OraAI
English 登录 预约产品演示

让 AI 真正理解企业数据,驱动智能决策。

OraAI 是企业级 AI-Native 数据智能与决策平台。

通过自主分析 Agent、企业语义认知、跨数据库分析和 SQL 确定性验证,让 AI 从简单的数据查询升级为理解业务、探索问题和辅助决策的企业数据智能系统。

  • AI 自主分析
  • 企业语义认知
  • 跨库跨表分析
  • SQL 执行验证
  • 企业知识集成
  • Agent 生态连接

流程示意,非真实数据

为什么上个月销售额下降?
假设 1订单数量下降,执行 SQL 验证
假设 2客单价下降,执行 SQL 验证
假设 3某个渠道或地区的贡献下降,执行 SQL 验证
结论附数据依据、关键发现和决策建议

WHY · 为什么需要 OraAI

从回答数据问题,到自主探索业务问题。

传统 BI 解决的是已知问题。通过预先定义的指标、数据模型和报表,帮助企业了解已经发生了什么。

但是,当业务出现新的变化,或者管理者提出没有预先定义的问题时,往往需要重新建模、编写 SQL 或寻找分析师。

OraAI 带来不同的分析方式:AI 根据用户提出的问题,自动探索数据、识别业务关系、规划分析路径,并通过实际 SQL 执行验证分析假设。

传统 BI / ChatBI

  • 依赖预定义指标。
  • 依赖人工建模。
  • 分析路径通常提前设计。
  • 未知问题需要重新开发。
  • 复杂分析依赖分析师。

OraAI

  • 根据问题动态规划分析。
  • 探索数据结构与样本。
  • 识别业务语义和数据关系。
  • 动态生成 SQL 并执行。
  • 根据真实结果迭代推理。

WHAT · OraAI 提供什么

企业级 AI 数据智能产品体系。

OraAI 构建企业数据智能核心,通过自主分析、语义认知、企业知识和开放 Agent 接口,让数据能够被 AI 理解、分析、验证和使用。

体系全景:一条完整的能力链

把四个部分放在一起看,OraAI 的产品体系呈现出一条清晰的能力链:

层次产品核心职责
知识底座企业知识库把业务规则与经验工程化为可治理的知识资产
数据智能核心OraAI(Analyst + Semantic Intelligence)在语义上下文中自主分析、验证结果
开放接口OraAI MCP把数据智能封装为受控、可授权调用的能力契约
工作与协作OraWork承载企业 AI 工作流与多 Agent 协作

这条链条回答的正是 Agent 时代企业数据智能的根本问题:

  1. 01知识从哪来知识库
  2. 02AI 如何理解业务Semantic Intelligence
  3. 03AI 如何把分析做对Analyst
  4. 04能力如何安全外溢MCP
  5. 05Agent 在哪里协作干活OraWork

CLOSED LOOP

企业数据语义与动态本体构建

企业语义智能的本质,是让数据从“被存储的符号”变为“可推理、可演进的知识”。其关键不在于一次性构建完美本体,而在于建立本体与业务实践之间的双向闭环——知识向外生产(赋能业务),业务经验经修订验证后回写本体(反哺知识)。这使本体成为“活体”,而非静态文档。

方向 A · 生产方向

OraAI → Agent → Obsidian → CouchDB

  1. OraAI 生成资产
  2. OraAI MCP 提供给外部 Agent
  3. WorkBuddy / Codex 导入 Obsidian
  4. RAW → WIKI → DEPLOY 逐级整理
  5. Lint + Validation 检查
  6. 审批
  7. 部署,并同步到 CouchDB

方向 B · 回写方向

CouchDB → OraWork → MCP → OraAI

  1. CouchDB 以只读方式提供 Deploy 中已批准的资产
  2. OraWork 读取、组织并提交变更
  3. OraAI MCP 接收候选、查询版本并执行验证
  4. Registry 依次处理:候选 → 验证 → 审批 → 更新

值得强调的是,这套体系的设计哲学与“生成廉价、交付稀缺”的判断一脉相承。OraAI 没有把重心放在“生成更多 SQL”上,而是把资源投向语义理解、结果验证、权限治理和知识工程——这些正是 Agent 时代真正稀缺、也真正决定 AI 能否进入企业生产环境的能力。

OraWork 提供工作环境,OraAI 提供数据智能,知识库提供上下文,MCP 提供开放边界,四者通过统一 Capability Layer 咬合,构成一个既有生产力、又有治理边界的完整体系。

ORAAI ANALYST AGENT

假设驱动的自主数据分析智能体。

OraAI AnalystAgent 是一个基于企业数据语义、采用假设驱动和动态规划机制的自主数据分析智能体。它能够理解业务问题,自动发现和组织相关数据,制定分析计划,提出待验证假设,通过 Harness 编排工具调用,并利用 Runtime 对真实数据库执行 SQL 和统计计算。系统根据执行结果不断验证、修正和调整分析路径,最终形成具有数据证据、可追溯、可验证的业务分析结论。

从业务问题到最终结论

  1. 01用户业务问题
  2. 02理解企业数据语义
  3. 03制定分析计划
  4. 04提出待验证假设
  5. 05生成查询任务
  6. 06SQL 执行
  7. 07真实数据验证
  8. 08更新假设状态
  9. 09调整下一轮分析计划
  10. 10继续调查
  11. 11形成最终结论

Agent 执行流程

runAnalystWorkflow
runAnalystAgentStep
AnalystAgent
  • Context Retrieval
  • Reasoning
  • Planning / Analysis
  • Tool Calling
  • Result Evaluation
  • Final Synthesis
Tool Execution
  • Semantic Retrieval
  • SQL Validation
  • Database Query
  • Python Analysis
  • Other Tools
Return Tool Results
LLM Continues Reasoning
Complete / Continue / Replan

CORE TECHNOLOGY

为企业数据智能而构建的核心技术。

核心壁垒 01

Enterprise Semantic Intelligence

企业数据自动认知与动态本体构建。

不依赖人工预先定义全部指标、维度和分析路径,而是通过元数据、样本数据、业务知识和执行验证形成企业数据语义。

了解企业语义智能 →

核心壁垒 02

Autonomous Hypothesis-driven Analysis

假设驱动的自主分析引擎。

不只是将自然语言转换成 SQL,而是能够自主制定分析计划、提出假设、根据真实结果调整调查方向。

了解自主分析引擎 →

核心壁垒 03

Deterministic Data Execution & Verification

确定性数据执行与验证。

通过跨源数据执行、SQL 校验、数据质量检查和证据追踪,减少 LLM 在企业数据分析中的幻觉。

了解确定性执行与验证 →

核心壁垒 04

Governed Agentic Data Infrastructure

企业级受治理的 Agent 数据基础设施。

将权限、语义、数据集、知识库和分析能力统一管理,并通过 MCP 开放给不同 Agent。

了解 Agent 数据基础设施 →

四大核心壁垒之间的关系

目前四项核心壁垒已经能够形成一个完整的技术体系:

  1. Core 01Enterprise Semantic Intelligence企业数据自动认知与动态本体构建。解决 Agent 如何理解企业数据和业务。
  2. Core 02Autonomous Hypothesis-driven Analysis假设驱动的自主分析引擎。解决 Agent 如何自主调查和发现业务原因。
  3. Core 03Deterministic Data Execution & Verification确定性数据执行与验证。解决分析如何真实执行、验证和追溯。
  4. Core 04Governed Agentic Data Infrastructure企业级受治理的 Agent 数据基础设施。解决企业能力如何统一管理、安全开放和跨 Agent 复用。

OraAI · Agentic Data Intelligence Platform

可信的企业数据智能基础设施

理解企业 · 自主分析 · 确定性执行 · 统一治理 · 开放生态

WHERE · 能解决哪些行业问题

让 AI 理解每一个行业的业务逻辑。

电商与跨境电商

分析销售、广告、库存、利润和客户表现。

帮助运营团队理解销售变化、广告效率、库存风险和产品盈利能力。

查看方案 →

制造业

分析订单、生产、采购、库存和供应链数据。

帮助管理人员发现生产瓶颈、交付异常和经营风险。

查看方案 →

零售业

分析门店、商品、销售和客户数据。

帮助经营团队识别商品结构变化、区域表现和客户行为。

查看方案 →

企业财务

分析收入、成本、毛利、费用和现金流。

帮助企业识别经营异常和财务变化原因。

查看方案 →

LEARN · 专业知识与洞察

解决实际问题的技术文章与行业洞察。

每篇文章围绕一个明确的问题,给出直接回答、技术原理、示例、适用场景和限制条件。

对比分析

Codex 通过 Skills 做数据分析,与 OraAI 最大的区别

阅读文章 →

产品体系与架构

从能力链条到双向闭环:OraAI 如何构建企业数据智能的“活系统”

阅读文章 →

行业洞察

从 Modern Data Stack 到 Agentic Data Stack:数据工程的下一次分层重构

阅读文章 →

品牌与品类认知

什么是 AI-Native 数据分析?它与传统 BI 和 ChatBI 有什么区别?

阅读文章 →

核心技术认知

AI 如何自主生成 SQL 并验证数据分析结果?

阅读文章 →

核心技术认知

企业数据语义层是什么?为什么大模型需要理解业务语义?

阅读文章 →

企业治理与可信度

如何降低企业 AI 数据分析中的幻觉?

阅读文章 →

企业治理与可信度

MCP 如何让外部 AI Agent 使用企业数据分析能力?

阅读文章 →

业务应用与决策

销售额下降了,AI 如何自主找到真正原因?

阅读文章 →
全部技术文章 → 行业洞察 → 技术白皮书 → 常见问题 →

让每个企业都拥有真正理解自己数据的 AI。

预约产品演示 联系技术团队 关于 OraAI →