DataFocus · 博客
BI Copilot 与本体平台:谁能答对业务问题?
BI Copilot 在单个工具的语义模型内回答得很好。问题一旦跨越 CRM、ERP 和合同,或需要让数据看板与外部 Agent 得到同一口径并附上 SQL,本体层更合适。
当问题只落在一个 BI 工具里、一个准备充分的语义模型内时,BI Copilot 就够用,例如“这份报表里上季度各区域的销售额是多少?”。当问题依赖跨多个系统的定义时,它就不够了:比如 CRM、ERP 和合同里的“客户 A”是不是同一家公司;或者同一个答案要同时送到数据看板、搜索和外部 AI Agent,并附上 SQL 和来源表。后一类问题需要一个共享的定义层,这正是 DataFocus OT 这类本体平台提供的。有价值的比较点是可追溯性和共享定义,而不是哪个对话窗口更好用。
BI Copilot 的回答到底基于什么?
先看厂商自己的说法。Microsoft 的 Power BI Copilot 概述(截至 2026 年 11 月,页面最后更新于 2026 年 8 月 24 日)写道:“当问题与语义模型中的数据相关时,Copilot 使用该语义模型来回答问题;否则,它根据大语言模型(LLM)的通用知识作答。”(Microsoft Learn(英文))同一页面还要求模型所有者先准备好语义模型,因为“不做准备,Copilot 可能误解数据,返回笼统或不准确的结果”。
这是合理的设计,边界也说得很清楚:Copilot 的水平取决于它所依托的那一个语义模型。报表窗格回答的是当前打开的报表;应用范围内的体验则“仅限于应用包含的内容,以及用户在应用内拥有的权限”。Microsoft 还提供由应用作者准备的“已验证答案”,在这个范围内是实实在在的治理手段。
Tableau 的 AI 功能总体上也是以工具自身的数据源作为依据;具体细节请查阅 Tableau 的最新文档,因为这类产品更新很快。
研究文献对难点所在的看法一致。Spider 2.0 基准论文(Lei 等,arXiv,2024 年发表,2025 年修订(英文))报告称,基于 o1-preview 的 Agent 框架只解决了 632 个真实企业 Text-to-SQL 任务中的 21.3%,而在较早的 Spider 1.0 上是 91.2%。另外,在一项厂商自报的研究中,Collate 于 2026 年 4 月写道,加入其语义层后,某个模型在 Spider 2.0-Snow 子集上的执行准确率从 10.8% 提升到 76.5%(Collate,2026(英文))。这只是单一厂商的结果,没有给出题目数量和方差,但方向与其标题的论点一致:Text-to-SQL 的问题主要是上下文问题,而不是模型问题。
所以问题不是“用不用 Copilot”,而是:上下文放在哪里,有多少工具能用上它?
单个工具的语义在哪里会失效?
DataFocus 的产品简介指出企业 AI 通常缺少三样东西(OT 产品简介(英文)):
- 上下文:CRM、ERP 和合同里的“客户 A”是不是同一家公司,“交付”指什么,当前生效的是哪个版本的规则。
- 边界:AI 可以看到什么、可以改什么。
- 在人的把控下行动的能力。
某个 BI 工具里的语义模型,只能对载入其中的表处理第一点。来看一个假设场景:某家分销商的分析师被问到:“按当前合同条款,哪些客户在已交付订单上存在逾期未付?”这个问题需要:
- CRM 中的客户账户记录,
- ERP 中的订单和交付状态,
- 载有付款条款的合同文档,
- 对“交付”含义的统一口径(已发货、已收货,还是已签收)。
如果合同条款存放在 PDF 中,交付的定义存放在财务团队的表格里,那么建立在销售语义模型上的 Copilot 就无处可查。它仍可能给出答案,依据的是模型的通用知识,这正是 Microsoft 文档中写明的兜底行为。这样的答案读起来很流畅,却可能错得让人看不出来。
第二种失败是口径漂移。如果销售团队的报表、财务数据看板和外部 Agent 各自带着自己的“活跃客户”定义,那么每一处表现良好的 Copilot 都会给出三个自信但互不相同的数字。
本体平台怎样回答?
在 DataFocus OT 中,本体保存业务对象和关系,AI 沿着它们走,而不是靠猜。每次查询都会返回实际执行的 SQL、用到的表和数据指纹(OT 产品简介(英文))。分析师的工作从“相信对话”转为“核对回执”。
在 OT Heavy 中,这套机制在界面上是看得见的(OT Heavy 手册(英文)):
- 数据搜索在结果右侧栏显示“Query SQL Statement”面板,给出搜索实际执行的 SQL 及计算耗时。
- 不是标准列名和关键词的输入会交给 FocusGPT,解析成搜索语句;用户会看到一个带有“还原(Revert)”操作的提示。即使是标准语句,FocusGPT 也会在后台解析,并可能替换它。
- **智能问数(FocusGPT)**会选择数据表、执行查询,并回复一行说明输入是如何被解析的。通常需要一两分钟,页面会提示“Content is generated by AI, please carefully identify it”,手册建议在数据搜索中复核重要结论。
- 我的知识库让用户为 FocusGPT 添加业务定义和术语,可逐条或批量添加,每条包含内容、关键词、类型、分类和启用标记。管理员在系统管理 > 知识库中管理全系统范围的知识。
最后一点正是“交付是什么意思”被写下来的地方:只写一次,放在 AI 会读取的位置。
产品简介给出了一个基于内置示例数据的完整示例(演示场景,数据集为中文)。业务用户在数据搜索中,与通过 MCP 连接的 Claude Code,都按申请部门汇总总额,得到一致的数字:运营支持 7,842,000,采购 6,966,000,数字化 5,786,000(元)。Agent 的回答引用了 SQL 和一个名为 evidenceRowsSha256 的回执字段。重点不在这些数字,而在于两个差别很大的客户端得出了相同的数字,其中一个还能出示依据行的哈希。
一个定义如何同时触达搜索、数据看板和 Agent?
产品简介的原则是“定义一次,处处使用”:业务定义设置一次,搜索分析、数据看板、控制面板、本体 Agent 和外部 Agent 都会使用,得到的数字相同(OT 产品简介(英文))。
对业务用户而言,建立在这一层之上的界面包括:搜索式分析(输入列名和关键词,得到图表并查看 SQL,另有预测和归因分析)、通过 FocusGPT 的自然语言提问、本体工作台、控制面板、可定时推送到企业微信、钉钉或飞书的数据看板、数据填报表单,以及 21 种界面语言。
对照:Copilot 与本体层
| 对比项 | BI Copilot(如 Power BI Copilot,截至 2026 年 11 月) | 本体平台(DataFocus OT) |
|---|---|---|
| 答案的依据 | 工具的语义模型;否则是 LLM 通用知识 | 已连接的表和文档中的本体对象与关系 |
| 定义的范围 | 一个语义模型、报表或应用 | 定义一次,供搜索、数据看板、控制面板、本体 Agent 和外部 Agent 复用 |
| 返回的依据 | 取决于具体体验;应用范围内有已验证答案 | 每次查询都有执行的 SQL、用到的表和数据指纹 |
| 给 AI 用的业务词表 | 语义模型中的模型准备和描述 | 知识库条目(Heavy),含类型、分类和启用标记 |
| 外部 Agent | 限于厂商生态内 | 向外部 Agent 提供相同的数字,如简介示例中通过 MCP 接入的 Claude Code |
| 最适合 | 已建立的 Power BI 体系中以报表为中心的问题 | 必须可追溯、口径一致的跨系统问题 |
检查清单:哪些问题该交给谁?
符合下面这些情况时,把问题交给 BI Copilot:
- 所有数据都在 Copilot 已在使用的同一个语义模型里,
- 指标口径由该模型负责并已有文档,
- 答案就在该 BI 工具内使用,
- 答错的代价小,而且容易发现。
符合下面这些情况时,交给本体层:
- 答案要关联 CRM、ERP 以及合同这类文档,
- “交付”或“活跃客户”这样的术语在公司内有不止一种含义,
- 同一个数字必须同时出现在数据看板、搜索结果和 Agent 的回答里,
- 有人在据此行动之前会要求“给我看 SQL 和用到的表”,
- 外部 AI Agent 也需要这些数字,而不只是 BI 工具里的人。
一条简单的判断规则:本体一侧的五项中勾选了两项,就先把定义放进本体,再让 Copilot、数据看板和 Agent 从中读取。
取舍:本体不适合的情况
- 如果你的组织已统一使用 Power BI,问题都停留在准备充分的语义模型内,并且依靠已验证答案,那么 Copilot 是更简单的选择。再加一层只会增加工作,回报不大。
- 本体只有在有人负责定义时才有价值。没人维护的知识库,会像任何其他词表一样逐渐漂移。
- FocusGPT 的回答需要时间(Heavy 手册说是一两分钟),产品本身也提示用户在数据搜索中复核重要结论。把自然语言的回答当作草稿,把 SQL 当作依据。
- 版本很重要:OT Heavy 延续 Hadoop、Hive、Trino 和 Iceberg 的架构,OT Flash 则是更轻量的版本。请根据数据量、并发和模型需求规划资源;系统要求和支持的平台列在各版本的发行说明中。
下一步
阅读 OT 产品简介(英文)了解完整的定义模型,然后在下载页面选择版本。两个版本均可免费使用;安装包和发行说明发布在 GitHub:OT Flash 与 OT Heavy。