ThinkingAI Logo
返回博客列表

AI数据分析架构设计案例:公开方案解读

从 Dify、BISHENG、LangGraph 三个公开方案出发,拆解 AI 数据分析架构的应用组装、企业管控与流程编排,给出五层参考架构、自建决策与适用边界。

2026-11-1614分钟
AI数据分析架构设计案例:公开方案解读

AI 数据分析架构没有统一的行业模板,公开资料更多以单个产品或项目的形式出现。Dify、BISHENG和LangGraph分别侧重分析应用组装、企业管控和长流程编排。结合它们的设计目标、架构选择与适用边界,可以把各层分工组织成一张可迁移的参考图。

如果你正在搜 AI 数据分析技术架构设计案例,这三个方案可以作为拆解样本。三个方案分别展示应用组装、企业管控和状态图编排,架构信息与适用边界均来自各项目的官方资料。它们都是公开技术方案,不是某家企业的生产落地记录,本文也不比较性能排名。

一、三类公开方案,各自解决一层问题

先看一张总表。表里的“适合借鉴”和“不能替代”按公开文档能读到的能力整理,不是产品评分。

方案官方定位主要架构选择适合借鉴不能替代
Dify开源 LLM 应用开发平台可视化工作流、RAG 流水线、Agent(新 Agent 沙箱能力处于 Beta)、模型管理、可观测、API分析应用组装、知识检索、快速验证指标语义层、企业级权限
BISHENG开源企业级一站式 Agent 平台工作流、知识空间、任务模式、文档解析、RBAC 与 ReBAC、私有化企业流程、权限审计、文档密集分析BI 查询引擎、指标口径
LangGraph低层编排框架与运行时共享状态图、节点与边、检查点、人工介入、流式输出多步分析编排、失败恢复、人工复核语义层、SQL 执行、权限体系

把三者放在一起看,Dify 偏应用层,BISHENG 偏企业平台层,LangGraph 偏执行编排层。AI 数据分析架构的难点通常集中在层与层之间的接口。

二、案例一:Dify 用工作流和 RAG 组装分析应用

Dify 官方 GitHub 仓库将其定义为开源 LLM 应用开发平台,界面里同时提供 AI 工作流、RAG 流水线、Agent、模型管理和可观测能力,目标是让团队从原型走到生产。这个定位把架构重心放在应用组装,数据语义留给外部系统。

1. 它如何组织一次知识型分析

Dify 的知识流水线把文档变成可检索知识,步骤是数据源配置、提取器解析、分段器切分、知识库节点设置索引与检索、配置输入表单、测试发布。它提供通用分段、父子分段和问答分段。父子分段用短文本匹配问题,再把包含它的较大文本块交给模型,适合指标说明、业务规则这类需要上下文的材料。

放到一个分析场景里,流程可以是这样:把指标口径、历史报告和活动记录整理进知识库;用户提问后先检索相关段落;模型结合检索结果组织答案;需要取数时,Agent 通过工具、MCP 服务或自己的 API 调用外部系统;运行记录留在日志里,便于回看。

Dify 的新 Agent在截至 2026 年 11 月 15 日的官方文档中仍处于 Beta,区别于旧版 Agent 应用。新 Agent 可在自身沙箱中运行命令、安装软件、读写文件;这些能力不能泛化到全部 Dify Agent 或旧版本。采用自托管方案时,应核对所用版本是否包含新 Agent 及配套运行时,并按部署文档配置沙箱和安全隔离,不能把运行时默认视为不受信任用户之间的强隔离边界。工具、MCP 服务、自有 API 和应用服务 API 则用于把分析能力接入现有业务系统。

2. 适合借鉴什么,不负责什么

Dify 适合借鉴的地方在应用层:

  • 用可视化工作流把检索、判断、调用工具和生成报告串起来,业务和工程能一起改。
  • 用知识流水线处理非结构化材料,父子分段和多种索引方式能覆盖不同的文档结构。
  • 用统一模型管理和 API 接入多模型、多系统,减少应用层重复开发。
  • 用运行日志和观测工具定位问题,快速验证一个分析想法。

Dify 不提供指标语义层,指标定义、表间关联、口径校验和行级权限要在数据层和语义层完成。社区版与企业版的能力边界也不同,SSO、RBAC 和企业支持服务属于企业版范围。官方给出的最低部署配置是 2 核 CPU、4GB 内存,生产环境还要按并发、模型调用量和检索数据量另算。

一个判断标准:如果分析问题主要是文档型知识,比如制度、报告、指标说明,Dify 的流水线很合适;如果主要是结构化数据问数,Dify 更适合承担外围应用层,核心查询和口径仍要放在数据平台里。

三、案例二:BISHENG 把企业管控和多步骤流程放进一个平台

BISHENG 官方 GitHub 仓库将其定位为开源的企业级一站式 Agent 平台,强调办公效率和企业 AI 应用落地。它把工作流、知识空间、任务模式、文档解析、权限和审计放在同一个平台里,架构重心偏向企业落地所需的管控能力。

1. 多步骤流程如何落地

BISHENG 的工作流不区分 chatflow 和 workflow,多轮对话和自动化处理可以放在同一个流程里。流程支持成环、并行、批量运行,也支持执行到中途等人输入、确认或修改。这个设计对分析任务很实用,因为分析经常需要先取数、再核对、再补查,不能一次跑完。

它的任务模式面向多步骤复杂工作:用户给出目标,附上文件、知识库、工具和技能,主 Agent 生成任务清单并跟踪进度,把独立调研交给子 Agent 并行完成;遇到只有用户知道的关键信息时暂停等待;最后交付 HTML、Markdown、PPT、Excel 或 Word 文件,报告带引用角标,可以点回原文。

放到经营分析场景里,一个任务可以拆成数据提取、文档核对、图表生成和报告输出。中途业务确认口径,流程暂停;确认后继续执行。这种在流程里保留人工节点的设计,比让 Agent 一次生成到底更接近企业实际。

2. 企业管控能力与部署成本

BISHENG 的企业级能力包括 RBAC 和 ReBAC 两套权限:RBAC 管功能菜单和操作,ReBAC 管知识空间、文件夹和单个文件的访问,可以按个人、部门或用户组授权;此外还有操作审批、审计日志、API Key 权限边界、SSO/LDAP、高可用部署、流量控制和监控统计。信创适配同时支持 MySQL 和达梦 DM8。

文档解析是它的另一个重点。项目方称基于 5 年数据沉淀,提供印刷体、手写体、生僻字、表格、版式和印章等解析模型,并支持私有化部署。对于制度、合同、报告这类文档密集的分析场景,这一层会直接影响后续检索和问答质量。

代价是部署和运维更重。官方给出的最低配置是 8 核 CPU、32GB 内存,默认部署包含 MySQL、Redis、MinIO、OpenFGA、Elasticsearch 和 Milvus 等组件,OnlyOffice 作为可选服务。平台能力多,意味着需要有人负责模型配置、权限维护和流程运营。

边界也要说清楚:BISHENG 是 Agent 平台,不是 BI 查询引擎。它不提供指标语义层,也不替代数仓的查询能力。项目方在 README 中称已有大量行业头部组织和世界 500 强企业使用,这是项目方披露的采用情况,不能据此判断这些客户的具体部署范围和实际效果。

四、案例三:LangGraph 把多步分析做成可恢复的状态图

LangGraph 在官方文档里被定义为面向长时间运行、有状态 Agent 的低层编排框架和运行时。它把工作流描述成共享状态、节点和边组成的图,可以在同一张图里混合确定性的代码步骤和模型驱动的步骤。

1. 状态、检查点和人工介入

LangGraph 的核心能力集中在运行时:

  • 持久化:保存检查点,失败或暂停后可以从原处恢复。
  • 人工介入:暂停执行,检查或修改状态,再继续。
  • 记忆:保留单次会话的短期状态,也支持跨会话的长期记忆。
  • 流式输出:把 token、状态更新和事件逐步推给前端。

放到数据分析里,可以把一次问数拆成一张状态图:识别意图,检索指标和表结构,生成查询,做语法和语义校验,执行查询,解释结果,必要时等待人工复核。每个节点只做一件事,节点之间通过共享状态传递上下文。查询失败时回到校验节点重试,超过重试次数就转人工;用户补充口径后,从检查点继续,不用从头再跑。

这类结构适合长流程、多工具、需要审计的分析任务。关键步骤有状态记录,出了问题能定位到具体节点。

2. 低层编排框架的边界

LangGraph 不规定提示词,也不规定 Agent 架构。它提供的是状态、节点、边、检查点和人工介入这些运行时原语,语义层、SQL 执行、权限体系、模型网关都要企业自己接。

这意味着它更适合有平台工程能力的团队。团队要自己定义状态结构、工具契约、失败处理、评估集和观测方案。官方文档也说明,它聚焦编排,不预设提示词或固定的 Agent 架构;需要更高层封装的团队,可以再配合 LangChain 或 LangSmith 的能力。

对业务人员来说,LangGraph 需要工程团队先封装,才能直接使用。对需要把复杂分析流程做稳的工程团队来说,它提供的控制力比较实在。

五、把三个方案放进一张 AI 数据分析架构图

把三个方案放在一起,可以看到它们各自覆盖的层不同。下面这张表按公开文档能读到的能力做对照,不是产品排名。

架构层DifyBISHENGLangGraph
数据与语义需外部提供需外部提供需外部提供
知识与检索强强需自建
编排与执行中强强
应用与交互强强弱
治理与运维企业版较强强需自建
AI 数据分析五层参考架构示意图

图:AI 数据分析五层参考架构

1. 一条分析请求会经过哪些层

用一个具体问题走一遍:用户问“上周新用户留存为什么下降”。

  • 数据与语义层先确认留存的口径、时间窗口、分群维度和可用的表,把“新用户”和“留存”定义清楚。
  • 知识与检索层找出最近的产品更新、运营活动和历史分析,补充问题背景。
  • 编排与执行层生成查询,做语法和权限校验,执行后检查结果是否异常;必要时回到上一步修正。
  • 应用与交互层把结果做成图表和简短结论,支持继续追问。
  • 治理与运维层记录谁在什么时候查了什么,控制查询成本和数据范围,保留审计记录。

这五层里,公开方案能直接借鉴的是知识与检索、编排与执行、应用与交互;数据与语义、治理与运维往往要结合企业现有平台补齐。

2. 数据与语义层决定分析结果是否可信

数据与语义层常被低估。语义层里的指标定义、维度关系、表间关联、业务规则和权限,决定了模型能不能找到正确的数据,也决定了同一个问题在不同时间会不会得到不同答案。

公开方案都把这个层留给企业自己。Dify 的知识流水线可以承载指标说明,BISHENG 的知识空间可以承载业务文档,LangGraph 可以在节点里调用语义层接口,但它们都不负责定义指标口径。把这一层做好,后面的检索和编排才有稳定的基础。

3. 知识与检索层决定模型能否理解业务

知识层要放的不只是文档,还包括指标说明、历史分析、活动记录、数据字典和常见问题。Dify 的父子分段和问答分段适合处理这类材料;BISHENG 的知识空间提供多级文件夹、标签、权限和引用溯源;LangGraph 需要团队自己接检索服务。

这一层的判断标准很具体:用户问一个业务词,系统能不能找到它的定义、计算方式和适用范围;找到的定义是不是最新版本;不同业务线问同一个指标,返回的口径是不是一致。

4. 编排与执行层决定流程能否稳定运行

编排层要处理意图识别、工具选择、查询生成、校验、重试和人工介入。Dify 用可视化工作流降低编排门槛;BISHENG 把循环、并行、批量和人工介入做进流程;LangGraph 用状态图和检查点提供更细的控制。

选择哪一种,取决于团队构成和任务复杂度。业务人员参与多、流程变化快,可视化和平台化更合适;工程团队主导、流程长且失败成本高,代码化的状态编排更合适。

5. 应用与治理层决定能否长期使用

应用层负责把分析结果送到用户面前,包括对话、看板、报告、定时任务和嵌入式 API。治理层负责身份、权限控制、审计、评估、观测和成本。Dify 和 BISHENG 在应用层提供现成界面,BISHENG 在治理层覆盖更全;LangGraph 需要企业自己补应用和治理。

长期看,治理层决定这套架构能不能从试点走到生产。没有权限和审计,分析结果很难进入核心决策;没有评估和回归,模型或口径一变,问题就会重新出现。

六、企业自建时先定四个决策

企业自建 AI 数据分析平台时,先把下面四个决策定清楚,再选具体方案,能少走很多弯路。

1. 语义口径放在哪里,谁维护

指标定义可以放在数仓语义层、指标平台或受治理的知识库里。无论放在哪里,都要有唯一维护人和变更流程。同一个指标在多个地方各写一份,AI 只会把矛盾放大。

2. 查询执行边界怎么划

数据分析 Agent需要能查数据,但不能任意写数据。执行边界至少要明确只读范围、行级和列级权限、查询超时、扫描量上限和沙箱环境。高风险操作应该转人工审批,不能交给模型直接执行。

3. 人工介入点设在哪里

人工介入可以放在问题澄清、口径确认、高成本查询审批和对外报告复核。介入点太多会拖慢流程,太少会放大错误。可以先从高风险、低频率的节点开始,再根据失败样本调整。

4. 评估与回归怎么做

准备一组有标准答案的业务问题,覆盖指标口径、时间范围、分群条件和异常场景;每次更换模型、提示词、表结构或检索策略后跑一遍,记录失败类型。评估集要由业务和数据团队共同维护,不能只看模型回答是否流畅。

一个常见的落地顺序是:先选一个高频、边界清楚的分析场景,把语义、检索、编排、应用和治理打通,再扩展到相邻场景。一次性铺开五层,往往会在口径和权限上返工。

七、商业化方案怎么处理知识与权限

如果不想从零拼装,可以对照商业化方案看它如何处理知识治理和权限。ThinkingAI 的企业级知识库把知识加工成结构化、关联化、版本化的形态,供 Agent 直接调用;它用 SSOT 保证同一概念在全系统只有一处定义,用 ChangeSet 记录每次更新,支持追溯、对比和回滚。这套机制对应前面说的语义口径和知识版本问题。

ThinkingAI 的企业级 AI Agent 平台 Agentic Engine 支持私有化部署和多 Agent 协作,企业可以在平台上创建和管理各类 Agent。截至目前,ThinkingAI 已服务全球超 1500 家企业,接入产品超 8000 款。旗下的 Tiki 智能助手依据《智能体技术要求与评估方法 第 9 部分:数据分析智能体》获得 4+ 级,评估覆盖技术能力、场景能力和服务成熟度共 21 个能力项。

这些能力可以作为自建时的对照:知识是否只有一处定义,变更是否可追溯,权限是否细到数据和知识,部署是否满足数据主权要求。把这些问题问清楚,比比较功能清单更有用。

常见问题

AI 数据分析架构一定要从零自建吗

不一定。可以按层组合:数据与语义层复用现有数仓或指标平台,知识与检索层用 Dify 或 BISHENG 这类平台,编排层用 LangGraph 或平台自带的工作流,治理层沿用企业现有的身份、权限和审计体系。自建的范围应该放在企业独有的口径、流程和评价标准上。

开源方案能直接用在生产吗

Dify 和 BISHENG 都提供自托管或私有化部署路径,LangGraph 是编排框架。生产使用还要补身份认证、权限、审计、评估、成本控制和运维。采用前要核对当前版本的许可证、企业版能力边界和部署依赖,不能只看演示效果。

自然语言问数准确率上不去,先改哪一层

先查语义层和问题澄清。指标口径是否唯一,业务词是否有明确定义,表间关系是否清楚,模型是否知道该在什么条件下追问。这些没有解决,换更大的模型通常只能改善表达,不能解决口径错误。然后再看检索质量、查询校验和失败重试。

小团队先做哪一层

先做一个高频分析场景,把语义口径和查询执行边界定清楚,再用现成的工作流或编排框架串起来。应用层可以先从对话和报告做起,治理层先保留权限和审计的最小闭环。等场景跑通,再补知识库、评估集和多 Agent 协作。

参考资料

  • Dify GitHub 仓库 README:https://github.com/langgenius/dify
  • Dify 文档,知识流水线编排:https://docs.dify.ai/zh/cloud/use-dify/knowledge/knowledge-pipeline/knowledge-pipeline-orchestration
  • BISHENG GitHub 仓库 README:https://github.com/dataelement/bisheng
  • LangGraph 官方文档,Overview:https://docs.langchain.com/oss/python/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