DataFocus · 博客
从零开始:小团队用 OT Flash 搭 AI 数据底座合理吗?
对没有数据平台的小公司,OT Flash 的单引擎设计和“一个业务问题一个本体”的做法是合理的起点,前提是预留服务器、模型调用和运维的投入。
可以,但有条件。对于没有数据仓库、没有数据管道团队、也没有语义层的中小企业,OT Flash 是合理的第一个底座:DataFocus 把它设计成一个引擎(Doris 同时作为计算引擎和数据仓库)加每个业务问题一个本体,需要维护的部件很少。条件也是实打实的:“免费”自建仍然要为专用服务器、模型调用和负责运行的人付费。如果你的数据放得进一个分析引擎,并且能说出一个有负责人的业务问题,就从这里开始;如果你已经在运行 Hadoop 级别的平台,或者需要重型数据管道,请看别的方案。
小团队真正缺什么?
多数小公司并不缺 AI 工具。他们缺的是工具底下的三样东西:数字所在的同一个地方、对这些数字的统一定义,以及对每个答案负责的人。没有这三样,每个 AI 试点最后都得从电子表格里重建上下文。
外部证据也指向同一个方向。MIT Project NANDA 2025 年 7 月的报告 The GenAI Divide: State of AI in Business 2025(英文)发现,对企业级生成式 AI 工具,60% 的组织做过评估,20% 进入试点,5% 进入生产;作者把停滞主要归因于工具“不会学习,也不能很好地融入工作流”(原文为 "don't learn and don't integrate well into workflows")。作者同时说明,这些数字是“方向上准确”("directionally accurate"),依据的是访谈而非经审计的报告,所以应当把它们看作一种趋势,而不是测量结果。BCG 2025 年 9 月对 1,250 位高管的调研(新闻稿(英文)、报告(英文))显示,60% 的公司属于落后组,几乎没有从 AI 中获得实质价值。
这两项研究都不是专门针对小公司的,也不能证明任何关于 OT Flash 的结论。它们说明的是:差距通常出在集成和口径上,而不是模型质量。小团队负担不起用五个组件的数据栈来填这个差距。
为什么一个引擎能减少部件?
面向分析加 AI 的典型“现代数据栈”,摄取、存储、转换、语义层、BI 和 AI 接口各是一块。每一块都是一份要维护的契约、一套要管理的登录,也是口径可能漂移的地方。
DataFocus 在版本页面(英文)上对 OT Flash 的描述不同:Apache Doris 同时充当内存计算引擎和数据仓库,口号是“一个引擎,快速起步。”,该版本面向希望尽快跑通一个业务域、数据可以放在单一分析引擎里的团队。Flash 的 Agent 手册补充说,Flash 的查询经由 Doris 执行,Trino、Hive 和 Hadoop 不在它的 Agent 入口之内。
对小团队来说,这在实践中意味着:
| 关注点 | Flash 资料中的说法 |
|---|---|
| 数据存放位置 | 导入的业务数据存储在 Doris 内部表中(GitHub README) |
| 数据如何进来 | 本地 CSV、Excel 或 JSON 文件,外部数据库,API 和 HTTP 数据源;定时表导入任务(r57 手册(英文)) |
| 表的轻量加工 | 表关联(Join Worksheet)、表合并(Merge Worksheet)、SQL 视图、数据集和公式;手册将它们描述为表级工具,而不是完整的 ETL 引擎 |
| 定义存放位置 | 业务定义设置一次,即可用于搜索分析、数据看板、控制面板、本体 Agent 和外部 Agent(产品简介(英文)) |
| AI 答案如何有依据 | 每次查询都会返回实际执行的 SQL、用到的表和数据指纹;答案来自真正执行过的 SQL,而不是模型估算的数字 |
| 机器上运行什么 | 监控页面列出 df-webserver、df-search、df-biserver、df-doris-fe、df-doris-be、df-pgsql、df-redis 和 df-nginx 等容器 |
最后一行是个有用的现实检验:“一个引擎”不等于一个进程。你仍然要运维一组服务。但它们一起交付,并在同一个 System Manager 页面里监控,这与自己拼接、分别升级多个独立产品,是不同量级的运维负担。
取舍同样是明确的。DataFocus 把 ETL 和 AutoML 列在 OT Heavy 中;产品简介显示 Flash 不提供这两项。Flash 仍然可以导入和刷新数据,但如果你的方案依赖多阶段数据管道,Flash 并不是围绕这个目标设计的。
为什么一个业务问题对应一个本体?
在 OT Flash 中,本体是围绕一个业务主题建立的知识空间。它汇集相关的表、业务文档、指标和数据看板,并带有一个本体 Agent,只基于该本体的数据和文档作答。
产品简介建议的顺序有意收得很窄:选一个既有数据、有制度文档、又有明确负责人的业务问题(它的例子是订单交付和采购审批),带入相关的表和规则文档,建立第一个本体,让业务用户先用起来,再授权一个 AI Agent,之后才扩展到下一个业务领域。
对小团队来说,这个形态是对的。一个问题意味着:有一个能判断答案对不对的负责人,有一套需要统一的定义,也有一小块范围,可以在任何 Agent 接触之前先把权限围起来。
前 30 天的范围可以怎么定?
下面的计划是一个假设场景,面向大约有一位懂数据的工程师和一位业务负责人的公司。它应用的是 DataFocus 公开的入门指引;各周的划分是我们的建议,不是 DataFocus 的标准流程。
- 第 1 周:定义任务。 按入门指南的要求,写下业务问题、业务负责人、验收标准和允许的范围。示例:“本周哪些未完成订单将错过承诺交付日期?”,负责人为运营负责人。
- 第 1 周:准备服务器和决策事项。 过一遍 DataFocus 的准备清单:使用范围、操作系统和架构、容量、数据授权、模型选择、数据出口和备份责任人。
- 第 2 周:先用合成数据。 指南推荐这样做,并说明不要在交互演示中输入客户信息。这一周用来在没有风险的情况下熟悉本体的各个模块。
- 第 2–3 周:以只读方式连接真实数据源。 r57 手册建议为 OT Flash 使用专用的只读数据库账号,只能访问你要分析的库和表。导入这个问题需要的两三张表,并确定刷新频率,DataFocus 的选型说明要求你提前规划这一点。
- 第 3 周:统一口径。 “承诺日期”“未完成订单”和“延误”在本体中各定义一次,由负责人确认。
- 第 4 周:先让业务用户用,再接 Agent。 让负责人使用搜索、答案和数据看板。只有数字值得信任之后,才在该本体上授权一个 AI Agent。
第 30 天的验收标准很简单:负责人从搜索、数据看板和 Agent 得到同一个数字,并且能看到其背后的 SQL。
免费自建之后还剩哪些成本?
DataFocus 对此说得很直接:OT 自建在你自己的服务器上,“服务器、模型调用和第三方服务由你承担。”请为以下几项预留预算:
- 专用服务器。 系统要求和支持的平台列在 Flash 的发行说明中;资源规划应围绕数据量、并发和模型要求。
- 模型调用。 由管理员配置大模型服务。如果使用外部模型,DataFocus 提示要依据你的数据政策,确认哪些内容会发送给它。
- 授权与配置。 README 说明,新安装需要针对具体实例的产品授权和模型配置。
- 备份。 README 描述了把 Doris 在线快照备份到兼容 S3 的存储,并指出恢复时服务会中断。需要有人负责并测试这件事。
- 人力时间。 升级、连接器检查和用户支持。
两个版本都可以从下载页面(英文)免费下载,安装程序和发行说明发布在 OT Flash 和 OT Heavy 的 GitHub 仓库中。
什么时候该告别 Flash?
当让 Flash 有吸引力的那些约束开始变成束缚,它就不再是合适的选择:
- 数据不再放得进一个分析引擎,或者你已经在运行 Hadoop/Hive/Trino 平台。DataFocus 把 OT Heavy 定位给大数据量、已有大数据平台,以及需要数据管道和建模的场景。
- 你需要内置的 ETL 或 AutoML。 DataFocus 把它们列在 Heavy 中,而不是 Flash。
- 你需要超出 Flash 发行说明所列范围的平台或高可用部署。
一条站得住的判断规则:如果你能说出一个业务问题、一个负责人,以及不到几张的来源表,就从 Flash 开始。如果你的第一个问题就需要一支数据管道团队,那么 Flash 不是合适的第一步。
下一步
阅读下载页面(英文)上的版本对比和 OT 产品简介(英文),然后在安装任何东西之前,先写下你的第一个业务问题和它的负责人。