Data Agent 与 ChatBI
很多关于 AI 的问题，不是“功能有没有”，而是“应该用哪种入口、哪种模式、该怎么排查”。这页专门回答 Data Agent / ChatBI 最容易被反复问到的边界问题。
Data Agent 侧边栏和 ChatBI 有什么区别？
最核心的区别不是“哪个更新”，而是各自解决的任务不同。
简单理解：
- Data Agent 侧边栏：更适合在当前页面上下文中继续分析、创作、解读、编辑
- ChatBI：更适合独立的智能问数入口，围绕一次会话持续生成图表和看板
如果你最关心的是“当前仪表盘、当前数据包、当前页面还能继续做什么”，优先看 Data Agent。
如果你最关心的是“给业务用户一个独立问数入口”，优先看 ChatBI。
Agent 模式、Workflow 模式、API 模式怎么选？
可以先按这个判断：
| 模式 | 更适合场景 |
|---|---|
| Agent 模式 | 需求开放、问题复杂、需要模型自己判断下一步做什么 |
| Workflow 模式 | 流程固定、步骤可预期、希望严格按既定流程执行 |
| API 模式 | 你们自己的后端、多 Agent 或工作流系统来做外部编排 |
如果你还没想清楚是 iframe、JS SDK 还是 API，先看 Data Agent 集成总览，不要直接从技术接法倒推业务场景。
问数效果不好，第一优先该改提示词还是改数据？
多数情况下，先改数据准备，再改提示词。
优先级通常是：
- 数据集、字段、指标命名是否清晰
- 字段/指标描述是否补全
- 不参与问答的字段是否隐藏
- 数据集知识管理里是否写清业务术语、口径、同义词
- 再考虑在 Agent 调优里补行业与私域指令、分析规则、搜索指令
如果底层数据语义本身混乱，只加 prompt 往往只能缓解一部分问题。
什么情况下应该做数据向量化？
当你希望 Data Agent 在大量数据资产里更稳定地做语义检索、减少漏召回、提升相关性时，就应该考虑向量化。
尤其适合：
- 数据包多、字段多、同义词多
- 业务术语强、自然语言表述和字段名差异大
- 需要长期提升问答稳定性
如果现在的问题已经是“问得到，但经常找错字段或理解不到业务术语”，向量化通常比继续堆更多自然语言提示词更值。
什么时候应该创建分析模板？
当你发现用户经常重复问同一类分析问题时，就适合沉淀成 分析模板。
典型场景：
- 销售额趋势分析
- 区域经营对比
- 库存健康度分析
- 周/月度经营复盘
分析模板适合沉淀“提问骨架”，让终端用户直接点模板再微调，而不是每次从零组织完整问题。
什么时候应该创建自定义 Tool？
当你希望 Agent 知道平台外的信息，或替你完成一个动作 时，才应该创建 Tool。
例如：
- 查企业知识库、FAQ、制度文档
- 查订单、库存、工单、审批状态
- 调搜索服务或第三方 API
- 创建工单、发起审批、写回业务备注
如果你的问题只是“回答风格不对”“欢迎语不对”“文案不够贴业务”，那通常不是 Tool 问题，而是提示词或文案定制问题。
问数失败、报错时，最关键的排障材料是什么？
优先收集这三类信息：
- 对话卡片里的执行日志
- 浏览器控制台
Fetch/XHR里的出错请求响应 - 系统调试里的 DEBUG + 实时调试导出日志
如果没有这三类材料，很多 AI 相关问题很难区分到底是模型、检索、权限、数据还是前端交互问题。
向量数据库地址需要手动填写吗？
通常不需要。
按 AI 部署文档 完成相关服务安装与部署即可。常见误区不是“地址没填”，而是 AI 环境根本还没按部署要求准备好。
为什么在 Agent 模式问答时，不建议切页面或切历史会话？
因为这会中断当前问答过程。
如果你要做稳定演示或排障复现，尽量保持在当前会话和当前页面里完成，不要边问边切别的页面，否则很容易把“用户操作打断”误判成“AI 功能异常”。
进一步阅读：