水涨船高，还是被潮水淹没

事情是这样的。

2024 年初，百模大战。那段时间特别热闹，开源模型一个接一个地冒出来，今天这个 70B 参数发布了，明天那个 100B 参数开源了。很多人摩拳擦掌，非常兴奋地在跑各种模型的本地化部署，甚至已经开始用自己的数据做微调。

坦率的讲，当时大家的状态更像是在玩一个很酷的新玩具。看到一个新东西出来了，先跑起来再说。折腾一下自己的数据，调调参数，看看效果，挺有意思的。

但玩完之后，一个很现实的问题就摆在了面前。

这东西，到底怎么跟我的业务场景结合起来？

说真的，这个问题当时也困扰了我挺长时间。看着市面上热火朝天的百模大战，我也在问自己，我们做产品的，能不能在这场热闹里找到一个真正能落地的方向？

那个时候，AskTable，我们内部叫它 RMB，可信赖的元数据大脑，刚刚从一个技术原型起步。团队的判断很简单，大模型在编程领域进步最快，因为它形成了一个自己开发、自己使用、自己测试的完整闭环。那数据分析呢，能不能也让业务人员用自然语言直接和数据对话？

这个问题引领了我们接下来两年的全部工作。

坦率的讲，我当时也不知道这个方向对不对。我自己也还在摸索。但好奇心推着我在走。

然后我亲历了一个特别有意思的周期。从技术狂欢，到焦虑蔓延，再到理性回归。不到两年时间，像坐了过山车。

这篇文章，想把我们这两年在一线做产品踩过的坑、看到的信号、想明白的事情，毫无保留地聊一下。我也不知道对大家有没有用，但我觉得这个选题值得写。

核心就想回答一个问题。当大模型的能力每年都在以恐怖的速度进化，做应用层产品的我们，到底是水涨船高，还是会被潮水淹没？

2024 百模大战：从技术狂欢到落地焦虑

技术讨论的焦点是参数量、训练成本、benchmark 排名。这些指标令人兴奋，真的。但一个企业的财务总监听到「70B 参数对比 100B 参数」，她是没有任何体感的。一个销售经理听到「context window 从 128K 扩展到 256K」，也不意味着他明天就能更好地做决策。

这个阶段的 AI，是一个少数人的春天。

但在这个春天里，我们看到了一个信号。大模型在编程能力上的进步远超预期。它能理解代码逻辑、能生成结构化查询、能处理复杂的语义推理。如果我们能把这种能力引导到数据分析领域，让业务人员用自然语言提问，AI 理解意图、生成查询、返回结果，那会是一个全新的范式。

所以我们就干了。

我们的起点很朴素，尝试用大模型做 Text-to-SQL。

第一层困难很快就浮现了。SQL 生成只是冰山一角，真正难的问题藏在海面之下。

同样的「销售额」这三个字，不同企业的口径完全不同。含税还是不含税，含退货还是不含退货，含折扣还是不含折扣。表名 ord_dtl 对数据库来说只是一个标识符，但对 AI 来说需要理解成「订单详情」。业务人员说「最近表现不好的产品」，AI 需要知道表现不好具体指什么指标。还有权限控制，不同部门的人问同一个问题，应该得到不同的答案。

这些不是模型能力的问题。是业务理解的问题。

模型可以写出语法完美的 SQL，但如果它不理解业务语义，写出来的 SQL 就是错的。

这个阶段的 AskTable 产品形态简单、粗糙。但它验证了一个关键假设。AI 确实能降低数据查询的门槛，但前提是，有人替 AI 理解业务。

说真的，这个结论挺反直觉的。大家都觉得模型越来越聪明，很快就能什么都懂。但现实是，模型越聪明，越需要有人在它和企业之间搭一座桥。

2024 年的市场生态也很有意思。自媒体生态已经相当成熟了，融资喜报铺天盖地，AI 将改变一切的叙事满天飞。但沉默的大多数企业还在观望。在评估，在等别人先踩坑。

只有少数群体开始真正行动。以江浙、长三角和珠三角为代表的年轻创业者们。他们规模不大，但反应敏捷，已经开始试探性地把 AI 引入自己的业务流程。

这种务实的态度，和市场上的喧嚣，形成了鲜明对比。

2025 MCP 与 Agent：连接之后做什么

到了 2025 年，发生了一个关键变化。

AI 开始大规模进入开发者的日常工作。

Cursor、Claude Code 这些工具让 AI 编程从概念变成了日常。越来越多的开发者发现，AI 不仅能补全代码，还能理解需求、设计架构、审查代码。

随之而来的是一个更广泛的讨论。AI 会不会替代程序员？

这个讨论从 IT 圈子蔓延到了所有从业者。每个人都开始意识到，自己正在做的事情，写代码、做表格、写报告、做设计，AI 都能做，而且做得更好、更快。

做产品的人自然会想到一个问题。如果 AI 能写代码，那 AI 能不能直接做数据分析？

答案是肯定的。但这引出了下一个问题。

当 AI 什么都能做的时候，你的产品凭什么让别人选你？

这个问题困扰了我挺长时间。

然后 MCP 协议出来了。MCP，Model Context Protocol，2025 年的事。

表面上看，它只是一个协议，定义了 AI 模型如何与外部工具和数据源交互。但它的意义远不止于此。MCP 解决了 AI 孤岛问题，让 AI 助手能直接访问企业数据。

这正是 AskTable 一直在做的事情。我们比 MCP 协议早几个月就开始思考同一个问题，如何让 AI 安全、可控、有权限地访问企业数据。MCP 给了我们一个标准化的答案。

但更重要的是我们意识到的一个判断。当连接变得标准化，连接本身就不再是壁垒。

真正的壁垒在于，连接之后做什么。

从 AI 孤岛，到 MCP 连接，再到能力编排。这是技术架构演进的三个阶段，也是 AskTable 在这三年里走过的技术路径。

2025 年下半年，Agent 的技能从一个模糊概念变成了可定义、可组合、可编排的模块。

这不是一个简单的命名变化。它的本质是，AI 的能力从通用对话走向了结构化能力。

AskTable 的 Skill 系统在这一时期成型。异常检测、归因分析、预测趋势、周报生成。这些不是随手列出的功能清单，而是我们从大量企业落地实践中抽象出来的、经过验证的分析能力封装。

每一个 Skill 背后，是大量对业务场景的理解、对数据口径的对齐、对输出格式的打磨。它们之所以有价值，不是因为 AI 能做这些，而是因为我们知道企业需要什么，并且把这种需要封装成了 AI 可以执行的 Skill。

更多关于 AskTable 的 AI Agent 架构设计，可以参考 AskTable AI Agent 工作原理。

说回到 2025 年的自媒体生态。这一年 AI 领域形成了一个特别清晰的三层结构。

第一层是技术布道者。真正理解技术，推动行业认知前进，有价值。第二层是焦虑贩卖者。你再不用 AI 就被淘汰了，制造恐慌获取流量。第三层是课程和工具贩卖者。以 AI 之名卖课、卖工具、卖社群，利润驱动。

这三层结构叠加在一起，形成了一个巨大的噪声场。

真正务实的企业决策者在这个噪声场中反而感到更加困惑。不是信息不够，而是噪声太多。

我们做产品的人，选择很明确。不造神，不贩卖焦虑，不承诺一招见效。

我一直觉得，AI 对企业的价值是真实的。但它不是一键生效的魔法，而是需要理解、规划和持续投入的系统工程。

2026 范式转换：水涨船高，还是被潮水淹没

到了 2026 年，市场出现了一个让我很兴奋的变化。

大家开始意识到，AI 对生产力的影响不是 10 倍、100 倍的渐进改善，而是 1000 倍、10000 倍的范式转换。

这个判断的依据来自一线。企业内部 AI 项目从试点变成了标配。不再需要说服老板为什么要用 AI，而是讨论怎么用得更好。江浙、长三角、珠三角的企业家从了解 AI 变成了用 AI 改造业务流程。从观望变成了行动。

有活力的年轻创业者们开始系统性地思考，我的公司怎样适应 AI 时代？

想想就觉得兴奋。

但这种量级跃迁也带来了一个新的问题。当底层 AI 能力每年以 1000 倍的速度进化时，建立在这些能力之上的应用层产品，如何保证自己的价值不被模型本身的进步所稀释？

这就是我们思考最多的问题。

用一个比喻来理解。

大模型的能力就是水，每年都在涨。应用层产品是浮在水面上的船。如果一艘船的价值仅仅建立在调用了一个好模型上，那水涨的时候你确实会升高。但水退了，或者别人用了更好的模型的时候，你就会被淹没。

真正让船浮起来的，不是水。是船本身的构造。

这个比喻引出了 AskTable 最核心的战略思考。我们做了哪些事情，是不被大模型进步所淹没的？我们建造了怎样的船体，使得无论水位如何变化，我们都能稳定航行？

AskTable 的四层护城河

顺着这个思路，我们梳理了 AskTable 的四层护城河。

第一个答案，领域专业知识。

SQL 生成只是一个技术动作。真正难的是理解。复购率在电商、SaaS、零售行业的定义完全不同。毛利率在不同企业有不同口径。活跃用户在 ToB 和 ToC 业务中的衡量标准天差地别。同一个指标，同一个行业，同一家企业，不同时期的计算方式也可能变化。

这些知识不是模型预训练能覆盖的。它来自大量企业落地实践的积累，来自与不同行业客户的深度对话，来自对业务场景的反复打磨。

AskTable 在这方面的积累，服务超过 260 家企业客户，覆盖 9 个行业智能体，构建完整的业务语义层。这些积累不会因为下一个模型发布而过时。它们是时间的产物。

第二个答案，数据基础设施。

模型不懂你的数据库结构、权限体系、数据质量状况。它也不知道哪个部门的人应该看到哪些数据，哪些字段需要脱敏处理，哪些 SQL 执行可能影响生产环境，当数据源变更时如何保证查询连续性。

AskTable 在这方面的投入，20 多个数据库适配、行级和列级权限控制、数据脱敏、SQL 安全守卫。

说实话，这些都是脏活累活。但正是这些不性感的细节，构成了难以被模型复制的壁垒。

更多内容可以参考 AskTable 数据源接入指南 和 AskTable 数据安全最佳实践。

第三个答案，产品思维。

这是 AskTable 最让我骄傲的一层。

我们的演进路径是从 ChatBI 到 Canvas。这个转变不是因为技术上做不到 ChatBI，而是因为我们发现，对话并不是数据分析的正确交互方式。

ChatBI 的问题在于，它假设数据分析是一个线性的问答过程。但真实的数据分析是非线性的。你需要同时看多个指标、做对比、做关联、做验证。Canvas 架构就是为了解决这个问题。它允许用户在一个可编辑的空间里同时操作多个分析组件，像搭积木一样构建分析逻辑。

我自己在这个问题上也踩过坑。早期我们以为对话就是未来，做着做着发现，用户真正需要的不是一个聊天窗口，而是一个可以反复推敲、可以搭建、可以分享的分析空间。

更多关于这个演进的思考，可以参考 从 Chat 到 Canvas。

最后一个答案，用户理解。

最终使用 AskTable 的，不止是技术人员，还有业务人员、管理者、决策者。

他们的需求不是更聪明的 AI，而是更可靠的回答。他们不需要 AI 展示它能写多复杂的 SQL，他们需要的是，当我问一个问题时，给我的是一个我可以拿来用的答案。口径正确、权限合规、格式清晰。

这也是为什么我们强调，让每一个答案都值得信任。这个信任不是来自模型的自信，而是来自我们对数据口径的严格把控、对权限体系的精密设计、对输出格式的反复打磨。

四条通用法则：给 AI 应用层产品的长期建议

顺着上面的再聊聊。

以上四层护城河是 AskTable 的个性化答案。但我们觉得，从这两年的实践中可以提炼出一些对任何 AI 应用层产品都有参考价值的通用法则。

第一条，拥抱水涨，但建造船体。

积极接入最新模型。Qwen 3.6-Plus、Claude、GPT-5，享受每一轮模型迭代带来的能力红利。AskTable 的模型即插即用架构就是为了实现这一点。底层模型升级，不影响上层能力。

但与此同时，持续积累模型无法复制的东西。行业知识、数据连接、产品体验、用户信任。这些东西不会因为换了一个模型而过时。它们是时间的产物，是复利的来源。

关于 AskTable 如何接入最新模型，可以参考 AskTable 率先支持千问 Qwen 3.6-Plus。

第二条，做脏活，不做 PPT。

行业里有很多漂亮的 AI 概念，但落地的关键是处理那些不性感的细节。数据清洗和口径对齐。权限映射和安全校验。SQL 校验和错误恢复。性能优化和稳定性保障。

这些事做不了营销素材。但决定了产品能不能用、好不好用、用户信不信任。AskTable 投入大量精力建设手写 SQL 解析器、评测集体系、TDD 原则。这些投入在 PPT 上看不出亮点，但在生产环境里全是壁垒。

说真的，我自己有时候也会想，花这么多精力在这些别人看不到的地方，值不值？但每次看到客户在生产环境里稳定跑着 AskTable，那种感觉，太踏实了。

第三条，从替代人到增强人。

2024 到 2025 年的主流叙事是，AI 将替代某某岗位。这种叙事制造了大量焦虑，但也制造了大量误解。

2026 年的现实更加清晰。AI 不是替代数据分析师，而是让每个业务人员都能成为数据分析师。不是替代管理者做决策，而是让管理者在做决策时有更充分的数据支撑。不是替代创业者思考，而是让创业者把时间花在真正需要人类判断力的地方。

关于这个主题，我们之前的文章 AI 不会取代数据分析师 有更深入的讨论。

第四条，长期主义是唯一策略。

AI 市场的噪声会持续存在。焦虑营销不会停止，因为焦虑是一门好生意。造神叙事会不断出现，因为故事比事实更吸引眼球。

但真正能活下来的产品和企业，不是最能喊口号的，而是最能持续交付价值的。

AskTable 从 2024 年到 2026 年，产品迭代了多个版本，服务了超过 260 家客户。但核心方向从未改变。让业务人员用自然语言获取可信的数据洞察。

这种不变，在噪声中保持方向感的能力，恰恰是长期竞争中最大的差异化优势。

写在最后

回到开篇的那个问题。水涨船高，还是被潮水淹没？

答案取决于一个选择。你是做模型的外壳，还是做价值的载体？

模型的外壳会随着模型升级而过时。今天你用 GPT-4 做了个壳，明天 GPT-5 出来了，你的壳就旧了。价值的载体会随着时间积累而增值。领域知识、数据基础设施、产品思维、用户理解，这些东西不会因为下一个模型发布而贬值，反而会因时间的沉淀而更加厚重。

做 AskTable 的过程中，我们的选择很清楚。做价值的载体，不做模型的外壳。把大量精力投入到模型够不到的地方。业务理解、数据治理、产品设计、用户信任。拥抱每一轮模型升级，但从不把产品的命脉押在任何一个模型上。

潮水会继续涨。但好船不需要怕水。

如果你对 AskTable 如何帮助企业用 AI 做数据分析感兴趣，欢迎 访问官网 了解更多信息，或 预约企业咨询 与我们的团队交流。