Agentic AI 大会实录 ｜ AskTable 从 ChatBI 到 AI Canvas 的进化（附 PPT 原文）

在刚刚结束的 Agentic AI 北京超级智能体系统架构峰会上，AskTable（察言观数）发表了题为《打造沉浸式的 Vibe Analyzing 体验 —— AI 驱动的数据分析新交互》的主题演讲。 以下是本次分享的精华回顾

核心观点总结

传统的 ChatBI 模式（对话即结果）正面临瓶颈。AskTable 认为，AI 时代的数据分析不应只是"提问与回答"，而应是**"思维过程的重构"**。我们通过"AI 引擎"与"AI 画卷"两大核心，将 AI 从简单的查询工具升级为理解业务逻辑的智能体。

---

一、为什么传统的 ChatBI 模式已经失效？

目前的 ChatBI 工具普遍存在以下三大局限：

1. 结果的不可靠性（幻觉问题）

大模型直接生成统计结果时容易产生数值错误或逻辑幻觉，无法满足企业级决策对数据 100% 准确的要求。

2. 过程的黑盒化

用户只能看到最终图表，无法追溯 AI 的计算逻辑、SQL 生成过程及数据来源，缺乏信任感。

3. 复杂场景的无力感

在面对多表关联、动态业务口径和长链路分析时，简单的对话框无法承载复杂的交互需求。

---

二、AskTable 的核心设计哲学

AskTable 的底层逻辑是**"生成指令，而非直接生成内容"**。

1. 准确性：从生成内容到生成指令 (Text-to-SQL)

• •逻辑： AI 的核心任务是生成 SQL 指令，由数据库执行返回真实数据。
• •优势： 这种模式消除了大模型的计算幻觉，确保结果的唯一性与准确性。
• •验证： 支持对生成的 SQL 进行严格测试，确保语义等价。

2. 交互范式：从对话框到"AI 画卷" (Vibe Analyzing)

AskTable 提出了 Vibe Analyzing 的沉浸式分析体验：

• •无限画布： 摆脱单一对话框限制，在"AI 画卷"上展示数据提取、清洗到可视化的全流程。
• •过程透明： 每一个分析步骤、每一行生成的 SQL 和 Python 代码都清晰可见，用户可以随时干预和修正。
• •协作性： 支持将分析路径沉淀为模板，实现从 Creator（分析者）到 Viewer（决策者）的高效传递。

3. 理解力：构建业务语义层 (Semantic Layer)

AI 必须理解"业务语言"而非仅仅是"数据库字段"：

• •知识库管理： 通过管理元数据、指标定义和表关系，为 AI 提供业务上下文。
• •抹平鸿沟： 让用户可以用"去年的复购率是多少"这种自然语言，直接驱动后台复杂的数据库结构。

---

三、AskTable 的产品体系结构

基于上述哲学，AskTable 建立了互补的联合解决方案：

---

四、企业级能力保障

1. 高兼容性

全面覆盖 Excel、MySQL、PostgreSQL、TiDB、Oracle、达梦等主流及国产数据库。

2. 安全可控

提供私有化部署方案，支持 SDI 技术与精细化权限控制，确保原始数据不出内网。

3. 低门槛接入

最快 6 行代码即可完成 AI 问答能力的接入，缩短 95% 的开发周期。

---

五、常见问题 (FAQ) —— 快速理解 AskTable

AskTable 与 Dify/Coze 等平台是什么关系？

AskTable 是结构化数据的"专业驱动插件"，可作为这些平台的下游工具，专门解决"数"的问题。

如何保证 AI 转换 SQL 的准确率？

通过业务语义层的约束和针对 SQL 场景的专项模型微调，确保生成指令的逻辑正确。

支持哪些部署方式？

支持 SaaS 订阅与私有化部署，满足不同行业（如金融、央国企）的合规需求。

获取完整版 PPT

想了解 AskTable 如何落地中国交建、国元证券、金山云等头部企业？
想深入探究“AI 分析画布”的技术架构？

👇 长按识别下方二维码

如果您对 AI 数据洞察 感兴趣，或者希望在您的企业中落地 AskTable，欢迎在后台留言与我们深度交流！

---