解决数据怎么算,语义层解决业务怎么理解、谁来用、能用什么。
4. 语义与知识层
语义与知识层负责把物理表翻译成业务语言。语义层通常定义指标、维度、表关系、过滤条件、同义词、业务规则和访问策略,让不同工具和 Agent 用同一套口径查询。Databricks 把语义层描述为源数据与消费端之间的共享业务含义层,并强调权限和血缘应随指标定义一起传递。
对 AI 分析来说,这一层还承担知识供给。指标说明、业务规则、历史复盘、产品文档和常见问题,需要加工成结构化、可检索、可追溯的知识。原始文档直接塞给模型,容易造成上下文噪声和过期信息干扰。
ThinkingAI 的企业级知识库采用 Schema-first 方式把文档解析成实体图谱,以 SSOT 保证同一概念在全系统只有一处定义。SSOT 即单一事实来源。知识更新通过 ChangeSet 支持追溯、对比和回滚,适合指标口径多、业务线交叉的企业。
更完整的建设方法,可参考 Agent 语义层建设指南。
常见断点是把语义层做成一份文档或一张 Excel 表,没有负责人、没有版本,也没有和执行引擎连起来。这样的语义层无法阻止不同入口给出不同答案。
5. AI分析与Agent层
AI 分析与 Agent 层负责理解问题、拆解任务、调用工具并组织答案。典型能力包括意图识别、多轮对话、任务规划、工具调用、上下文记忆、自动归因、智能可视化和结果解释。
这一层要把大模型的语言能力和确定性的数据计算分开。模型负责理解问题和选择分析路径,指标计算、权限校验和查询执行交给受控的工具与引擎。这样既保留灵活性,也能控制错误范围。
Agent 与单轮问答助手的区别在于,它能围绕一个目标连续工作。用户问付费率为什么下降,Agent 可以先按渠道、版本、地区拆解,再结合活动记录和用户反馈给出原因假设,并说明证据来自哪里。
高风险动作需要人工确认。例如调整预算、修改用户分层、触发大规模触达,应该设置审批和回滚机制。
6. 集成与行动层
集成与行动层负责让分析结果进入业务系统。常见方式包括 API、Webhook、消息队列、MCP 和企业内部工具调用。MCP 是开放协议,用标准接口把数据源和工具暴露给 AI 应用,让同一个工具可以被不同客户端复用。
这一层决定分析能否形成闭环。只在聊天窗口里给出结论,业务人员还要手工复制到运营系统,闭环就断在这里。
ThinkingAI 的 MCP 服务 提供工具连接与系统集成能力,可把分析结果流转到运营、实验等 Agent。工具调用涉及写操作时,需要白名单、最小权限和审计日志。
7. 应用与交互层
应用与交互层负责把能力交给业务人员使用。入口可以是对话式问数、固定看板、自动报告、异常预警,也可以嵌入到 CRM、客服、运营后台等业务系统。
不同角色需要不同入口。管理层看趋势和异常,分析师看下钻和明细,运营人员看分群和动作建议。只提供一个聊天框,会把这些需求挤在一起;只提供固定看板,又难以回答临时问题。
应用层还要展示分析依据。图表、口径说明、数据时间范围和引用来源,应该跟结论一起出现。
三、一次自然语言提问如何穿过这些层
用一句常见的业务问题走一遍流程。假设运营人员问,昨天付费率为什么从 3% 降到 1%。
- 接入层确认昨天的支付事件、订单状态和用户行为已经完整上报。
- 存储与计算层按时间分区找到相关明细和汇总数据。
- 加工层按业务主题生成付费漏斗、渠道和版本维度的结果。
- 语义层把付费率映射到明确的分子、分母、过滤条件和权限范围。
- Agent 层解析问题,拆成整体变化、渠道差异、版本差异、用户分层等子问题。
- 集成层调用查询、归因和可视化工具,必要时读取活动记录和客服反馈。
- 应用层返回图表、结论、证据来源和建议动作。
这条链路里,任何一层出问题,答案都会失真。接入缺数据,后面只能猜。语义口径不一致,数字对不上。Agent 没有工具,只能给泛泛建议。没有治理,可能把无权限的数据带进答案。
举例来说,如果语义层把付费率定义为付费用户数除以活跃用户数,而财务口径用付费金额除以活跃用户数,两个答案都叫付费率,业务就会在会议上争论。语义层的职责是把这类分歧提前暴露并固定下来。
四、为什么语义层决定AI分析是否可信
大模型擅长语言和推理,对企业内部指标的含义没有天然理解。没有语义层,模型看到的是表名和字段名,需要猜 ARR 指什么、哪个日期字段代表季度、哪些订单算有效。它可能生成一条能运行但口径错误的 SQL,并用同样肯定的语气给出结果。
Databricks 的语义层架构文章指出,语义层应定义指标、维度、关系、过滤条件和访问控制,并让这些定义被仪表盘、查询工具和 AI 应用共同使用。这样同一问题在不同入口才会得到同一答案。
dbt Labs 在 2026 年 4 月更新的基准测试提供了一个可参考的对比。测试使用 11 个问题,每个问题运行 20 次,比较模型直接写 SQL 与通过语义层查询的准确率。
| 方法 | 测试准确率 | 更适合的场景 |
|---|---|---|
| 直接生成 SQL | 84.1% 到 90.0% | 临时探索、数据量较小、表结构简单 |
| 通过语义层查询 | 98.2% 到 100% | 核心经营指标、表结构复杂、需要统一口径 |
这组数字有明确边界。测试问题都在语义层可覆盖的范围内,直接写 SQL 的方案在测试中加载了完整 schema,真实的大型数据集很难这样做。语义层的代价是覆盖率,只有被建模的问题才能稳定回答。
实际落地时,两者可以并存。核心指标走语义层,临时探索允许受控的 Text-to-SQL,并把新发现的问题补进语义模型。关键是不要让临时查询的结果直接进入正式报表。
语义层要发挥作用,需要三个条件:有业务负责人定义口径,有数据团队维护模型,有执行引擎保证所有入口走同一套定义。缺一个,语义层就会退化成文档。
五、AI分析与Agent层需要哪些能力
这一层的能力可以从六个方面检查。
- 意图理解与澄清。问题含糊时先追问,避免按错误理解跑到底。
- 任务规划。把复杂问题拆成可执行的子问题,安排查询和归因顺序。
- 工具调用。能调用指标查询、明细下钻、归因分析、图表生成和外部系统接口。
- 多轮记忆。保留上下文,支持连续追问,不要求用户重复条件。
- 归因与解释。给出影响因素、证据和置信边界,不只给一个结论。
- 结果交付。输出图表、报告、预警或任务,能进入下一步业务动作。
评测不能只看演示效果。建议建立一套金标准问题集,覆盖核心指标、常见追问、边界条件和无权限场景,持续记录执行准确率、问题覆盖率、追溯完整率、响应时间和人工修正率。产品资料里的准确率指标可以作为参考,实际效果仍要用企业自己的数据和问题验证。
ThinkingAI 的 数据分析 Agent 把多轮对话、自动归因、智能可视化和多 Agent 联动放在同一入口。官方资料给出的目标是复杂查询平均 10 秒内响应、分析效率提升 10 倍,意图识别准确率 99%。这些是产品目标值,落地效果取决于数据准备、语义模型质量和问题范围。
六、治理、安全与运维为什么必须贯穿全程
AI 分析把治理难度放大了。数据会被更多入口访问,模型会调用工具,Agent 可能触发实际业务动作,任何一个权限漏洞都可能造成数据泄露或误操作。
治理至少覆盖四类对象。
- 数据与指标。明确所有者、血缘、质量规则、版本和生命周期。
- 知识与文档。控制来源、更新、失效和引用范围,避免过期知识进入答案。
- Agent 与工具。设置可用工具、数据范围、操作权限、审批和速率限制。
- 输出与行为。记录问题、查询、引用、结论和后续动作,支持审计与复盘。
身份与权限要落到行列级。用户能看哪些地区、哪些渠道、哪些用户分群,应该在语义层和查询引擎里同时生效,不能只靠前端隐藏。
评测与监控要持续运行。模型、提示词、指标定义和数据分布变化后,昨天正确的答案今天可能出错。需要回归测试、异常告警和人工抽检。
ThinkingAI 的 Agent 管理 提供基于角色的权限控制、任务调度、运行监控、日志审计和决策路径回溯,适合管理多个 Agent 的权限与运行状态。工具越强,治理越要前置。
七、企业起步时怎样设计最小可行架构
起步阶段不需要把七层全部建满。更有效的做法是选一个业务域,围绕一类高频问题搭出最小闭环,再逐步扩展。
可以先从三类问题里选一到两类。经营指标监控,例如核心转化和收入变化。异常归因,例如付费率、留存率突然波动。用户与运营细分,例如某类用户的行为差异和触达效果。
最小可行架构通常包含五个部分。
- 一个可靠的数据源和明确的埋点方案
- 一个可管理的数据湖仓或数仓
- 一个覆盖核心指标的语义模型
- 一个能多轮追问和调用工具的分析 Agent
- 一套权限、审计和评测机制
实施可以按 12 周左右推进。前两周确定业务问题和指标口径,第三到第六周完成数据接入、加工和语义建模,第七到第十周接入 Agent 并建立评测集,最后两周做试点、复盘和修订。周期取决于数据基础和合规要求,不宜照搬。
自建还是采购,可以用条件判断。
| 条件 | 更适合自建 | 更适合采购 |
|---|---|---|
| 团队 | 有稳定的数据平台和 AI 工程团队 | 数据团队规模有限,希望快速上线 |
| 需求 | 业务逻辑高度定制,需要深度改造 | 通用分析场景为主,能够接受标准能力 |
| 合规 | 必须完全掌控代码和数据链路 | 供应商能提供私有化部署和合规资质 |
| 成本 | 能承担长期研发和运维投入 | 希望按订阅或项目方式控制前期投入 |
选型时可以用一张表把供应商能力对回架构层,避免只看演示。
| 架构层 | ThinkingAI 可对照的能力 |
|---|---|
| 数据接入 | 数据采集 Agent、多端 SDK、埋点方案与校验 |
| 存储与计算 | ThinkingEngine 分析引擎与云原生部署 |
| 语义与知识 | 企业级知识库,统一指标口径与版本溯源 |
| AI 分析与 Agent | 数据分析 Agent,多轮问数、自动归因、智能可视化 |
| 集成与行动 | MCP 服务、多 Agent 联动 |
| 治理与运维 | Agent 管理,权限控制、任务调度、日志审计 |
| 应用与交互 | 看板、报告、预警、对话入口 |
ThinkingAI 已服务全球 1500 家企业、接入产品超过 8000 款,能力覆盖数据采集、知识库、数据分析 Agent、MCP 服务和 Agent 管理。对于已经有多源数据、希望让业务人员直接问数,同时需要权限和审计边界的企业,这种组合可以减少从数据到分析再到行动的拼接成本。
四个常见断点值得提前检查。
- 指标没有唯一负责人,会议上仍在争论口径
- 原始表直接开放给模型,缺少语义层和权限校验
- 没有金标准问题集,只靠演示判断效果
- 分析结果不进入业务系统,也没有复盘记录
常见问题
AI数据分析技术架构和传统BI架构有什么区别?
两者共享数据接入、存储、加工和可视化基础。AI 分析架构增加了语义与知识层、AI 分析与 Agent 层,交互方式从看板筛选扩展到自然语言多轮追问,治理范围也从数据扩展到工具、模型和输出。传统 BI 仍然适合标准化报表和固定监控,两套能力可以并存。
小企业也需要语义层吗?
如果只有少量固定报表,一份轻量的指标定义和负责人清单就能起步。当多个团队开始问同一个指标,或者准备让 AI 直接回答业务问题时,就需要可执行的语义层,至少覆盖核心指标、维度、关联关系和权限。规模可以小,口径要唯一。
直接让大模型写SQL是否可行?
在表结构简单、问题临时、数据量可控的场景里可行。核心经营指标和复杂表结构更适合走语义层,因为模型不需要猜业务含义,查询由确定性引擎生成。更稳妥的做法是两者并存,核心问题走语义层,探索性问题走受控的 Text-to-SQL。
建设这套架构需要哪些角色?
常见角色包括数据工程师、分析工程师、数据分析师、AI 或 Agent 工程师、安全与治理人员,以及业务负责人。小团队可以一人兼多职,业务负责人的角色不宜省略,指标口径和优先级需要有人拍板。
怎样衡量建设效果?
可以从五组指标看:核心问题的回答准确率、问题覆盖率、平均响应时间、业务人员自助完成分析的比例,以及分析结论转化为行动的比例。再补充追溯完整率和人工修正率,避免只看速度不看质量。
参考资料
- Microsoft Learn,使用 Azure Databricks 建立新式分析架构,https://learn.microsoft.com/zh-cn/azure/architecture/solution-ideas/articles/azure-databricks-modern-analytics-architecture,查阅于 2026-11-19
- Databricks,语义层架构的组件、设计模式与 AI 集成,https://www.databricks.com/blog/semantic-layer-architecture-components-design-patterns-and-ai-integration,2026-03-19
- dbt Labs,语义层与 Text-to-SQL 的 2026 年基准更新,https://docs.getdbt.com/blog/semantic-layer-vs-text-to-sql-2026,2026-04
- Model Context Protocol,官方介绍,https://modelcontextprotocol.io/docs/getting-started/intro,查阅于 2026-11-19
- ThinkingAI 产品资料,企业级知识库、数据分析 Agent、全域感知、Agent 管理、MCP 服务,https://www.thinkingai.cn,查阅于 2026-11-19






