越来越多企业开始用 Agent 处理日常工作。写代码、整理材料、分析表格，个人效率的提升已经很明显。但一进入企业数据场景，事情会复杂很多。当用户问 Agent："帮我分析一下这个月会员消费情况，明天发给 CEO 汇报"，它往往不是不会分析，而是第一步就卡住了：
数据在哪里？字段叫什么？口径怎么算？有没有权限？哪些看板、卡片和指标已经沉淀了可复用的分析路径？
很多时候，Agent 缺的不是推理能力，而是一个可信的数据入口。
这正是 GuanCLI 要解决的问题：让 Agent 在授权范围内看见并使用观远 BI 资产，把企业已有的数据集、页面、卡片、指标和权限体系，接入 Agent 工作流。
最近，观远数据 AI 先锋体验官宇贺做了一个很有意思的尝试：把 GuanCLI 接入 IM 通讯软件，让 Agent 在日常沟通入口里，完成从需求理解、数据读取、卡片创建，到报告生成和反馈修正的一轮分析流程。
整个过程大致包括几个关键环节：
- 读取 BI 资产并创建分析卡片：Agent 调用 GuanCLI，在授权范围内读取数据集、字段结构和已有页面/卡片，并按分析目标创建所需卡片。
- 基于结果继续下钻分析：Agent 根据前一步卡片结果，判断是否需要补充维度、调整筛选条件，或继续获取相关数据。
- 形成看板和报告初稿：当收集到足够线索后，Agent 将分析过程整理为看板和报告，并转换成 PDF 等更适合交付的形式。
- 在 IM 中继续交互迭代：用户看到报告后，可以继续提出问题、补充要求或指出口径问题，Agent 再回到 BI 中重新取数和修正。
- 沉淀反馈与分析经验：对字段选择、口径偏好、报告结构等反馈，可以沉淀为后续类似分析的参考。
比如，在 2026 年策略复盘 中，用户只需要在 IM 通讯软件里提出需求，Agent 就可以通过 GuanCLI 读取 BI 中的相关数据，创建分析卡片，继续下钻关键维度，并生成一份优惠券策略复盘。
更重要的是，这份报告不是一个"黑盒结论"。报告中的关键数据可以回到 BI 卡片里验证，用户能看到字段、聚合方式和筛选条件。如果发现某个口径不对，也可以继续在 IM 里指出来，让 Agent 修正这次报告，并把经验沉淀到下一次分析中。
GuanCLI + Agent：
"数据分析师"AI 分身揭秘
- 组织团队协作
在专属沟通群组中，把 Agent 和业务同事一起拉入后，可以先向 Agent 介绍每个人的职能、负责的业务活动，以及这次分析要服务的目标。
随后，Agent 可以在群组中和业务人员持续对话，帮助大家梳理、对齐具体的数据分析需求。比如，某个活动负责人需要复盘会员消费表现，另一个业务同事补充了促销周期和关键人群范围，Agent 就可以把这些上下文合并起来，形成更完整的分析任务。
这种协作模式既支持定期分析报告，也支持特定数据的快速验证。
这里 GuanCLI 的价值，不是替代业务沟通，而是让 Agent 在需求对齐后，可以直接进入 BI 资产中取数、建卡片、生成分析结果，减少"需求说清楚了，还要等人补数"的断点。
对于数据团队来说，这也意味着很多高频、重复、条件经常变化的分析任务，可以先由 Agent 完成第一轮取数和整理，分析师再把精力放到口径校验、业务解释和关键判断上。
- 智能分析推送
除了临时分析，Agent 也可以通过 GuanCLI 辅助完成周期性分析推送。
例如，企业可以为某个部门或经营主题设定固定日报：每天早上，Agent 按照指定的数据表、指标和分析维度，读取 BI 资产，生成当日经营情况、异常变化和重点关注事项，并推送到指定群组。
这类推送可以有两种模式。
- 精准指导。企业预先设定分析范围、指标和维度。Agent 每天围绕这些内容生成日报，确保分析始终聚焦在关键业务问题上。
- 授权范围内探索。企业不指定所有分析路径，而是让 Agent 在授权数据范围内做第一轮探索。当发现异常值或趋势变化时，Agent 可以继续调用相关数据集、字段或卡片，补充分析线索，最后形成日报或报告初稿。
这套方式的价值，不是让 AI 自己"拍板判断"，而是减少人工每天打开报表、截图、整理、转发的重复工作，让异常和线索更早出现在负责人面前。换句话说，GuanCLI 让 Agent 不只是在聊天窗口里回复文字，而是能使用企业已有 BI 资产，把周期性分析从"人找数据"推进到"数据和洞察主动触达业务"。
- 智能决策联动
GuanCLI 还带来了一个更长远的想象：BI 不再只是数据展示的终点，也可以成为后续业务动作的起点。
过去，很多流程是这样的：业务人员先去 BI 看数，发现问题后再截图、转发、开会讨论，最后到库存、门店、办公或其他业务系统里执行动作。数据、判断和动作之间隔着多个系统，也隔着多次人工转述。
接入 GuanCLI 后，Agent 可以先从 BI 获取分析数据，再把分析结果传递给后续系统或后续 Agent，帮助业务形成更顺畅的处理链路。
比如，当 Agent 基于 BI 数据发现某些门店存在补货风险时，可以把分析结果传递给库存、门店或办公系统，生成待确认的补货建议、门店提醒或复核任务。后续是否执行，仍应由业务规则和人工确认共同把关。
Agent 决策链可以理解为：Agent 从 BI 获取授权数据 -> 分析异常和业务线索 -> 生成建议或待处理事项 -> 联动后续业务系统或负责人 -> 由业务规则和人工确认推动执行
这也是 GuanCLI 进入智能决策链路的关键意义：它让 Agent 可以使用 BI 资产，把数据分析结果继续送到后续业务场景中，而不是停在一张报表或一个 PDF 里。
- 门店专属分析
对很多连锁企业来说，数据分析师总是不够用。总部分析师往往要服务多个部门和区域，很难每天、每半天都针对每一家门店持续下钻。
通过 GuanCLI + Agent，企业可以探索一种新的门店分析方式：不是给每家门店真正配置一个分析师，而是让门店周期性收到围绕自身经营问题生成的分析报告、异常提醒和改进建议。
对于门店，它可以每天或每半天接收一份和自己相关的分析结果：哪些指标异常，哪些商品或服务问题需要关注，接下来有哪些可执行的改善动作。
对于总部，运营、财务、商品等不同角色，也可以从各自视角持续分析门店经营情况：运营看服务与客流，财务看利润与成本，商品团队看动销、库存和结构。
这样，门店看到的不是千人一面的报表，而是更贴近自身经营状态的分析提醒。总部看到的也不只是汇总排名，而是可以持续下钻到门店、品类、渠道和服务体验的经营线索。
在这个过程中，GuanCLI 承担的是连接角色：它让 Agent 可以在权限范围内使用 BI 里的数据资产，再根据不同角色和不同业务问题，组织出更贴近场景的分析结果。
从需求到报告：
AI Agent 的完整工作机制详解
这套流程背后的核心架构并不复杂：
观远 BI 提供数据底座和分析资产，GuanCLI 作为 Agent 与 BI 之间的连接入口，IM 通讯软件作为用户与 Agent 的交互入口。用户提出需求后，Agent 通过 GuanCLI 调用授权范围内的 BI 资产，完成取数、分析、卡片创建和报告整理。
用户在 IM 中提出问题
-> Agent 理解意图
-> GuanCLI 调用观远 BI 资产
-> Agent 创建卡片 / 下钻分析 / 整理报告
-> 用户在 IM 中继续反馈
-> Agent 回到 BI 修正和迭代
- GuanCLI 让 Agent
看见并使用 BI 资产
GuanCLI 不是让 Agent 凭空分析，而是让 Agent 在授权范围内使用企业已有的 BI 资产。它让 Agent 能看见数据在哪里、字段叫什么、口径怎么算、有哪些页面、卡片和指标可用，并把这些资产用于取数、加工、探索式分析、看板初稿生成和报告整理。
具体来说，GuanCLI 赋予了 Agent 与 BI 系统交互的几类能力：
- 数据获取：Agent 可以查询 BI 数据集、字段结构、页面和已有分析资产。
- 卡片创建：Agent 可以在授权目录中创建分析卡片，辅助完成报告所需的数据验证和可视化。
- 报告整理：Agent 可以基于分析结果生成报告初稿，并整理为 PDF、HTML 或其他适合业务沟通的形式。
- 动态迭代：Agent 可以根据前一步分析结果，继续钻取维度、调整筛选条件或补充数据。
GuanCLI 的价值，不只是把原本需要人工点击 BI 的动作变成命令，而是让 Agent 第一次真正接入企业已有的数据分析基础设施。
过去，BI 主要是"人打开页面看数据"。接入 GuanCLI 后，企业沉淀在 BI 里的数据集、卡片、指标、权限和分析路径，也可以成为 Agent 理解和使用企业数据的重要上下文。
- 卡片管理与权限控制
在 Agent 通过 GuanCLI 创建卡片时，卡片本身也需要被组织和管理。
- 主题卡片适合相对固定的业务主题。比如会员消费画像、门店经营复盘、区域销售分析等，Agent 可以围绕主题创建一组卡片，并放入对应看板中长期复用。
- 临时卡片适合一次性的取数和验证。比如某个会议前临时追问、某个指标短期异常排查，Agent 可以放入临时取数看板，任务结束后按需清理。
归档策略则可以根据任务属性决定。对有复用价值的分析路径，保留为主题资产；对一次性探索结果，则进入临时区域，避免长期堆积。
在权限与安全方面，可以把 Agent 理解为一个拥有 BI 账号的"数字同事"：它能看到什么、调用什么，取决于这个账号被授予的资源权限和数据权限。这意味着，各部门可以用独立账号和独立权限边界接入 Agent。运营部门的 Agent 只能访问运营相关数据，财务部门的 Agent 只能访问财务授权范围内的数据。Agent 使用 BI 资产的前提，仍然是观远 BI 原有的权限体系。
这也是 GuanCLI 区别于简单"把数据丢给 AI"的地方：它不是绕开 BI 治理，而是在 BI 权限体系内，让 Agent 使用已有资产。
- 质量保障与持续优化
企业使用 Agent 做数据分析，最关心的问题之一是：如果 AI 分析错了怎么办？
在这套流程中，一个关键机制是报告可追溯。因为 Agent 通过 GuanCLI 创建的卡片可以回到 BI 中查看，用户不只看到报告结论，也可以点进卡片验证：这个数据来自哪个数据集，拖了哪些字段，聚合方式是什么，筛选条件是否正确。
如果用户发现问题，也可以继续在 IM 中反馈。比如：
"这里应该使用折扣率字段，而不是折扣金额字段。"
Agent 接收到反馈后，可以回到 BI 中重新调整分析口径，修正卡片和报告。类似的字段选择、分析口径和报告偏好，也可以沉淀为后续分析的参考。这让 Agent 的使用过程更像一次持续协作：先完成第一版分析，再由业务和数据团队校验口径，最后把正确经验留下来。
除此之外，Agent 在查询表结构、字段分布和数据源元信息时，也可能发现一些数据质量线索。比如某个字段中大量值都被归为"其他"，说明这个分类字段可能需要回到源头治理。此时，Agent 可以把问题提示给数据团队，辅助做数据质量排查。
所以，GuanCLI + Agent 的价值并不只是"更快生成一份报告"，还包括三件更重要的事：
- 结果可追溯：结论能回到 BI 卡片中验证。
- 口径可修正：用户反馈后，Agent 可以重新调整字段、筛选和分析方式。
- 经验可沉淀：常用分析路径、字段偏好和报告结构，可以被后续任务复用。
总结
GuanCLI 的价值，不只是让 Agent 多一个工具，而是让企业已经沉淀在 BI 里的数据集、卡片、指标、权限和分析路径，变成 Agent 可以调用的能力。
从 IM 里的临时提问，到周期性报告推送，再到门店经营分析和后续业务提醒，GuanCLI 让 Agent 不再停留在聊天入口，而是开始真正使用企业 BI 资产。
这也是观远正在推进的方向：
- BI 让人看清数据；
- GuanCLI 让 Agent 使用 BI 资产；
- 进一步的超级应用，则把被验证的分析路径组织成业务团队可以直接打开、反复使用的轻量数据应用。
当企业里的数据、指标、页面和分析经验都能被 Agent 安全调用，数据分析就不再只是"人找报表"，而会逐步进入沟通、会议、门店、系统和业务现场。
让业务用起来，让决策更智能。GuanCLI 正在把这件事往前推进一步。