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
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:
- 01知识从哪来知识库
- 02AI 如何理解业务Semantic Intelligence
- 03AI 如何把分析做对Analyst
- 04能力如何安全外溢MCP
- 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
- OraAI 生成资产
- OraAI MCP 提供给外部 Agent
- WorkBuddy / Codex 导入 Obsidian
- RAW → WIKI → DEPLOY 逐级整理
- Lint + Validation 检查
- 审批
- 部署,并同步到 CouchDB
方向 B · 回写方向
CouchDB → OraWork → MCP → OraAI
- CouchDB 以只读方式提供 Deploy 中已批准的资产
- OraWork 读取、组织并提交变更
- OraAI MCP 接收候选、查询版本并执行验证
- 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
- 01用户业务问题
- 02理解企业数据语义
- 03制定分析计划
- 04提出待验证假设
- 05生成查询任务
- 06SQL 执行
- 07真实数据验证
- 08更新假设状态
- 09调整下一轮分析计划
- 10继续调查
- 11形成最终结论
Agent 执行流程
- Context Retrieval
- Reasoning
- Planning / Analysis
- Tool Calling
- Result Evaluation
- Final Synthesis
- Semantic Retrieval
- SQL Validation
- Database Query
- Python Analysis
- Other Tools
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:
- 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。
- 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。
- 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。
- 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
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。
让每个企业都拥有真正理解自己数据的 AI。