跳转至

腾讯 Omega：AI BI 生成式 Dashboard 产品（QueryRegistry + DTBridge）

Ch05.073 腾讯 Omega：AI BI 生成式 Dashboard 产品（QueryRegistry + DTBridge）

📊 Level ⭐⭐ | 8.7KB | entities/tencent-omega-ai-bi-marmos-2026.md

腾讯 Omega：AI BI 生成式 Dashboard 产品（QueryRegistry + DTBridge）

来源: 腾讯技术工程（jiaxingjin）

发布日期: 2026-08-03

原文链接: https://mp.weixin.qq.com/s/EF1nVNMhCwYivMFey7uI-g

产品: 马尔摩斯/marmos（marmos.qq.com，内测中）

摘要

腾讯 DataTalk 团队在推翻 2024 年 ChatBI（AI 生成 SQL + 画图，但"接不住后面的分析工作"）后重新设计的 AI BI 产品。核心立场：聊天框不是 BI 的下一代——AI 只完成"问题到 SQL"只是缩短一次查询，Omega 要接管完整分析工作：理解数据源字段 → 规划指标（总销售额/环比/趋势/品类结构/地区差异）→ 查询数据 → 选图表 → 组织页面 → 生成完整 Dashboard，且支持局部修改、联动筛选、持续刷新、分享协作。核心开发仅 3-4 人，2026-01 中开工，前两个月跑通主链路，后续数月解决"离开演示环境仍然像个产品"。

数据契约架构：QueryRegistry + DTBridge

核心问题：很多 AI 看板把查询结果直接写进页面（const data = [...]），生成后数据凝固——换时间、加筛选、刷新都得重新生成。页面看着是活的，数据其实已经死了。

解法（职责拆分）：AI 负责表达"我要什么"，系统负责"它怎么稳定拿到"。

  • QueryRegistry（结构化数据契约）：每张图的查询、参数、结果绑定、筛选器联动关系全部声明清楚。字段包括 queryId（稳定引用）、datasetId（路由到已登记数据集）、params（参数类型/日期精度/成对关系/级联来源/选项查询）、fieldBindings（SQL 输出列→维度/指标角色映射，避免"读取销售额、SQL 返回 total_gmv"类静默失败）
  • DTBridge（运行时）：扫描 SQL 模板占位符构建"参数名 → queryId[]"依赖表，筛选器更新时只刷新受影响图表；valueType + aliasOf 统一处理时间格式差异（事实字段 2026-07-22 00:00:00 vs 分区字段 20260722）；防抖合并、取消旧请求、级联筛选沿依赖图工作；参数注入转义（日期/秒毫秒/字符串字面量/去分号注释）但不宣称"绝对防注入"

指标证据链（先找证据，再谈"理解指标"）

原则：离用户当前工作现场越近的证据优先级越高。层级：已有查询口径 → 用户指定的数据 → 语义模型和字段元数据 → 被明确引用的业务知识 → 检索候选。

  • 修改已有图表时，复用该图已执行的真实 SQL 中的业务定义（SUM(pay_amount-refund_amount) 等），不重新发明
  • 新分析时，用户明确选择的数据集优先；生成前必须调用 Schema 工具拿真实字段（物理字段/展示名/类型/说明/分区/引擎/路由），外层 Schema Guard 拦截"指定了数据却没读 Schema 就生成"
  • 未指定数据时在个人/团队空间/可访问目录检索（名称/描述/物理表名/关键词/归属/更新时间，合并去重）
  • 证据不足时暴露候选或继续确认——"LLM 可以降低使用数据的门槛，不能顺手替企业补完从未做过的数据治理"

语义模型路径：逻辑字段分类 DIM/FACT/TIME_DIM → 生成 MODEL('') 的 SemanticQL → 语义查询服务转物理 SQL（底层 JOIN/指标公式/引擎适配不由模型临场猜测）。转换失败带错误+上一版 SemanticQL+可用字段列表反馈给 Agent，限定次数内从真实字段重新选择。

三层安全边界

  1. 身份授权：查询身份由服务端从登录态解析（不接受页面声明 userId）；普通访问校验文件+数据集权限，分享访问先校验分享关系；数据集 Schema/查询执行/文件打开分别做权限判断
  2. 查询层：可完整解析的 SQL 方言用 AST 检查（单条只读 SELECT、拒绝多语句/危险函数、提取真实表引用含子查询 CTE、统一行数上限）；ClickHouse 等用轻量只读检查 + readonly 模式 + 超时 + 结果上限
  3. 页面运行环境：数据库凭证不进 HTML，页面经受控查询代理请求数据；iframe sandbox + CSP；不把 iframe 当防泄漏系统（敏感数据仍需上游行列权限/字段脱敏/网络出口策略）

身份生命周期：持久化时剥离运行时脚本和查看者信息；真正打开/分享时再注入唯一 QueryRegistry + DTBridge SDK + 系统参数——"数据契约可以保存，运行时身份不能被永久烘焙进快照"。

Harness 层（不押注模型"自觉"）

  • 工具渐进选择：运行时按 Canvas/文件类型/用户选择/计划阶段自动预激活高置信度工具，其余由模型 select_tools 渐进选择，避免几十份工具 Schema 同时进上下文；业务工具框架无关契约，换 Agent 框架只调适配层
  • 错误分类修复：结构完整性检查（截断裁掉不完整片段补齐闭合结构）、查询声明存在性、图表-真实查询绑定；字段别名/时间格式/筛选器选项用规则处理（"规则能修的，不让模型重写"）；语义问题交给 Agent 带错误上下文做有目标修复——反对"让模型检查修复所有问题"（既贵又不可测试，可能修好一处改坏另一处）
  • 写入前重验权限：不能因 Agent 拿到文件 ID 就默认有权覆盖

运行时四契约（慢 SQL 事故教训）

事故：高基数 COUNT(DISTINCT) 查询正常执行需 110-130 秒，被 120 秒空闲看门狗当僵尸杀掉；前端连接断了但停止信号没传到最底层，SQL 继续跑 30 分钟后才超时。

四契约：有界、可取消、可观测、可自纠。

  • 叶子工具 deadline 由工具自己声明、统一适配层执行；取消信号传到真正执行查询的地方
  • 每轮运行必须返回且只返回一个类型化 finish{reason, detail}；异常终止时前端保留已生成内容
  • 持续流式子 Agent 豁免 deadline-race（delegate_agent_*/backend_agent 工具），改用整轮生命周期上限+活性检测+流式心跳
  • 重复调用护栏：同一工具连续 32 次相同请求先提醒换路、到阈值熔断
  • "Agent 能不能上线，取决于超时/截断/重复/取消时有没有一个体面的收场"

人机协作与产品化

  • A-MD 协议：外层文件协议，AMDFile 含 SQL/Python/图表/指标/筛选器/说明文字 Block + 各视图 Layout；Canvas 是 dashboardLayout.canvas 下的一种 Dashboard 视图载荷（存 HTML + QueryRegistry）——A-MD 管文件/版本/可编辑分析过程，Canvas 负责最终页面动态查询
  • 协作模式：小改动直接告诉 AI 只改目标区域；微调布局 GUI 拖拽；大变化 Plan Mode 先列修改内容确认后执行；"AI 原生不等于所有交互都必须经过聊天框"
  • 审美基础设施：23 种视觉风格 + 18 种可视化引擎；"薄配置，厚引擎"——内置风格源配置约 120 字（几个颜色/字体/关键词/调性），后端展开为约 800 字设计规格（色板/文字关系/边框/布局/动效约束）
  • 监控与推送：图卡监控规则（如"转化率<5% 且订单量>1000"告警，可跨卡组合）、按周/月定时推送（绕过旧缓存最新数据截图、失败有记录地降级）；版本历史跟随产物、目标空间重新授权
  • 成本对比：内部固定样例——Claude 4.6 约 14.2 元 vs 混元 Hy3 约 0.47 元（差约 30 倍），驱动"高性价比模型稳定完成复杂工作"的 Harness 设计

相关链接