数据不出域下Data Agent三类部署架构对比

作者:狼烟四起2026.11.16 10:51浏览量:0

简介:当数据不出域成为硬性要求,Data Agent 的选型重心会从模型能力转向部署架构。本文对比继承式私有化、自建式架构与 SaaS 优先三类方案,从数据边界、权限治理、接入成本、运维复杂度等维度拆解差异,并给出场景化选型与采购评估框架。

agent-">一、对比背景:为什么“数据不出域”会改变 Data Agent 的选型逻辑

在 AI 分析、智能问答、自然语言取数、自动报告生成等场景中,Data Agent 的价值通常来自对业务数据的理解、对指标口径的解释、对分析任务的编排,以及对结果的可追溯展示。很多团队在最初评估时,容易把注意力放在“问答是否自然”“报告是否美观”“模型是否聪明”这些表层体验上。

但当企业把“数据不出域”列为硬性要求时,选型重心会发生变化。Data Agent 不再只是一个 AI 应用,而是一套涉及数据读取、语义解析、权限控制、计算执行、结果展示、日志审计的完整系统。它必须回答一个前置问题:数据从采集、推理到展示,是否全程不离开企业允许的安全边界。

所谓“数据不出域”,并不只是“模型本地运行”这么简单。它至少涉及以下几层:

  1. 数据源不出域:业务库、数据仓库、日志系统、文件系统中的原始数据不被发送到外部环境。
  2. 推理过程不出域:模型调用、向量检索、提示词组装、上下文拼装等环节不能隐性外发。
  3. 中间结果不出域:查询中间表、聚合结果、样本数据、特征向量等也需纳入管控。
  4. 展示与导出不出域:最终报告、图表、明细数据、文件导出行为要可审计、可限制。
  5. 运维与遥测不出域:日志、监控、告警、错误堆栈、调用链路等也可能包含敏感信息,需要评估。

因此,Data Agent 的选型不能只比较模型能力,而要先比较部署架构。架构不同,决定了数据边界、权限模型、接入方式、运维责任、迁移成本和适用场景都会明显不同。

本文将市面上常见的“数据不出域”方案归纳为三类:继承式私有化架构、自建式架构、SaaS 优先/托管式架构。三者并不是简单的“好与坏”,而是对应不同的企业基础、合规强度、工程能力和使用目标。


二、对比对象定义:三类 Data Agent 部署架构分别是什么

1. 继承式私有化架构

继承式私有化架构,是指 Data Agent 不重新搭建一套孤立的数据分析体系,而是继承企业已有的数据平台、指标平台、权限体系、身份系统和数据资产,在原有基础设施之上增加智能分析能力。

它的核心思路是:
AI 分析能力依附于既有数据治理体系,而不是另起一套数据体系。

在这种架构中,Data Agent 通常需要连接企业已有的:

  • 数据仓库或数据湖;
  • 指标管理平台;
  • 元数据系统;
  • 身份认证系统;
  • 权限中心;
  • 数据服务接口;
  • 日志审计系统;
  • 调度与任务编排平台。

其优势在于,如果企业本身已经有较成熟的数据治理基础,那么 Data Agent 可以较快继承口径、权限和安全策略,落地路径相对清晰。

但需要注意的是,继承式私有化并不是“把软件安装到内网”这么简单。真正困难的地方在于:企业原有的数据模型、指标口径、权限规则、字段含义、表间关系是否已经结构化、标准化,并且能够被 Agent 理解。如果这些基础能力不足,继承式部署就会从“安装配置”变成“数据治理专项”。


2. 自建式架构

自建式架构,是指企业围绕 Data Agent 场景,自行建设一整套能力栈,包括数据接入、语义理解、模型服务、推理编排、检索增强、权限控制、审计日志、前端交互、监控告警等组件。

这类方案通常适合对数据主权、系统集成、流程定制、模型替换有较高要求的企业。它不是简单购买一个产品,而是形成一个可持续演进的企业内部 AI 分析平台。

自建式架构通常包括几类关键能力:

  • 模型服务层:支持调用本地模型、私有化模型或企业批准的模型服务;
  • 语义层:管理指标、维度、口径、同义词、业务规则;
  • 数据访问层:通过数据库连接、API、查询引擎、数据服务接口访问数据;
  • 编排层:负责任务拆解、工具调用、查询生成、结果解释;
  • 安全与审计层:记录用户身份、访问对象、查询语句、返回结果、异常行为;
  • 运维层:支持版本升级、资源扩容、故障恢复、模型切换。

自建式架构的最大特点是可控。企业可以按照自身要求设计数据边界、权限模型、审计策略和模型替换机制。但它也对研发、数据治理、安全合规和运维团队提出了更高要求。

如果企业缺乏统一的数据平台,也没有成熟的指标体系和权限体系,自建式架构往往会变成大型软件工程项目,周期和成本都不可忽视。


3. SaaS 优先/托管式架构

SaaS 优先或托管式架构,是指企业优先使用云上或第三方托管的分析 Agent 服务,通过产品能力、平台组件或托管模型快速获得 AI 分析能力。它通常强调快速开通、弹性扩展、持续迭代和较低的前期建设成本。

在“数据不出域”的语境下,这类方案并不是天然不合格,而是需要更精细地判断边界。因为托管式架构可能涉及云服务、模型服务、对象存储、日志服务、消息队列、容器平台、数据库、负载均衡、身份认证等通用云能力。不同方案对数据是否出域的定义并不相同,常见处理方式包括:

  • 数据始终留在企业内网,平台仅提供控制面;
  • 数据通过专线、私有连接或受控网络通道访问;
  • 仅将脱敏后的字段、聚合结果或元数据送入模型;
  • 模型服务部署在企业可控的专有环境内;
  • 日志、审计、存储、推理分别隔离;
  • 通过密钥管理、访问策略、网络策略控制数据流向。

SaaS 优先方案的优势是迭代快、体验成熟、资源弹性较强,适合快速验证和轻量级分析场景。但在强监管场景下,必须重点核查:数据是否在传输、存储、推理、日志、监控、错误追踪等任何环节离开企业允许边界。

如果监管要求“任何敏感数据都不能离开企业网络”,那么部分托管式方案需要额外改造,甚至转为私有化组件部署。


三、相同点分析:三类架构都在解决同一组核心问题

尽管部署方式不同,三类 Data Agent 方案在目标层面高度一致。它们都需要回答以下问题:

  1. 如何让 AI 理解企业数据

    • 表名、字段名、指标名、业务术语之间如何映射;
    • 自然语言问题如何转换为查询或分析任务;
    • 同义词、缩写、组织口径如何统一。
  2. 如何保证分析结果可用

    • 查询结果是否准确;
    • 指标口径是否一致;
    • 是否能解释数据来源;
    • 是否能给出可追溯的计算过程。
  3. 如何控制访问权限

    • 用户能看哪些数据;
    • 是否能看明细;
    • 是否能看敏感字段;
    • 是否能导出结果;
    • 跨组织、跨角色如何隔离。
  4. 如何满足安全审计要求

    • 谁在什么时间问了什么问题;
    • 系统调用了哪些数据源;
    • 生成了哪些 SQL 或查询;
    • 返回了哪些结果;
    • 是否存在异常访问或越权尝试。
  5. 如何持续演进

    • 指标变更后如何更新;
    • 模型升级后如何回归验证;
    • 新增数据源如何接入;
    • 新业务场景如何扩展。

因此,三类方案的差异不在于“是否要做 AI 分析”,而在于由谁来承担数据治理、权限控制、模型运行、系统运维和边界合规责任。


四、核心差异分析:从七个维度拆解三类架构

1. 数据边界差异

架构类型 数据边界特征 关键风险点
继承式私有化 数据主要在企业已有平台内流转,边界相对清晰 原有平台是否存在外发接口或跨系统同步
自建式 数据边界由企业自行设计,理论上最可控 自建链路是否完整覆盖日志、监控、缓存、向量库等
SaaS 优先 依赖平台能力划分数据边界,可能包含托管组件 模型调用、日志、遥测、备份、容灾是否造成隐性出域

继承式私有化的优势在于数据原本就在企业可控环境中,Data Agent 更像是数据平台的上层应用。自建式的优势在于企业可以从架构设计阶段就定义边界。SaaS 优先则需要特别关注“哪些数据到了平台侧,哪些仍在企业侧”。


2. 权限治理差异

Data Agent 的权限并不是简单的登录权限,而需要贯穿数据查询、语义解析、结果生成、导出下载等环节。

  • 继承式私有化:如果企业已有成熟权限系统,可以让 Agent 继承行级权限、列级权限、指标权限、组织权限。落地重点是把权限体系映射到 AI 查询链路。
  • 自建式:企业需要重新设计权限模型,并让 Agent、数据服务、审计系统共享统一身份和策略。灵活度高,但建设成本也高。
  • SaaS 优先:通常需要企业侧身份系统与平台侧账号体系打通,或通过统一身份认证进行授权。权限最终落在哪一层,是评估重点。

在权限治理上,三类方案都需要避免一种常见误区:
用户有页面访问权限,不代表其通过 Agent 可以获得更宽的数据范围。
Agent 的权限必须与用户身份、数据源权限、字段敏感级别和导出策略联动。


3. 接入与改造差异

接入成本不仅包括技术对接,也包括数据语义和业务流程适配。

架构类型 接入方式 改造量判断
继承式私有化 对接已有数据平台、指标平台、权限系统 中到高,取决于原有数据治理成熟度
自建式 需要建设完整组件和接口 高,通常需要平台化投入
SaaS 优先 通过托管服务、API、网络接入完成 低到中,但合规评估可能增加隐性成本

继承式私有化看似接入已有系统,但如果企业没有统一指标平台,仍然需要补充语义层。自建式接入成本高,但换来的是长期自主可控。SaaS 优先接入快,但如果数据不出域要求严格,网络、隔离、审计和改造工作可能会显著上升。


4. 模型能力与更新差异

Data Agent 的效果不仅取决于模型本身,也取决于模型能否结合企业知识、数据权限和业务语义。

  • 继承式私有化:通常需要在企业内网部署模型或调用受控模型服务。模型更新节奏取决于企业运维能力和资源准备。
  • 自建式:企业可以自主选择模型服务方式,并设计模型切换、评测和回滚机制。适合需要频繁调整模型策略的团队。
  • SaaS 优先:模型迭代通常更快,体验成熟度高,但企业必须确认模型服务侧是否会接触敏感数据,以及是否支持企业要求的隔离方式。

如果企业要求“模型也不能接触原始数据”,则不能只看产品是否支持私有化,还要看提示词、上下文、向量、日志、缓存等是否被妥善隔离。


5. 运维复杂度差异

架构类型 运维责任 复杂度来源
继承式私有化 企业平台团队为主 多系统协同、权限同步、指标治理
自建式 企业研发与运维团队 组件多、链路长、故障定位复杂
SaaS 优先 平台方与企业共同承担 网络、账号、审计、数据隔离、服务可用性

自建式的运维复杂度最高,因为它需要管理模型服务、数据服务、编排服务、日志服务等多个组件。继承式私有化的复杂度取决于企业原有平台是否稳定。SaaS 优先的运维压力较小,但企业仍需要关注身份打通、网络策略、数据脱敏、日志留存和供应商服务能力。


6. 成本结构差异

三类方案的成本不能只看采购价格,而要看总成本结构。

  • 继承式私有化:前期投入可能在数据治理、语义梳理、接口改造;长期成本取决于平台维护。
  • 自建式:资源成本、研发成本、运维成本、模型迭代成本都较高,适合长期平台化建设。
  • SaaS 优先:前期建设成本较低,但订阅、资源消耗、网络链路、合规改造和后续扩展也可能形成持续支出。

在采购评估中,建议将成本拆成:

  1. 一次性建设成本;
  2. 数据治理与语义整理成本;
  3. 权限与安全改造成本;
  4. 模型与资源运行成本;
  5. 运维与人力成本;
  6. 后续扩展与升级成本;
  7. 合规审计与风险成本。

7. 适用场景差异

三类架构并非互斥,而是对应不同场景。

场景特征 更优先考虑
金融、政务、医疗等强监管场景,敏感数据不能离开企业边界 继承式私有化、自建式
企业已有成熟数据仓库、指标平台、权限系统 继承式私有化
需要深度定制分析流程、模型策略和权限控制 自建式
快速验证 AI 分析价值,数据敏感度较低 SaaS 优先
多部门共享分析能力,但权限必须严格隔离 继承式或自建式
资源弹性要求高,但可确保敏感数据不出域 经评估后的 SaaS 优先/托管式

五、结构化对比表格

对比维度 继承式私有化架构 自建式架构 SaaS 优先/托管式架构
核心思路 复用已有数据平台与治理资产 企业自建完整 Agent 能力栈 依托托管服务快速获得能力
数据边界 通常在企业既有平台内 由企业自主设计 依赖平台隔离策略与网络方案
权限控制 继承企业身份与数据权限 自建统一权限模型 打通企业身份与平台权限
接入难度 中到高,取决于数据治理基础 高,需要组件建设 低到中,合规改造可能增加成本
定制能力 受限于既有平台能力 高 受平台能力与开放程度影响
运维复杂度 中 高 低到中
模型更新 受企业资源与流程影响 可自主控制 通常迭代较快
成本结构 治理与集成成本为主 建设、资源、人力成本较高 订阅与服务成本为主
适合团队 有数据平台基础的团队 有研发与平台团队的企业 希望快速验证、快速上线的团队
主要风险 原有平台能力不足,语义治理薄弱 项目周期长,组件复杂 数据出域边界不清,隐性外发

六、典型场景选择建议

场景一:强监管行业,敏感数据完全不允许离开企业网络

如果企业处于金融、政务、医疗、能源等强监管行业,且监管要求明确禁止敏感数据离开企业可控网络,那么 SaaS 优先方案需要格外谨慎。此时更合理的路径是:

  1. 优先评估继承式私有化,复用已有数据平台、权限系统和审计机制;
  2. 如果现有平台无法承载 Agent 能力,再考虑自建式架构;
  3. 对托管式方案只评估其中可在企业内网运行的组件,并重点核查是否存在隐性外发。

这种场景下,不能只因为某方案“私有化演示效果不错”就忽略网络、日志、模型、遥测等链路。


场景二:企业已有数据中台或指标平台,希望快速增加自然语言分析能力

如果企业已经具备较成熟的数据仓库、指标平台、元数据管理和权限系统,那么继承式私有化通常是比较自然的路径。它可以减少重复建设,让 Agent 直接继承已有指标口径和权限策略。

此时重点不是重新建设数据平台,而是补齐:

  • 指标语义映射;
  • 自然语言到查询任务的转换;
  • 查询结果解释;
  • 用户权限继承;
  • 审计日志;
  • 异常访问告警。

场景三:企业没有成熟数据平台,但有长期 AI 分析建设目标

如果企业希望把 Data Agent 作为长期能力建设,而不是短期试点,并且自身具备一定研发能力,那么自建式架构可能更合适。

自建式适合以下情况:

  • 需要深度集成内部业务系统;
  • 需要自主控制模型调用;
  • 需要自定义分析流程;
  • 需要统一权限、审计、监控体系;
  • 需要支持多个部门或多种分析场景;
  • 希望逐步构建企业级 AI 分析平台。

但这类方案要提前评估项目周期、资源投入和运维团队配置,避免从一个小型 Agent 项目演变为失控的平台工程。


场景四:企业希望快速验证价值,数据敏感度相对较低

如果企业当前目标是验证 AI 分析是否能提升效率,且数据敏感度不高,或者可以通过脱敏、聚合、样例数据等方式控制风险,那么 SaaS 优先方案通常更合适。

这类方案适合:

  • 售前演示;
  • 业务探索;
  • 非敏感数据分析;
  • 报表问答;
  • 知识库问答;
  • 内部效率工具;
  • 快速形成可复用模板。

但即使在这种情况下,也应尽早明确后续是否可能接入生产数据。如果未来会接入敏感数据,前期就要考虑架构可扩展性,避免后期推倒重来。


七、选型判断框架:不要从功能出发,而要从边界出发

在数据不出域约束下,建议按照以下顺序判断:

第一步:判断监管边界

先明确问题:

  • 哪些数据绝对不能离开企业网络?
  • 是否允许脱敏后数据离开?
  • 是否允许聚合结果离开?
  • 是否允许日志、监控、错误信息离开?
  • 是否允许模型服务访问上下文?
  • 是否允许导出文件到外部环境?

如果答案是“任何敏感数据都不能离开”,那么 SaaS 优先方案必须经过严格数据流向审计。


第二步:判断数据资产成熟度

评估企业是否已有:

  • 统一数据源;
  • 指标口径;
  • 元数据;
  • 权限系统;
  • 数据服务接口;
  • 审计日志;
  • 数据质量管理机制。

如果这些基础较好,继承式私有化更有优势。
如果基础薄弱,选择继承式也要做好治理预期。
如果基础薄弱但目标长期化,可考虑自建式,但要评估资源投入。


第三步:判断团队能力

  • 是否有平台研发团队?
  • 是否有数据治理团队?
  • 是否有安全合规团队?
  • 是否能承担模型运维和版本升级?
  • 是否能建设监控、告警、日志、审计体系?

如果团队运维能力有限,托管化程度更高的方案可能更合适,但前提是数据边界合规。
如果团队能力强,自建式或深度私有化可以带来更大控制权。


第四步:判断使用频率与业务价值

不同架构也适合不同使用频率。

  • 低频内部查询:可优先选择轻量、易维护的方案;
  • 高频业务分析:需要更关注性能、稳定性和运维能力;
  • 关键经营决策:需要更强的权限、审计和可追溯能力;
  • 探索型分析:可先使用托管方案验证价值;
  • 生产级分析:必须提前考虑权限、日志、容灾和升级机制。

第五步:做数据流向审计

无论选择哪类方案,都建议画出一张完整的数据流向图,至少覆盖:

  1. 用户提问进入哪里;
  2. 提示词在哪里组装;
  3. 语义解析在哪里完成;
  4. 模型在哪里推理;
  5. 数据在哪里查询;
  6. 中间结果在哪里存储;
  7. 日志在哪里记录;
  8. 监控告警在哪里生成;
  9. 结果在哪里展示;
  10. 是否支持导出与下载。

如果任何一环无法说明数据是否离开企业边界,就不能简单认为满足“数据不出域”。


八、示意性选型伪代码

可以用一种条件化方式表达选型逻辑:

  1. if regulation == "strict_no_egress":
  2. if data_platform_ready == true:
  3. choose inherited_private
  4. else:
  5. choose self_built
  6. if regulation == "sensitive_data_cannot_leave":
  7. if inherited_data_assets_available == true:
  8. choose inherited_private
  9. else:
  10. evaluate self_built_with_private_components
  11. if regulation == "aggregated_data_may_leave":
  12. if saas_capability_isolated == true:
  13. choose saas_first_with_controls
  14. else:
  15. choose inherited_private_or_self_built
  16. if goal == "rapid_poc" and data_sensitivity == "low":
  17. choose saas_first
  18. if team_ops_capability == "low":
  19. prefer managed_solution_if_compliant
  20. if customization_requirement == "high":
  21. prefer self_built_or_deep_private

这个伪代码的重点不是给出唯一答案,而是强调:
先判断合规边界,再判断能力基础,最后比较产品功能。


九、迁移与使用注意事项

如果从一种架构迁移到另一种架构,不能只考虑软件安装,还要考虑数据、权限、接口、稳定性、兼容性和运维风险。

1. 从 SaaS 试用迁移到私有化部署

常见问题是:试用环境体验很好,但私有化环境功能子集不同、模型版本不同、数据源支持不同。迁移前应确认:

  • 核心功能是否在私有化版本中完整可用;
  • 模型服务是否可替换为本地模型;
  • 是否支持企业身份认证;
  • 是否支持企业权限模型;
  • 是否支持审计日志留存;
  • 是否支持内网数据源;
  • 是否支持指标口径导入;
  • 是否有网络隔离要求;
  • 是否存在隐性云端依赖。

2. 从继承式私有化迁移到自建式

如果企业希望从“依附既有平台”转向“自建平台”,需要重点关注接口兼容性。常见风险包括:

  • 指标口径不一致;
  • 权限模型不兼容;
  • 数据服务接口变化;
  • 查询逻辑迁移后结果不一致;
  • 审计日志格式变化;
  • 历史分析任务无法回溯。

建议采用灰度迁移,先并行运行,再逐步切换。


3. 从自建式迁移到托管式或混合式

如果企业希望降低运维压力,考虑引入托管能力,需要重点关注:

  • 哪些数据仍留在企业内网;
  • 哪些数据会进入托管环境;
  • 托管环境是否支持企业密钥管理;
  • 日志是否可导出到企业侧;
  • 审计是否可对接企业安全平台;
  • 是否支持私有连接或受控网络访问;
  • 是否支持数据脱敏和字段级控制;
  • 是否支持故障降级。

混合架构往往是现实选择,但必须把边界写清楚。


4. 权限迁移是最容易低估的成本

很多团队在迁移时只关注数据源能不能连上,却忽略权限迁移。Data Agent 的权限至少包括:

  • 用户身份;
  • 角色权限;
  • 组织范围;
  • 数据权限;
  • 字段权限;
  • 指标权限;
  • 查询权限;
  • 导出权限;
  • 分享权限;
  • 审计权限。

如果权限迁移不完整,可能出现两类风险:

  1. 用户无法通过 Agent 查看本应有权限的数据;
  2. 用户通过 Agent 越权获取了本应不可见的数据。

因此,权限迁移必须作为独立验收项。


十、采购评估清单:如何避免“功能很强,但边界不清”

在采购或立项评估中,可以围绕以下清单展开:

1. 数据边界清单

  • 是否支持完全内网部署?
  • 是否支持数据不进入模型侧?
  • 是否支持仅使用脱敏数据?
  • 是否支持聚合结果展示?
  • 是否支持数据不出域的网络架构?
  • 是否存在隐性云端依赖?

2. 权限与审计清单

  • 是否支持统一身份认证?
  • 是否支持行级、列级权限?
  • 是否支持指标级权限?
  • 是否支持操作日志?
  • 是否支持查询语句审计?
  • 是否支持导出控制?
  • 是否支持异常访问告警?

3. 语义与数据资产清单

  • 是否支持指标口径管理?
  • 是否支持业务术语映射?
  • 是否支持数据源元数据接入?
  • 是否支持指标版本管理?
  • 是否支持口径变更后的回归测试?

4. 模型与推理清单

  • 模型服务在哪里运行?
  • 提示词是否离开企业边界?
  • 上下文是否包含敏感字段?
  • 是否支持模型切换?
  • 是否支持模型降级?
  • 是否支持推理日志脱敏?

5. 运维与稳定性清单

  • 是否支持监控告警?
  • 是否支持日志留存?
  • 是否支持故障恢复?
  • 是否支持版本升级?
  • 是否支持容量规划?
  • 是否支持灰度发布?

6. 成本清单

  • 建设成本;
  • 资源成本;
  • 人力成本;
  • 数据治理成本;
  • 安全改造成本;
  • 后续升级成本;
  • 合规审计成本。

十一、总结:数据不出域下的选型,不是选模型,而是选边界与责任

当数据不出域成为硬约束时,Data Agent 的选型必须从“体验优先”转向“架构优先”。继承式私有化、自建式架构和 SaaS 优先/托管式架构,分别代表三种不同的责任边界和落地路径。

三者的关键差异可以概括为:

  • 继承式私有化适合已有数据平台基础、希望快速复用治理能力的组织;
  • 自建式架构适合需要长期自主建设、深度定制和强控制能力的企业;
  • SaaS 优先/托管式架构适合快速验证、弹性扩展和轻量级分析,但必须严格评估数据边界。

最终判断不应停留在“哪个产品功能更多”,而应回到几个根本问题:

  1. 数据到底能不能离开企业边界?
  2. 如果只能部分离开,哪些字段、哪些聚合结果、哪些日志可以离开?
  3. 企业是否已经具备指标、权限、审计和运维基础?
  4. 团队是否有能力承担长期运维和治理责任?
  5. 当前目标是短期验证,还是长期生产?
  6. 未来是否会接入更敏感的数据和更复杂的业务场景?

在数据不出域约束下,最稳妥的选型方法不是直接比较产品演示,而是先画出数据流向图,再判断架构是否满足边界,最后才比较功能、成本和体验。这样才能避免在错误的候选池里做精细选择,也才能让 Data Agent 真正落地为安全、可控、可持续的企业 AI 分析能力。