Lakehouse x AI ，打造智能 BI 新体验

本文整理自瓴羊的王璟尧老师与镜舟科技石强老师的联合分享，围绕 Quick BI 在智能 BI 场景中的落地实践，深入探讨了 StarRocks 如何凭借 MPP 架构、实时分析能力与 AI 原生支持，成为智能分析的理想 Lakehouse 引擎底座，助力 BI 从“被动查询”迈向“主动决策”，开启数据“会说话”的新体验。

一、BI 的演进与智能 BI 的崛起

从近十余年 Gartner 魔力象限的变化中，可以清晰观察到商业智能（BI）与数据分析行业的演进趋势。从 2010 年到 2016 年，再到 2024 年，整个 BI 领域大致经历了三个阶段：传统 BI、敏捷 BI，以及智能 BI。

传统 BI 面临的核心问题

传统 BI 多依赖集中式分析，虽然具备数据整合和加工能力，但在满足更高阶的业务需求时存在明显局限。其典型问题包括：

1. 数据孤岛：跨部门、跨系统数据难以打通，缺乏统一接入能力；

2. 口径不一致：数据存储在不同位置且未打通时，同一指标在不同系统中可能出现多种口径，导致分析结果存在偏差。

3. 性能瓶颈：难以支撑大规模计算或高并发查询的需求。

4. 分析流程耗时：报表生成需经历多个步骤（数据位置与口径的确认->数据获取与预处理->SQL 分析过程->可视化输出->洞察生成与判断支持），通常耗时数十分钟；

5. 缺乏业务洞察能力：仅输出静态报表，缺少对业务问题的智能解读与建议。

敏捷 BI 的转变

以 Tableau 等为代表的敏捷 BI 工具引入可视化和自助式分析，通过拖拽操作降低了使用门槛，提升了交互性。尽管部分工具开始引入智能化特性，但整体仍以规则驱动为主，智能水平有限。

智能 BI 的崛起

在传统的数据分析流程中，业务方提出需求后，数据团队往往只是“执行者”，负责生成报表，流程单一、响应周期长，常成为业务推进的瓶颈。即便敏捷 BI 工具提升了可视化和交互体验，仍未真正打通数据团队与业务团队之间的协作壁垒，分析流程依然割裂，难以形成端到端的闭环。

这一局限正在被大模型与分析引擎的技术突破所打破。QuickBI 借助大模型强大的语言理解与生成能力，BI 工具正从“报表工具”演进为“数字化助手”。用户只需用自然语言描述分析意图，系统即可理解上下文、自动拆解任务并高效返回结果，真正实现“人人皆可分析”。

智能 BI 相较于传统 BI，具备三大核心优势：

• 自动分析能力：基于内置模型，主动识别数据趋势与关键变化；

• 智能决策建议：结合业务逻辑与上下文，生成可参考的分析结论；

• 自然语言交互：以 ChatBI 为代表，实现类对话式分析体验。

智能 BI 带来的价值实现

智能 BI 最直观的价值在于简化数据分析流程、降低使用门槛、提升响应效率，并推动分析真正走向洞察与行动。

在传统流程中，分析人员在发现数据异常后，需逐层确认指标定义、数据来源，甚至联系开发人员，排查是否是平台异常、服务中断或口径差异。这一过程依赖大量人工沟通，耗时且易出错。

而在智能 BI 支持下，流程被彻底重构：

• 业务人员可直接通过自然语言向 ChatBI 提问；

• 系统自动识别意图，结合知识库判断相关数据表、字段与指标；

• 利用 NL2SQL 自动生成查询并执行；

• 返回可视化结果，解释异常原因，提供业务建议，甚至生成可执行方案。

这标志着数据分析从“事实呈现”跃迁至“洞察生成”与“行动建议”。在接入业务 Agent 的场景下，系统还能触发自动操作。

对话式 BI 的核心价值在于：通过自然语言交互，自动完成分析、洞察与建议输出。同时，智能 BI 的落地也对底层系统提出更高要求：必须具备高并发处理能力、实时响应性能，以及对 AI 模型的深度融合能力，如语义理解、逻辑推理和模型对接等 —— 而这正是 StarRocks 所擅长的。

二、智能 BI 的技术实现

大模型重塑 BI 分析流程

“所有产品都值得用大模型技术重新做一遍”这句话同样适用于 BI。大模型正重塑 QuickBI 的分析流程，为传统的“数据连接—建模—分析—可视化—消费协同”链路注入智能化能力：

• 数据连接与准备：大模型可辅助完成数据洞察与质量校验。例如，用户可使用 StarRocks 作为数据源，快速识别数据分布与异常，为后续分析提供高效稳定的支持。

• 数据建模：AI 可自动理解数据语义、构建数据集，显著减少人工配置。

• 数据分析：借助自然语言交互，实现智能搭建、洞察发现、一键美化与结果生成。

• 数据消费与协同：通过 ChatBI，用户可对话式完成分析任务，提升数据消费的自然性与流畅性。

BI Copilot 智能搭建（以 Quick BI 为例）

在智能搭建方面，Quick BI 的探索始于以自然语言替代传统拖拽操作，优化分析师的建模与报表流程，聚焦于高频、复杂、依赖经验的典型场景。例如：

• “将报表中金额大于某值的项目标红”对应条件格式配置；

• “帮我美化一下报表”则结合设计经验，自动完成配色与排版。

在技术架构上，Quick BI 解耦底层搭建引擎、渲染引擎与会话系统，构建了指令系统与前端 API 层。大模型作为中介，将用户自然语言转化为产品指令，驱动搭建流程。

BI Copilot 数据洞察

户在数据洞察中的核心诉求可分为五个阶段：看懂图表、补充信息、分析解释、定位问题、支持决策。要支撑这一链路，算法、数据与引擎需协同配合——算法需具备精度与泛化能力，数据源需丰富可靠，底层引擎则必须支持高频、多维的实时查询。

当前，Quick BI 的洞察能力聚焦于三方面：

1. 内置洞察算法：结合统计算法与 Agent 技术，基于历史数据、行业经验等识别显著数据与关键波动因子；

2. 大模型驱动的解读：整合报表、数据集与元数据，利用语义理解能力进行深度解读，基于 Prompt 工程和多 Agent 协同机制完成；

3. 第三方 Agent 接入：支持用户根据自身业务逻辑，接入外部 Agent 平台，实现定制化的洞察与响应策略。

这类高频、复杂、多维的分析任务，对底层引擎能力提出极高要求。Quick BI 正是依托 StarRocks 等高性能 MPP 架构查询引擎，才能在数据洞察体验上保持稳定与高效。

三、StarRocks 驱动 BI 分析引擎进化

面对大模型时代对实时性、灵活性和智能化的需求，分析引擎经历了四个阶段的演进：

1. 数据库阶段：对应传统 BI 架构，聚焦结构化数据的存储与查询，但扩展性差，难以支撑大规模处理和复杂指标。

2. 数据仓库阶段：增强了建模与分析能力，支持部分自助分析，但多源数据分散、口径不统一等问题依旧突出。

3. 数据湖阶段：自 2018 年起兴起，强调统一存储，实现“Single Source of Truth”。但面对复杂业务需求，仍需借助数据仓库补充建模与查询，形成“湖仓割裂”。

4. 湖仓一体阶段：统一数据架构、降低运维成本，打通数据存储与分析链路，提升数据一致性、时效性和开发效率。

随着 AI 应用的普及，湖仓一体正进一步演化为智能湖仓，在原有统一架构的基础上，原生支持 AI 应用接入，具备更强的实时性、语义理解能力和向量检索能力，成为智能分析的新基石。

为什么 Lakehouse 正在成为智能分析的关键基石？

Lakehouse 之所以成为智能分析的核心基座，关键在于其兼具统一存储、高性能查询与 AI 原生支持三大能力，真正打通了从数据准备到模型训练、推理的全流程。

在智能分析场景中，数据通常经历 ETL 与特征工程 → 模型训练（training）→ 推理（inference）→ 服务（serving）等环节，整个链路的读取与存储均依赖 Lakehouse 架构中具备 AI 优化能力的存储层（AI-Optimized Storage）。

其核心价值体现在以下三方面：

• 统一数据来源（Single Source of Truth）：所有数据集中存储，确保训练与推理阶段使用的数据一致，提升模型输出准确性。

• 多类型数据融合：支持结构化与半结构化数据共存，可生成并存储 embedding，为语义搜索与 RAG 场景提供底层支持。

• 高性能向量检索：构建 embedding 索引，显著提升语义匹配与相关性检索效率，使知识库调用更及时、精准。

StarRocks，面向智能 BI 的湖仓分析引擎

StarRocks 定位为面向智能 BI 场景的 Lakehouse 分析引擎，具备高并发、低延迟、灵活访问与智能协同等能力，适配实时、批量与多湖数据的统一分析需求。

其核心能力包括：

• 多模式数据接入：支持通过 Flink、Kafka 等导入实时流式数据，也支持批量写入；兼容现有数据湖架构，可通过 Catalog 无缝访问 Iceberg、Paimon 等外部湖表数据，无需迁移。

• 联邦分析：支持为不同数据湖创建独立 Catalog，自动实现跨 Catalog 表关联分析，无需额外数据同步开发，并支持将分析结果写回原始数据湖。

• 提供 JDBC 等标准接口，便于接入 BI 系统和 AI 应用，支撑灵活的数据消费模式。

• 作为 MPP 架构的 OLAP 引擎，支持即席查询、多维分析、存算分离与弹性扩展，简化部署与运维。

总体来看，StarRocks 能在不改变现有数据架构的前提下，打通实时、离线与跨湖分析路径，天然契合智能 BI 对多源融合、分析灵活性与高性能的需求。

StarRocks 的 lakehouse 架构赋能实时智能分析

StarRocks 构建了统一的 Lakehouse 架构，有效支撑从数据接入、处理、分析到 AI 推理的全链路能力，正成为智能分析的关键底座。在数据接入层，StarRocks 支持对接主流 AI 基础设施，如 Ray 与 MLflow。其中，Ray 可通过 BC 接口直接访问 StarRocks，将生成的 embedding 数据写入，引导下游分析智能演进。

1. 实时洞察：秒级数据新鲜度，驱动动态决策

得益于 MPP 架构、Runtime Filter、CPU 优化器等核心能力，StarRocks 支持毫秒级复杂查询响应；系统支持上千并发连接，甚至在部分客户场景中稳定支持超 5000 并发。

在标准测试集（如 SSB、TPC-DS、TPC-H）中，查询性能普遍领先竞品 2–3 倍；多个实际迁移案例也实现 1–2 倍性能提升。

2. 简化架构：不搬数、减架构、省成本，提升分析效率

StarRocks 打破传统 BI 的多系统、多链路架构，支持 Flink、Spark 等导入方式，实现流批一体的数据接入。

通过 StarCatalog，可直接查询 Iceberg 等湖表，实现数据“零迁移”。分析结果也可写回原始湖表。

配合 AutoMV 自动生成物化视图，加速查询、简化建模，进一步提升分析效率。

3. 业务赋能：直面分析，业务人员按需加载

在 ELT 架构下，研发专注数据导入湖仓，业务人员可通过元数据平台按需获取数据，自主完成报表构建与分析探索，显著降低跨团队沟通与交付成本。

4. AI 集成：StarRocks 良好的 AI 特性支持

StarRocks 提供良好的 AI 集成能力：

• 支持 Python UDF，提升智能推理的灵活性；

• 借助 Arrow Flight 实现大规模数据高速导入；

• 可作为 Vector DB 使用，生成并存储 embedding 向量，支持向量检索，服务 RAG、智能问答、知识库增强等场景；

• 支持多模型共享知识，将 embedding 数据集中存储供不同 Agent 或大模型加载使用；

• 内置 MCP Server，兼容 MCP 协议，支持模型与 StarRocks 的高效通信。

StarRocks 赋能智能 BI

ChatBI 的建设流程

ChatBI（如 QuickBI 智能问数）的核心在于将用户自然语言输入转化为结构化查询与语义解释，生成可视化结果与洞察建议。其背后依托大模型、向量检索与 StarRocks 查询引擎协同工作，整体流程包括以下几个环节：

整个流程大致如下：

1. 前端输入与意图识别：用户在报表系统或对话窗口中输入自然语言问题，系统先进行文本处理（如语音转写、关键词提取、实体识别等），随后由大模型识别意图并分类判断：是查指标、看趋势，还是诊断异常。

2. 任务规划与 NL2SQL 转换：明确意图后，系统进入任务规划和 SQL 生成阶段。此时，大模型需结合上下文与业务知识构建执行逻辑。但由于通用大模型缺乏业务上下文，系统会借助企业知识库，通过 StarRocks 的 Vector Index 进行语义检索，获取表名、字段、维度等元信息，增强大模型生成能力。

3. 查询执行与结果优化：生成 SQL 后，通过 MCP Client 将查询请求下发至 StarRocks，由其完成优化、执行与初步检索。系统随后对结果进行特征提取、排序与重打分，确保返回内容更贴近用户意图。

4. 结果润色与呈现：最终结果会被转化为自然语言回答，并按需生成图表或报表，提升表达清晰度与决策参考价值。

关于 StarRocks 在 RAG 企业知识库场景中的应用，以及 MCP 协议如何实现大模型与 StarRocks 的高效交互，已有详尽阐述，详见以下文章：

• RAG 实战｜用 StarRocks + DeepSeek 构建智能问答与企业知识库

• StarRocks MCP Server 开源发布：为 AI 应用提供强大分析中枢

基于 StarRocks 构建 ChatBI 架构设计

前文所述 ChatBI 流程，实质上可通过一张系统链路图完整呈现，从用户提问到查询执行、再到结果生成与可视化输出。

用户在前端输入自然语言问题，系统将其传递给大语言模型（LLM），结合上下文完成意图识别与补全（如添加提示词），再转化为结构化查询语句（SQL）。

SQL 随后提交至 StarRocks 查询引擎执行。StarRocks 会根据目标数据来源自动选择访问路径：

• 若数据位于 Iceberg 等数据湖中，可通过 StarCatalog 无缝访问湖表；

• 若来自 Kafka、Flink 等实时系统，则通过 routine load 或 Flink sink 实现导入；

• 若为 HDFS/S3 中的批量数据，则支持直接加载 ORC、Parquet 格式文件。

无论数据存储在哪里，用户只需自然语言提问，大模型与 StarRocks 即可完成统一调度与即时分析，省去传统架构中大量开发与同步成本。StarRocks 还具备 I/O 优化与预加载机制，确保查询响应高效稳定。

查询完成后，结果将返回至大模型，由其进行排序、重写与语言润色，生成清晰易懂的答复。如有需要，还会自动生成图表，并基于上下文提出进一步的分析建议，真正实现从数据展示到业务行动。

StarRocks 作为底层分析引擎的 ChatBI 优势

在 ChatBI 场景中，StarRocks 作为底层分析引擎具备以下核心优势：

1. 极速分析性能：得益于底层核心优化，查询性能较同类产品提升 1–2 倍，支持高并发、低延迟的即时分析。

2. AutoMV 自动物化视图：可根据查询模式自动生成加速视图，复用历史结果。

3. 湖仓分析能力：支持统一访问多源数据，构建简化架构与 Single Source of Truth，保障数据可达性与访问时效。

4. MCP Server 接入能力：提供统一 MCP 接口，便于模型或 Agent 访问 StarRocks 数据。

四、AI+BI 落地案例分享（以Quick BI 为例）

案例一：某饮品行业客户为例

在某饮品品牌中，我们对 ChatBI 系统进行了针对性优化，验证了“好数据 + 清晰问题”对问数效果的决定性作用。

初期，由于提问模糊、缺乏上下文，系统问数准确率仅约 60%。在优化过程中，我们通过以下方式实现显著提升：

• 引入业务知识库，补充模型未覆盖的关键信息（如客户财年起始时间）；

• 注入 Prompt 强化上下文识别能力；

• 指导用户优化提问方式；

最终，问数准确率从 65% 提升至 92%，获得客户高度认可。

案例二：数据解读 Agent

数据解读流程分为两步：数据摘取与洞察生成。

系统首先从报表或表格中提取结构化信息，转换为大模型可识别格式；再结合用户问题，进行归因分析与趋势判断，发现异常与潜在机会。

关键在于“选对数”——即识别与业务意图最相关的指标与维度。该过程由多个 Agent 协同完成，如搜索 Agent、分析 Agent、问数 Agent 等。

案例三：进阶能力：多智能体协同

在进阶应用中，Quick BI 已支持 Multi-Agent 协同机制，实现从现状诊断、归因分析，到建议生成的闭环式智能报告。

例如，在专题分析、日报/周报自动撰写中，系统通过分析 Agent、报告生成 Agent、调度 Agent 等多角色协同，自动生成图文并茂的分析结果，甚至可通过信息流方式主动推送。

五、未来展望

随着大模型技术持续演进，StarRocks 正在加速推动 AI 与 BI 的深度融合，未来将聚焦三个方向：

1. 提升向量检索准确性，解决语义匹配偏差问题；

2. 加强与 AutoML、深度学习等 AI 组件的原生集成，构建 AI-Native 分析引擎；

3. 深化与云平台和模型生态的协同，打造更开放的数据智能平台。

从行业趋势来看，智能 BI 正从“任务执行者”向“智能决策主体”演进。大模型将具备动态推演、任务拆解、多模态感知与自我反思能力，实现非预设路径的智能决策，QuickBI 也正朝着这个方向演进。

StarRocks 的目标，是成为这一转变的关键基座，让数据真正“会说话”，让每个人都能成为自己的分析师。