在数据驱动的时代，数据分析已成为各行各业决策的关键。然而，各行各业客户在数据分析过程中仍面临诸多挑战。目前市面上的ChatBI通常使用的是NL2SQL的技术路径，即通过大语言模型直接生成SQL，这种解决方案容易出现数据查询准确率低，通常准确率在60%-70%，如果跨表查询或者多表关联查询准确率会更低。数势科技SwiftAgent在大模型和AI Agent加持下，通过建立业务指标、人货场标签等易于理解的语义层，将自然语言解析到指标和标签语义（Natural Language to Metrics&Label），即可实现相比ChatBI更准确的数据洞察，解决大模型对底层业务语义难理解的问题。
统一语义层构建 VS 数据分析不准确
数势科技SwiftAgent 构建了统一的指标与标签语义层，即通过自然语言到指标+标签语义（Natural Language to Metrics&Label）即可实现数据洞察，解决大模型对底层业务语义难理解的问题，同时建立各行业标准、指标、人货场标签等易于理解的语义层。ChatBI通常使用的是NL2SQL的技术路径，即通过大语言模型直接生成SQL缺少了指标和标签层，准确度相差甚远。
多源异构数据链接 VS 数据结构与维度单一化
数势科技SwiftAgent不仅可以将指标、标签一体化，基于人群的多维交叉分析，还实现了多源异构的数据接入，导入文本、Excel、图片、音视频等非结构化知识，基于新闻、政策解读、行业报告等多维度了解数据背后的“因果"，如：“导致黄金ETF产品持仓量持续升高的因素或为美国劳工市场有降温迹象，减息预期加强，推动金价上涨等”。SwiftAgent 多源异构数据的链接AI更“懂”数据，提供用户全面分析思路，大幅加强决策准确性。
用户可干预 VS 人机融合的问题
在以往在人机交互沟通中，如用户无法判定明确需求，进行模糊化搜索，往往会出现所答非所问的现象，数势科技SwiftAgent 可通过更自然的方式引导用户，并且将AI思考过程白盒化，用户可以清晰的看到它的“大脑”。用户可以通过“点赞”和“踩”的反馈进行强化学习，不断纠正错误、调整查询，从而更懂用户所想所需，也让分析更准确。如当用户提出“我想看一下最近的销售情况。”这种模糊的数据查询，SwiftAgent会给出“最近 7 天销售额”、“本月北京地区销售额”等选项供用户选择，用户还可以根据提示重新提问，最终得到他真正想要看的分析内容。ChatBI则无法在互动环节有任何用户可干预的能力与场景，无法更懂用户使用需求。
持续反思学习 VS 学习迭代停滞
SwiftAgent可将所有使用用户过往的问答分析沉淀到知识库，在之后其他用户相似的问询场景中，直接提供结论并提供思考过程。这种不断反思学习的能力，也发挥了大模型最 大的特点。随着时间的推移不断进步，SwiftAgent持续反思学习让AI更聪明，全面贴近业务需求。ChatBI虽然接入了大模型但无Agent的能力，无法只需反思学习及白盒化了解其思考过程。
数据计算加速引擎 VS 计算查询效率低及性能弱
SwiftAgent采用了数势科技创举的数据计算加速引擎，可以实现秒级数据查询，真正实现实时的人机交互。底层选用了StarRocks、Doris等数据分析引擎作为执行引擎，在大宽表查询、跨模型关联查询和物化视图等方面性能更好；结合对数据加工和使用场景进行了一系列优化，提供基于视图的预计算能力和基于预计算结果的查询优化能力；数据虚拟化技术，将数据定义和物理数据（业务）解耦，实现指标/标签灵活加工使用，无需排期开发。
以往一线业务人员想要了解数据情况，不得不经历繁琐的层级审批和流程，这不仅消耗了大量的时间成本，还使得数据获取变得复杂而低效。此外，传统的数据分析往往是手动的，需要用户根据数据去发现问题、提出假设并进行验证。通过引入AI Agent，企业人员可以直达数据，极大地降低了数据使用的门槛，实现了数据的民主化。这种普惠化的数据使用方式，打破了传统的数据壁垒，为企业的数字化转型注入了新的活力，无疑将为企业带来更有效的运营和更优质的服务。