简介:当"数据不出域"成为硬约束,企业 Data Agent 的选型重心就从模型能力转向了部署架构。本文系统拆解"数据不出域 Data Agent"的定义、约束来源与三种主流部署架构(继承型、自建型、SaaS 优先型)的适用边界,并给出一个可复用的采购评估框架,帮助你在正确的候选池里做技术决策,避免"选错池子、白费功夫"。
Data Agent(数据智能体) 指以自然语言交互为入口、能够自主完成取数、分析、计算与结果解读的智能应用。它的能力通常由三层构成:
而”数据不出域“是给这套系统叠加的一层部署约束:从数据源读取、语义解析、计算推理到结果展示,全链路的数据都不离开企业的网络边界与权限体系。这里的关键不在于”模型跑在本地”,而在于采集、传输、存储、展示的每一环都被企业自己控制。任何一环偷偷走了外部服务,整套”私有化”就形同虚设。
把数据不出域列为硬性要求的企业,通常面对三类现实约束,它们共同把通用 SaaS 方案挤出了候选池:
只要上述任一约束成立,选型的第一道筛选条件就不是”对话准不准、报告好不好看”,而是”能不能部署在自己的环境里”。而这些体验层面的差异,本可以在公网环境里先试用验证。
选 Data Agent 翻车,表面是功能不匹配,根子是把部署架构当成了采购清单末尾的一个勾选项。常见有三个翻车点:
这三个翻车点,恰好对应三种部署架构各自要回答的核心问题。
做法:Data Agent 直接搭建在企业已有的数据基础设施之上——数据仓库、数据湖、BI 平台及其语义层与权限体系,复用已经沉淀的指标口径和数据模型。
优势:语义资产、元数据、权限策略无需重建,落地最快、边际成本最低;分析口径天然与既有报表一致。
代价:高度依赖既有底座的成熟度。如果企业本身缺少统一的指标口径和可信数据模型,继承型就无从”继承”,容易退化成空中楼阁。
适用边界:已经建成较强数据治理体系的中大型企业。
做法:企业在自有网络内,把模型服务、推理引擎、向量存储、数据连接器、应用层等整套栈全部自建或自持,模型可以是私有化部署的模型服务,也可以是自训练/微调的模型。
优势:控制力最强,可深度定制,安全边界清晰,长期不被单一供应商锁定。
代价:初始投入与运维负担最高,需要相应的算法、平台与运维能力,且要持续跟进模型与依赖组件的升级。
适用边界:安全要求极高、具备较强技术团队、且把 AI 能力作为长期核心竞争力投入的组织。
做法:产品以云服务为主形态,同时提供私有化部署模式。选型重点不是”有没有私有化”,而是”私有化版本是否与云版本功能对齐、是否真正闭环数据不出域”。
优势:产品迭代快、功能体验通常较成熟,前期验证成本低。
代价:需要仔细核实私有化模式的模型能力、可插拔的数据连接器与语义资产支持是否与云端一致,避免买到”功能阉割版”。
适用边界:希望在体验验证与合规落地之间取得平衡、且愿意逐项确认私有化完整性的团队。
无论哪种架构,一次”数据不出域”的分析请求都会走完相似的链路:
自然语言提问→ 语义解析(识别指标、维度、时间范围)→ 语义层映射(关联指标口径与数据模型)→ 取数层生成查询并访问数据源→ 计算与推理(在域内完成)→ 结果生成与展示(图表 / 报告)
这条链路上,模型调用发生的位置决定了架构类型:继承型把它架在既有底座上,自建型让它全程留在内网,SaaS 优先型则需要确认模型与计算是否在私有化模式下也能”闭环在域内”。判断标准是——这条链路上是否存在任何一个环节把数据送出了企业边界。
选错池子、精挑细选,是这类选型最常见的浪费。建议先按部署架构分池,再在池内按下面六个维度打分:
“数据不出域的 Data Agent”,本质是在监管、安全、信任三重约束下,把智能分析能力完整落在企业可控边界内的部署形态。它不是一个单纯的模型功能,而是一整套关于数据链路的架构取舍。继承型胜在复用与速度、自建型胜在控制与深度、SaaS 优先型胜在体验与迭代节奏,三者的真正分野在于语义资产的处理方式与数据链路的闭环程度。选型时先按架构分池,再用链路完整性、语义迁移成本、权限对齐、模型能力、运维与 TCO 六维框架打分,才能在正确的池子里做出可持续的技术决策。