工具详细介绍
Smartbi：给中国Excel用户一个“不用学的AI分析师”
某股份制银行的财务部里，一位工作了十五年的资深财务主管第一次用自然语言问数据。她对着对话框输入：“去年四季度对公存款不良率变化趋势，按二级分行拆开看看。”
系统沉默了3秒，然后弹出一张折线图、一张柱状图、一张区域分布热力地图，以及一行字：“不良率在11月出现拐点，主要由华东地区三家分行驱动，需重点关注企业客户的行业集中度问题。”
这位主管没有考过任何BI证书，不懂SQL，甚至不太会用Excel数据透视表。她只是“说了一句话”。
这是2026年1月，Smartbi AIChat白泽在某股份制银行上线后的第47天。
在中国做企业软件，有一个长期被忽视的真相：绝大多数业务人员并不是“不想用数据”，而是“学不会工具”。
PowerBI很好，但需要拖拽；Tableau很美，但需要建模；Python很强大，但需要写代码。而中国2000万财会人员、3000万销售人员、数以亿计的企事业单位业务骨干，他们最熟悉的工具只有一个：Excel，以及“说话”。
Smartbi这家公司，从2011年成立至今，十五年来只做一件事：让中国业务人员用自己的方式用上数据。 从早期的Excel插件式BI，到指标平台，再到今天的Smartbi AIChat白泽，它的技术路线始终有一条清晰的主线——不要求用户改变习惯，而是让技术适配用户。
2026年1月，Smartbi连续入选IDC中国FinTech 50、Gartner增强分析代表厂商，其核心产品Smartbi AIChat白泽获评“2025中国大数据产业年度创新服务产品——十年标杆产品” 。但比这些荣誉更具说服力的，是国家开发银行428万元的采购订单，是国投证券“AI问数模块”的直接采购公示 。
当大多数AI数据分析公司还在用NL2SQL的demo刷榜时，Smartbi已经用一套“以指标为中心的Agent BI平台”，把AI数据分析的信任门槛从“不可用”拉到了“金融级可用”。
一、十五年技术路线：不是“追AI”，是“改造BI”
Smartbi的AI故事，不是2023年大模型爆发后才开始的。
2017年，思迈特将NLP技术融入BI产品，推出名为“智能小麦”的早期对话式分析模块 。那一年，市场上绝大多数人还不知道Transformer是什么。此时Smartbi的逻辑已经确立：让业务人员用最自然的方式——说话或打字——来获取数据，而不是学习复杂的拖拽界面。
2019年，思迈特获得自然语言分析（NLA）发明专利，首次实现自然语言对话与BI引擎的深度融合 。这一年它入选Gartner中国人工智能创业公司代表名单。彼时的行业共识是“AI距离企业级应用还很远”，但Smartbi已经在金融、政府等高敏行业积累了第一批真实客户。
2023年，思迈特率先提出“以指标为中心的ABI平台”理念，将企业经营逻辑通过指标体系固化为可复用的数据资产，并在此之上构建对话式分析大模型版本 。这是一个关键的路径选择——不把AI当成“猜测用户意图的魔术师”，而是让AI站在经过业务验证的“确定性”指标层之上做推理。
2024年，独立AI应用Smartbi AIChat白泽正式发布，完成从功能模块到独立产品的跃迁 。
2025年，V4版本发布，核心升级是“智能体协同” ——从单一对话式分析工具，进化为分析智能体、专家智能体、自定义智能体三大类智能体协同的Agent BI平台 。
2026年1月，春节前的最后一次产品更新，白泽上线“历史会话上下文关联”功能，用户可在历史会话中直接延续提问，系统自动识别上一轮对话中的业务指代 。
这条十五年技术路线最核心的洞察是： 企业AI数据分析的根本问题不是“大模型不够聪明”，而是“底层数据逻辑不够清晰”。与其让一个天才AI在垃圾数据上跳芭蕾，不如先修一条通往干净数据源的高速公路。
二、行业共性困局与Smartbi的解题逻辑
2026年初，爱分析发布的一份AI应用调研报告揭示了一个尴尬的现实：在已经应用AI的组织中，近三分之一的受访者明确表示曾因AI结果不准确而遭受实际损失。 紧随其后的风险是“可解释性”问题——即便AI给出了一个看起来正确的数字，决策者也往往因为无法理解其计算逻辑而不敢采用 。
这是AI数据分析赛道的“信任悬崖”。C端用户可以容忍Siri听错指令、容忍翻译软件出语法错误，但企业决策对数据的要求是“零容错”。错一个小数点，可能导致数千万库存错配；漏掉一个维度，可能错失一个季度的战略窗口。
Smartbi的解题思路，在2023年的《以指标为中心的ABI平台白皮书》中已完整呈现。这套方法论的核心不是“如何让AI更强”，而是“如何让AI不出错” 。
第一层：指标层——确立“度量衡”
当业务人员问“今年业绩怎么样”时，“业绩”是指合同额、开票额、回款额还是净收入？传统NL2SQL模式下，大模型只能靠猜。今天猜合同额，明天猜回款额，输出的数字永远在漂移。
Smartbi的做法是：在AI和数据源之间，强制插入一层“指标管理层”。 企业所有核心经营口径——同环比怎么算、毛利率用哪个公式、不良率包含哪些资产类别——全部在指标层固化为标准定义。AI不直接面对混乱的底层表，而是面对定义清晰、口径统一的“指标” 。
第二层：知识图谱——绘制“关系网”
指标能解决“查得准”的问题，但解决不了“想得深”的问题。当CEO问“为什么华东区销售下滑”，答案不在任何一张单独的报表里，而在客户、产品、渠道、区域、竞品等多维实体的复杂关联中。
Smartbi支持将指标模型一键转化为知识图谱，让AI瞬间理解“人-货-场”之间的业务逻辑。这不是给AI“喂教材”，而是给它装上一张内置导航地图 。
第三层：RAG——补充“上下文”
即使有了清晰的指标和关系网，AI仍然可能因为不理解企业特定语境而出错。Smartbi引入RAG（检索增强生成）技术，将企业内部的业务手册、管理制度、历史分析报告作为背景知识库。当AI初次面对一个新客户时，它的业务理解准确度即可达到约90%，特定场景下可突破99% 。
第四层：“点赞记忆”机制——建立反馈闭环
大模型的输出天然存在“不稳定性”。同一个问题问三遍，可能得到三个不同的正确答案——这在企业决策场景中是不可接受的。
Smartbi的解决方案极其工程化：当用户对AI的回答感到满意并点击“点赞”按钮时，系统会将这个“正确回答-对应指标-查询逻辑”的三元组存入长期记忆。 下次遇到语义相似的问题，系统优先匹配经过人工验证的历史逻辑，而非重新推理 。
这不是算法创新，这是工程智慧。 它承认大模型的不完美，然后用产品机制把“不完美”封装在用户感知之外。
三、产品能力：三大智能体与企业智能分析师
2025年的Smartbi AIChat V4版本，完成了从“单一对话工具”到“智能体平台”的架构跃迁 。这个架构的核心，是三类定位截然不同的智能体。
1. 分析智能体：追求“快准稳”的执行专家
这是白泽最成熟、使用频率最高的智能体类型。它的定位非常明确：承接明确的、可量化的数据查询需求。
用户说：“查一下上周合肥分行的不良率，和上月对比。”
分析智能体在3-5秒内完成：语义理解 → 指标匹配 → 数据查询 → 图表生成 → 对比分析 → 结果呈现。
它的技术内核是NL2Python，而非主流的NL2SQL。Smartbi团队在实践中发现，SQL生成的逻辑正确率受限于表结构的复杂性，而Python代码在处理多维计算、复杂汇总时具有更高的灵活性和准确率 。
2026年1月的版本更新中，分析智能体新增“历史会话上下文关联”能力。 用户在历史会话中直接延续提问，系统能准确理解“这些类别”“那个地区”等模糊指代——这是对话式BI从“可用”迈向“好用”的关键细节 。
2. 专家智能体：破解模糊需求的顶级谋士
现实中，企业高层的提问往往是发散的。“今年经营情况怎么样？”“我们的客户是不是在流失？”“竞争对手最近有什么动作？”
这类问题无法通过“查一张表”来回答。它们需要指标拆解、多维度归因、趋势判断，甚至需要结合外部信息。
专家智能体的设计目标就是应对这类“开放式模糊问题”。它自带专家级思维链——当接到模糊指令时，它会主动拆解问题，规划分析路径，调用多个数据源，执行归因算法，最终输出一份包含结论与行动建议的结构化报告，而不是简单堆砌数据 。
3. 自定义智能体：按需定制的专属智囊团
这是Smartbi在2025年推出的、被大型客户验证为“刚需”的能力。
每个企业的业务流程都是独特的。某银行需要“个人住房贷款战报智能体”，每天自动抓取数据、拆解维度、分析异常、推送企业微信；某制造企业需要“供应链库存预警智能体”，实时监控原材料周转率，触发阈值自动生成补货建议。
Smartbi提供可视化的低代码编排界面，业务专家无需编写代码，通过拖拽即可定义智能体的数据模型、分析逻辑、输出格式和触发动作 。
2026年2月春节前的最后一次功能更新，Smartbi上线了“智能体快捷方式”功能 。这一功能的场景洞察非常精准：
财务部和市场部共用同一个底层智能体，但需求截然不同。财务高频使用“财务会计模型”“资金管理模型”，市场则依赖“客户生命周期价值模型”“渠道引流模型”。以前的做法是开发两个独立智能体，成本高、维护难。
现在，企业可以创建一个核心智能体，然后为不同部门生成“快捷方式”。每个快捷方式独立配置数据模型范围、反问规则、联网开关等参数，但底层逻辑实时同步升级。这是“千人千面”与“统一迭代”这对矛盾的最优解。
四、硬核工程能力：企业级AI的信任底座
Smartbi能够拿下国家开发银行、国投证券等头部金融机构的订单，靠的不是“AI概念”，而是一整套可验证的工程能力。
1. 大模型兼容性：不绑定、不锁死
2026年的Smartbi AIChat已全面拓展主流模型接口支持范围，涵盖DeepSeek、阿里Qwen系列、智谱清言GLM、科大讯飞星火、ChatGPT等 。
企业可根据自身技术架构、成本预算、合规要求灵活选择，甚至可以在不同场景切换不同模型。这种“模型中立”的姿态，在金融、央国企等对供应链安全高度敏感的客户群体中，是重要的决策加分项。
2. 部署灵活性：云上30分钟，本地化完全可控
Smartbi是极少数将“试用体验”做到极致的国产BI厂商。
本地化私有部署方案：对于金融、政务、军工等高敏行业，Smartbi提供完整的本地化部署包。硬件支持NVIDIA RTX 4090推理显卡（4卡/8卡配置），大模型可选通义千问在线版或私有化版，操作系统支持Ubuntu/CentOS，数据库兼容MySQL/ClickHouse，中间件支持Tomcat 5+ 。
国投证券2026年1月的“报表系统smartBI新增AI问数模块”直接采购公示，采用的就是本地化部署方案 。
3. 安全合规：金融级的三重权限管控
Smartbi的安全架构设计思路非常清晰：不依赖大模型自身的对齐能力，而在BI平台层做硬隔离。
操作权限：谁可以用AI问数；
资源权限：可以问哪些数据模型；
数据权限：问出来的数据，哪些行、哪些列能看到。
这套三维权限体系，叠加私有化部署和SQL注入防护机制，使其顺利通过了国有大行、股份制银行、央企集团的信息安全准入审计 。
4. 复杂分析能力：不止于“查数”
传统ChatBI产品的能力边界通常停留在“统计查询”——求和、计数、平均值。Smartbi AIChat的能力栈要厚得多：
- 归因分析：系统自动基于数据，多维度寻找关联最大的原因，并通过数据呈现
- 预测分析：基于机器学习算法，通过对话即可实现数据预测任务
- 数据解释：对查询结果中的最大值、最小值、中位数、异常点进行自动解析
- 嵌套查询：基于上一轮查询结果，递进式追问复杂业务场景
- 时间智能：支持同环比、年累计、复杂时间表达及跨时间筛选
2026年1月的更新中，归因分析的展示形式做了重大优化：以往是“先图表后文字”，理解成本高；新版将图表嵌入分析文本合适位置，实现图文一体化总结展示 。这是一个很小的交互改动，但对于每周要看几十份报告的业务管理者来说，每次少花3秒钟理解，全年就是几个小时的时间释放。
五、市场验证：4000家客户与金融级订单
Smartbi的客户总量已超过4000家，员工规模近500人，服务网点覆盖全国19个城市 。
金融行业是它的核心根据地。
国家开发银行：2026年1月，国家开发银行“一表通暨大数据服务平台建设项目”成交结果公告发布，采购SmartBI产品6个节点软件授权及SmartBI Eagle数据分析产品（扩展包），成交金额428万元人民币。这是国有政策性银行对国产BI+AI能力的又一次关键采购 。
国投证券：2026年1月，国投证券“报表系统smartBI新增AI问数模块”直接采购事前公示，采购内容为“通过AI大模型实现自然语言问数，实现自助数据获取与灵活分析，提升数据获取效率” 。
头部股份制银行：本文开篇案例中的某股份制银行，其财务部、风险部、零售部已批量上线Smartbi AIChat，覆盖用户数千人。
这些订单的含金量不在于金额，而在于采购方式——“直接采购”“单一来源采购”是客户用行动给出的最高评价：没有竞品可替代。
六、选型建议：什么人应该考虑Smartbi？
1. 如果你的业务人员普遍“会用Excel但不会用BI”
这是Smartbi最核心的用户画像。它不是给“数据分析师中的极客”准备的，而是给那些过去十五年一直用Excel、用纸质报表、靠感觉做决策的业务骨干准备的。
Smartbi AIChat的门槛不是“学会拖拽”，而是学会说话。这恰恰是它最大的差异化壁垒。
2. 如果你对AI的“准确性”和“可解释性”有极高要求
金融、政务、央企、大型制造业——这些行业的决策者不会容忍“AI幻觉”。Smartbi用指标层统一口径、用知识图谱建立关系、用RAG补充语境、用“点赞记忆”固化正确逻辑。它不是让AI变得更聪明，而是让AI变得可信任。
3. 如果你希望“一个平台”满足所有部门的数据需求
财务要查账、市场要看转化、销售要盯业绩、人力要分析流失率——传统做法是每个部门各自为政，开发一堆零散报表。
Smartbi的“智能体快捷方式”能力，让企业可以构建一个核心智能体，然后为每个部门分发“专属分身”。统一维护、个性体验，这是大型集团数字化转型的理想路径 。
4. 如果你想“先试再买”，不愿被销售绑架
Smartbi提供业内罕见的云环境自助试用通道。不需要商务谈判、不需要售前介入、不需要签保密协议——官网填表，30分钟开通租户，直接登录体验完整功能 。
这对采购决策者来说，是一种极大的决策风险释放。
七、价格与获取方式
Smartbi AIChat白泽采用阶梯化产品方案：
- 云试用版：免费申请，30天全功能体验，适合POC验证
- 标准SaaS版：按年订阅，官网公开报价（需咨询售前）
- 企业私有化版：本地部署，按节点数授权，国家开发银行同类项目6节点授权+实施服务总包428万元（供预算参考）
- 集团级专属版：多节点集群架构，支持数万用户并发，需定制报价