AI 能力导览

云器 Lakehouse 将 AI 能力作为数据平台的内生能力，而不是旁挂系统。这篇导览说明四个层面的 AI 产品，以及它们之间的关系。

一、统一模型底座：AI Gateway

所有 AI 能力共用同一个模型入口。

AI Gateway — 一个 Endpoint、一个 Key，调用 20+ 厂商大模型（阿里云百炼、OpenAI、Anthropic、DeepSeek、Kimi 等），兼容 OpenAI 和 Anthropic 接口标准，支持智能路由、BYOK（账单直走供应商）和按 Key/团队/项目的用量管控。AI Functions、Data Engineering Agent、Data Analytics Agent 共用同一套模型治理机制。

二、Lakehouse 内的 AI 与语义能力

AI 函数（AI Functions） — 把大模型能力下沉进 SQL 引擎。数据不出平台、无需写 Python，一句 SQL 完成：

函数	用途
AI_COMPLETE	自由提示词调用，文本生成、问答、分析
AI_SUMMARIZE	长文本摘要
AI_TRANSLATE	多语言翻译
AI_CLASSIFY	文本分类
AI_SENTIMENT	情感分析
AI_EXTRACT	结构化信息抽取
AI_MASK	PII 脱敏
AI_EMBEDDING	向量化
AI_TRANSCRIBE	音频转写
AI_FIX_GRAMMAR	语法修正

Lakehouse 同一张表原生支持标量、全文、向量三种索引，一条 SQL 可以混合过滤、全文检索、语义召回，无需外挂 Elasticsearch 或向量数据库：

向量检索 — 基于 HNSW 向量索引，支持语义搜索、RAG 召回、推荐系统。一张表里同时存结构化数据和向量，BI 和 AI 同源消费。
全文检索 — 倒排索引，支持关键词匹配、多字段搜索，适合日志分析、文档搜索。
混合检索（向量 + 全文 RRF 融合） — 同一条 SQL 同时召回语义相似和关键词匹配的结果，用 RRF 算法融合排序，检索质量优于单一方式。
多模数据检索 — 标量过滤 + 向量召回组合查询，例如"在某个品类下找最相似的商品"。

语义视图（Semantic View） — 在物理表与业务分析之间建立语义抽象层，集中定义表关系、维度与指标，从根本上解决「同一指标、不同结果」的口径不一致问题。它同时也是 AI Agent 能稳定、准确问答的语义基础。

三、面向不同人群的 Agent

Data Analytics Agent — 面向业务用户的对话式分析。其价值不止于"自然语言查数"，更在于背后已就绪的分析域隔离、统一口径、行级权限与审计——让大模型在受控的企业上下文中给出可信结果，而非自由访问全部数据。

Data Engineering Agent — 面向数据工程师的生产流程 Agent，覆盖开发、调度、发布、运维、诊断全链路。遵循「先探索、再收敛、后执行」的工作方式，对变更类、高影响操作内置确认与影响范围检查的安全边界。

SingClaw — 面向业务主（尤其电商与一人公司）的桌面端、有记忆的主动式数据 Agent。接入数据后无需搭建看板，每天主动推送「业务简报」，直接告诉你哪里出了问题、为什么、今天第一件该做什么。

四、让 AI Agent 接入 Lakehouse 的两条通道

cz-cli — 专为 Agent 时代设计的命令行入口和 Sub-Agent。相比 JDBC（需注入海量 schema）、MCP（工具描述占用大量上下文）、REST（需多步拼接），cz-cli 自描述可发现、一条命令对应一个完整业务动作、上下文开销极低，支持作为独立子 Agent 处理复杂数据任务。Claude Code、Cursor、Kiro 等 AI 编程工具通过 cz-cli 可完成完整数仓开发和运维工作流。

MCP Server（Studio 托管版） — 零部署即可接入。无需自建服务进程，仅创建 Token 即可让 Claude Desktop、Cherry Studio 等通用 AI 客户端直接操作 Lakehouse 的数据、任务与运维能力。

各能力的关系

AI Gateway（统一模型底座） ↓ 为所有 AI 能力提供模型服务 ├── AI Functions — 在 SQL 里直接用大模型 ├── 语义视图 — 为 Agent 提供稳定的语义层 ├── Data Analytics Agent — 业务用户对话式分析 └── Data Engineering Agent — 工程师全链路 Agent AI Agent 接入通道 ├── cz-cli — 低上下文、高确定性的命令行接口 └── MCP Server — 零部署的通用 AI 客户端接口