数睿通2.0更新：BI接入中台数据，支持AI生成；数据集成支持StarRocks

引言

做数据平台的人，应该都见过这样一个场景。

数据已经接进来了，任务也跑起来了，指标口径也慢慢沉淀了。到了最后一步，业务方说：能不能做一个大屏？最好今天先有个效果。

一个 BI 大屏背后，往往要经历需求梳理、指标确认、布局设计、组件配置、接口联调、数据转换、样式调整，最后还要反复对齐"这个数是不是对的""这个图是不是好看""这个位置能不能再挪一点"。

所以这次数睿通 2.0 的更新，主要是以下两点：

一是让 BI 更聪明。AI 可以根据文字描述，甚至根据一张设计参考图，生成一份可编辑的大屏草稿；也可以辅助处理图表数据、接口响应和中台数据字段，让配置过程少一些重复劳动。

二是让底座更强。平台新增 StarRocks 支持，数据源可以接入 StarRocks，数仓建设也可以选择 StarRocks，用更适合分析场景的 OLAP 引擎支撑实时查询、明细分析和高并发 BI 展示。

BI 大屏，不一定非要从空白画布开始

过去做大屏，大多数时候是从一个空白画布开始。

先拖一个标题，再拖几个指标卡，再放柱状图、折线图、饼图、表格。接着调坐标、调尺寸、调颜色、调字体。然后开始接数据，写过滤函数，处理接口返回格式。最后再回头看整体效果，觉得哪里不顺眼，再继续调。

这些工作并不一定难，但很琐碎。

尤其是很多大屏的第一版，其实只是为了把方向跑通：主题是什么，放哪些指标，页面怎么分区，哪些内容要突出，哪些图表适合表达这些数据。

这次更新后，用户可以直接用自然语言描述想要的大屏，例如：

生成一个煤炭采购经营驾驶舱，包含采购计划、实际采购、供应商占比、库存预警和明细列表，整体使用深色科技风。

AI 会生成一份结构化的大屏蓝图，里面包含画布、组件、位置、尺寸、标题、示例数据和基础样式。前端拿到这份蓝图后，会把它转换成真正的大屏组件。

也就是说，AI 给出的不是一段"建议文字"，而是一个可以继续编辑的页面草稿。

用户不用从第一个组件开始拖，而是可以从一个已经成型的初稿开始调整。这个变化很实用。它不会替代 BI 编辑器，反而让 BI 编辑器的起点更高了。

上传一张设计图，让 AI 先读懂画面

很多时候，用户其实不是没有想法，而是想法已经在一张图里了。

可能是一张设计稿，也可能是历史项目截图，甚至是一页 PPT。过去这些材料只能靠人看完之后手工还原：这个区域是标题栏，左边是趋势图，右边是指标卡，中间是主图，下方是明细表。

现在可以把设计参考图直接上传给 AI。

多模态模型会识别图里的布局、组件类型、视觉层级、颜色风格和内容分布，再结合用户补充的文字要求，生成一份大屏草稿。

当然，这不是为了做"像素级复刻"。真正有价值的是让 AI 先理解设计意图：

页面是偏领导驾驶舱，还是偏运营监控；
哪些位置适合放核心 KPI；
哪些区域适合放趋势、占比、排行或明细；
整体风格是深色科技风、业务看板风，还是更偏轻量分析；
组件之间大致如何分组，信息主次如何安排。

技术上，这里也不是简单把图片扔给模型，让它自由发挥。

平台会把大屏组件规范、画布坐标、组件类型、数据结构、布局约束一起交给 AI。AI 需要输出一份前端能解析的 JSON 蓝图。只有这样，生成结果才能从"看起来像一个方案"变成"系统真的能装配出来的页面"。

这一步是 AI 落到产品里的关键：不能只生成灵感，还要生成可执行结构。

当前大屏也能继续让 AI 调整

新建大屏只是其中一种场景。

真实项目里，更多时候是已经有一个页面了，只是想继续改一改。

比如：

右侧加一个库存预警表；
把某个饼图改成供应商占比；
删掉重复的指标卡；
增加月度趋势图；
参考这张图，把当前页面布局重新优化一下。

所以 AI 生成大屏这次也支持"基于当前大屏调整"。

平台会把当前大屏结构作为上下文交给 AI。AI 可以根据用户要求新增、修改或删除组件。生成结果回到前端编辑态，用户可以继续拖拽、改样式、撤销、保存。

这点很重要。

AI 不应该是一个一键覆盖一切的黑盒。对于 BI 这种和业务展示强相关的场景，用户必须能看见结果，也必须能继续编辑。更合适的定位，是一个懂数据、懂布局、能打草稿的协作助手。

AI 能生成页面，前提是它懂组件数据

很多"AI 生成页面"的演示看起来没毛病，但放到真实 BI 产品里，很快会碰到一个问题：

不同组件需要的数据格式完全不一样。

数字卡只要一个数值。柱状图和折线图需要维度、系列和值。饼图需要分类和占比。散点图需要二维点。雷达图需要指标轴和多组数据。表格还要列定义和行数据。

如果不把这些格式提前约束好，AI 很容易生成一段"像 JSON 的 JSON"，但组件根本用不了。

所以这次我们把 AI 可以输出的数据结构做了收敛。常规图表使用 dimensions + source，表格使用列定义加数据行，雷达图、散点图也有各自明确格式。

例如常规图表可以是这样：

json 复制代码

{
  "dimensions": ["month", "amount"],
  "source": [
    { "month": "一月", "amount": 120 },
    { "month": "二月", "amount": 180 }
  ]
}

表格则更像这样：

json 复制代码

{
  "dimensions": [
    { "title": "地区", "key": "area" },
    { "title": "销售额", "key": "amount" }
  ],
  "source": [
    { "area": "天津", "amount": 1200 }
  ]
}

这些约束看起来有点"工程化"，但恰恰是 AI 能稳定落地的地方。

AI 可以负责理解需求和生成草稿，平台必须负责把边界定义清楚。没有边界，AI 输出就容易飘；有了边界，AI 才能变成产品能力。

接入中台数据，BI 不再只停留在样例数据

大屏生成只是第一步。真正可用的大屏，一定要接真实数据。

这次 BI 也增强了中台数据接入能力。组件可以选择中台数据，查看字段和预览数据，再把这些数据转换成图表需要的 dataset。

这件事看起来像是数据配置能力的增强，但它背后有更实际的价值。

过去图表接接口，经常会遇到各种返回结构：有的在 data.records 里，有的在 result.list 里，有的字段名和图表字段完全不一致。配置人员需要一边看接口响应，一边写转换逻辑。

接入中台数据后，数据来源更清晰。字段、预览数据、表结构都在平台里，BI 配置不再完全依赖外部接口约定。AI 在帮用户写转换逻辑时，也能拿到更稳定的上下文。

比如用户想把一张中台表展示成"各区域销售额柱状图"，AI 可以结合字段列表和目标组件数据结构，生成对应的转换逻辑，把原始记录整理成图表需要的格式。

这让 BI 和数据中台之间的关系更紧了。

BI 不再只是最后的展示层，而是开始连接数据资产、字段理解、数据预览和 AI 辅助处理。

AI 辅助写数据处理逻辑，少写一点胶水代码

做图表配置时，还有一个很常见的卡点：数据过滤和转换。

接口返回的数据不一定刚好适合组件。可能需要分组、求和、排序、字段重命名、时间格式化，也可能要把一份明细数据变成多系列图表。

以前这类事情通常要写一段 JavaScript 过滤函数。会写的人觉得不难，不会写的人就会卡住。

现在 AI 可以根据接口响应、目标组件示例数据和用户补充要求，生成过滤器函数体。

但这里我们没有让 AI 随便写一整段不可控脚本。函数签名、输入输出、目标结构、安全边界都是固定的。AI 只负责生成中间转换逻辑。

还有一个小设计我觉得很必要：如果 AI 判断字段含义不明确，可以要求用户补充信息，而不是硬猜。

数据产品里，猜字段是一件危险的事。一个字段看起来像金额，实际上可能是累计值；一个状态字段看起来能分组，实际上可能还需要字典映射。AI 可以提高效率，但不能让数据口径变得更随意。

StarRocks：给实时分析一个更有力的引擎

这次更新里，另一个重点是 StarRocks 支持。

如果说 AI 生成大屏提升的是"生产效率"，那么 StarRocks 增强的是"运行底座"。

StarRocks 是面向分析场景的 MPP 数据库，比较适合实时数仓、OLAP 查询、明细分析和高并发报表。它的优势不只是"快"这个字，而是适合承接大量分析型请求：

列式存储，更适合大宽表和多字段分析；
MPP 分布式执行，复杂聚合和多维查询更有发挥空间；
向量化执行引擎，对分析型计算更友好；
既能做聚合分析，也能支持较细粒度的明细查询；
对 BI 看板、实时大屏、高并发查询场景更合适。

数睿通 2.0 支持 StarRocks 后，用户可以把它作为数据源接入，也可以在数仓建设中选择 StarRocks 作为分析存储。

这会让平台的数据架构更灵活。

传统关系型数据库适合承载业务系统和常规数据处理，StarRocks 则更适合承接面向分析的高性能查询。不同场景用不同引擎，数据平台才能更从容。

也修了一些小问题

这次版本还顺手处理了一些影响体验和稳定性的问题。

比如 BI 大屏背景图片不展示的问题，ETL 执行过程中部分数据库连接释放不及时的问题，以及一些组件数据切换、静态数据回显、编辑器展示相关的小问题。

这些不算特别"显眼"的功能，但日常使用里很重要。平台类产品做到后面，很多体验就是靠这些细节慢慢磨出来的。

结语

这次数睿通 2.0 的更新，我觉得可以概括成两条线。

第一条线，是 BI 变得更智能了。

它不再只是拖组件、调样式、接接口，而是开始具备自然语言生成、图片理解、结构化蓝图生成、中台数据接入和 AI 数据处理能力。

第二条线，是数据分析底座变得更强了。

StarRocks 的加入，让平台在实时数仓、高并发查询、BI 大屏展示这些场景中，多了一种更适合分析负载的选择。

数据中台的价值，从来不只是"把数据放到平台里"。更重要的是，让数据可以更快被理解、被加工、被组织，最后变成业务真正能用的应用。