行业洞察 · 产品定位对比
Codex 通过 Skills 做数据分析,与 OraAI 最大的区别
我认为两者最大的区别,不是使用了不同的大模型,也不是谁的 Skills 更多,而是:
Codex 是通过 Skills 获得数据分析能力;OraAI 是通过企业数据语义、确定性执行和治理体系,构建原生的数据分析能力。
换句话说:
- Codex + Skills:让通用 Agent 学会如何分析数据。
- OraAI:让企业数据本身具备可理解、可分析、可验证、可持续运营的能力。
两者都可以完成 SQL 编写、数据查询、Python 分析、图表生成和报告撰写,但背后的技术体系和长期价值有很大区别。
一、底层定位的区别
Codex + Skills
通用 Agent 能力扩展
Agent-driven Analytics
由 Agent 理解任务,选择 Skill,调用工具和脚本,完成数据分析。
OraAI
原生数据智能基础设施
Data-native Analytics
由企业数据语义、数据执行、验证和治理体系支撑 Agent 完成可信分析。
二、六个核心维度的区别
| 比较维度 | Codex + Skills | OraAI |
|---|---|---|
| 核心定位 | 通用 Agent 分析能力 | 企业数据智能平台 |
| 分析入口 | 用户任务、Skill | 用户问题、数据语义 |
| 数据理解 | Skill 指令、代码、上下文 | 自动生成并持续维护数据事实与业务语义 |
| 数据连接 | MCP、API、驱动、脚本 | 统一数据接入与跨源执行体系 |
| 分析逻辑 | Agent 动态编排 SQL/Python | 语义驱动的分析与确定性执行 |
| 结果验证 | 依赖 Skill 和脚本设计 | SQL 校验、数据质量、结果交叉验证 |
| 权限治理 | 依赖连接器及执行环境 | 企业级权限、数据访问与审计体系 |
| 资产沉淀 | Skill、代码、报告、文件 | 数据集、语义、知识、验证记录 |
| 持续运营 | 维护 Skills 和项目上下文 | 数据资产自动发现、更新、验证和治理 |
| 多 Agent 复用 | 各 Agent 配置相应能力 | 通过 MCP 统一开放数据能力 |
三、用一个真实的业务场景来比较
假设用户提出:
为什么最近一个月公司的销售额下降了 15%?主要原因是什么?应该采取什么措施?
方案 A:Codex + Data Analysis Skill
- 读取 Skill,理解分析步骤。
- 连接 ERP 数据库,探索订单、产品、客户等数据表。
- 编写 SQL,提取销售数据。
- 使用 Python 进行同比、环比、产品和客户分组分析。
- 生成销售下降原因和图表报告。
方案 B:OraAI
- 理解用户问题,自动识别相关业务对象和分析目标。
- 检索企业已有的数据事实语义和业务定义语义。
- 动态发现相关数据集,识别订单、客户、产品、渠道之间的关系。
- 生成跨库、跨表 SQL,执行确定性数据计算。
- 通过 SQL Validator、数据质量检查及独立计算验证分析结果。
- 识别销售下降的主要驱动因素,形成有证据支持的业务判断和建议。
- 将经过验证的分析逻辑、数据集和知识沉淀为企业资产。
这里最重要的是:
Codex 可能找到销售额下降的原因,但 OraAI 要解决的是:它使用的销售额定义是否正确、数据关系是否正确、计算是否正确、结论是否有证据。
这才是企业级数据分析与普通 Agent 数据分析的差距。
四、真正的分水岭:Skills 与 Data Infrastructure 不是同一层
我认为这是 OraAI 产品战略上最值得强调的地方。
可以把企业 AI 数据分析体系分为五层:
| 层次 | Codex + Skills | OraAI |
|---|---|---|
| L1 Agent Layer | Codex / Claude Code / WorkBuddy | Analyst Agent |
| L2 Skill Layer | 分析方法、行业流程、任务指令 | OraAI Skills / 分析能力 |
| L3 Semantic Layer | 可配置的上下文与语义文件 | 企业数据事实语义、业务定义语义 |
| L4 Execution Layer | SQL、Python、MCP 工具 | 跨源数据执行、SQL Validator、验证引擎 |
| L5 Governance & Assets | 项目文件、脚本、权限配置 | 数据集、知识库、权限、审计、资产生命周期 |
这意味着 OraAI 不需要取代 Codex 的 Agent 和 Skills。
反而可以形成更有价值的合作架构:
这样分工就非常明确:
- Codex 负责理解任务、组织工作、调用 Skills、生成代码和报告。
- OraAI 负责企业数据的理解、发现、执行、验证和治理。
- OraAI MCP 负责向不同 Agent 开放统一的数据能力。
- OraWork 则可以将这些能力整合为企业原生 AI 工作平台。
五、我认为 OraAI 应该建立的核心竞争壁垒
不要把竞争重点放在「我们也有很多 Skills」。
Skills 本身可以被复制,也可以被 Codex、Claude Code 或其他 Agent 调用。
真正值得投入的是以下四个壁垒:
- 01 Autonomous Data Understanding自主理解企业数据。不依赖人工事先完整建模,通过数据库结构、样本数据和业务上下文,自动生成数据事实语义和业务定义语义。
- 02 Dynamic Semantic Intelligence动态语义分析。不是仅仅根据预定义指标匹配问题,而是理解用户问题,动态发现数据集、数据关系和分析路径。
- 03 Deterministic Data Execution & Verification确定性数据执行与验证。通过 SQL 执行、数据质量检查、独立计算和证据追踪,降低 Agent 的数据幻觉。
- 04 Governed Agentic Data Infrastructure企业级受治理的 Agent 数据基础设施。把数据集、语义、权限、知识库、执行能力和审计统一管理,并通过 MCP 向外部 Agent 开放。
六、最终的战略定位
我建议 OraAI 不要将 Codex 视为直接竞争对手,而应该把它看成生态中的一个重要合作对象。
| 产品 | 最适合承担的角色 |
|---|---|
| Codex | 通用智能工作与开发 Agent |
| WorkBuddy | 企业 AI 工作 Agent |
| OraWork | 企业 AI 工作平台 |
| OraAI | 企业数据智能核心 |
| OraAI MCP | 企业数据智能能力的开放接口 |
甚至可以形成一个更有竞争力的产品组合:
Codex + OraAI Skill + OraAI MCP
- Skill:告诉 Codex 如何开展企业数据分析。
- MCP:让 Codex 能够调用 OraAI 的数据能力。
- OraAI:提供真正的企业数据认知、确定性执行与可信结果。
我最终的判断:
Codex 通过 Skills 让通用 Agent 具备数据分析能力;OraAI 则让不同 Agent 都能使用同一套企业数据智能基础设施。
前者的核心资产是 Agent 的工作能力和技能生态,后者的核心资产是企业数据语义、可信数据集、确定性执行能力和持续积累的企业知识。
这也是 OraAI 与普通 ChatBI、AI+BI,以及基于 Skills 的数据分析 Agent 最应该拉开差距的地方。
一句话定位
OraAI is not another AI agent that analyzes data. It is the governed data intelligence infrastructure that enables every AI agent to understand, execute, and reason over enterprise data with confidence.
OraAI 不是另一个分析数据的 AI Agent,而是让所有 AI Agent 都能可信地理解、执行和推理企业数据的受治理数据智能基础设施。