部署目标
0 一套工作台覆盖数据、知识、BI 与 Agent 网关Self-hosted AI Data Workspace
把数据、业务知识和 Agent 放进同一个可信工作台
Superdash 正在从轻量 BI 升级为面向小团队的自托管 AI 数据与知识控制面。 DuckLake 负责本地分析数据，AI Wiki 沉淀业务口径，轻量语义层帮助大模型理解指标， MCP 网关把受控的数据能力安全暴露给 Codex、Claude Code、OpenCode 等 Agent。
- 不是重型大数据平台 一键部署后即可接入 CSV、Excel、Parquet 和业务库，不需要搭 Hadoop、Spark 或复杂数仓。
- 不是 BI 加聊天框 AI 必须先检索业务知识、拉取精确表结构、通过 SQL dry-run 校验，再执行查询。
- 数据主权在本地 分析数据、知识库、SQL 资产和审计日志保存在自己的环境里，模型和 Embedding 服务可替换。
DuckLake
AI Wiki
MCP
可信 AI 数据控制台
Superdash Trusted Context Console
本地运行中
分析数据层
DuckLake
Parquet / CSV / Postgres
知识检索层
LanceDB
Schema + Markdown
Agent 网关
MCP
Tools / Resources
一次可信查询的上下文组装链路
全程可审计
1. 检索业务事实：退款、区域、毛利口径
search
2. 拉取精确表结构：orders / regions
schema
3. 校验 SQL 与权限：EXPLAIN / scan guard
dry-run
01
接入数据，不搭重型数仓
把 CSV、Excel、Parquet、Postgres 等数据源挂进 DuckLake，系统业务表继续由 Postgres 保存。
02
沉淀业务知识，而不是堆 Prompt
用 Markdown 写清指标、枚举、口径和例外规则，并向量化到 LanceDB 供 Agent 动态检索。
03
查询结果变成可复用资产
通过校验的 SQL 可以保存为图表、看板、数据集或 Wiki 说明，越用越像团队自己的数据操作系统。
重型依赖
0 面向小团队，不从大数据平台起步数据控制
0 私有环境内运行，模型和存储均可替换DuckLake 作为本地分析层
LanceDB 驱动轻量语义检索
MCP 把安全工具开放给 Agent
产品架构
一键部署的小团队 AI 数据栈
Superdash 的核心不是再做一个看图表的 BI，而是把数据存储、业务知识、语义层、Agent 网关和 BI 资产放到一个可控系统里。 小团队可以先从本地数据分析开始，再逐步把可信上下文交给 AI。
DuckLake / DuckDB / Parquet
默认用 DuckLake 管理分析数据与快照，DuckDB 提供本地向量化查询能力，适合从文件、对象存储和业务库快速起步。
Postgres 保持稳定控制面
用户、权限、组织、看板、审计、任务等产品自身业务表继续使用 Postgres，避免把分析层和系统层混在一起。
AI Wiki 保存业务背景
指标定义、口径说明、枚举含义、测试账号排除规则、部门术语，都用 Markdown 沉淀为模型和人都能读懂的知识资产。
LanceDB 混合搜索
Schema YAML、字段说明和 Wiki 文档统一向量化。Agent 提问时只取相关上下文，减少 token 浪费和注意力稀释。
MCP Tools / Resources
把 search_knowledge、get_schema、dry_run_sql、execute_and_save 等能力标准化暴露，Agent 不能绕过权限直接碰底层数据。
BI 看板与 SQL 可追溯
一次可信查询可以沉淀为图表、看板、数据集或 Wiki 说明，并追溯到 SQL、数据快照和当时参考的业务知识。
轻量语义层
打破 Text-to-SQL 准确率天花板，靠的不是更长 Prompt
传统 BI 语义层太重，需要专职数据工程师维护 DSL。Superdash 把语义层降维成“表结构卡片 + Markdown 业务事实 + 向量检索 + SQL 校验工具链”，让业务人员也能维护。
从问题到可信 SQL 的最短闭环
AI 不是直接面对数据库裸写 SQL，而是先通过 LanceDB 找到业务事实，再精准拉取表结构，最后由 DuckDB 做语法与扫描风险校验。
基础物理层：自动抽取 Schema
从 DuckLake 生成表名、列名、类型、关联和字段注释，只保留模型需要的精简结构。
业务逻辑层：Markdown 知识库
用自然语言和少量 SQL 片段定义指标、枚举、排除规则、时间口径和部门术语。
检索层：LanceDB 混合搜索
按用户问题动态检索相关 Schema 和业务事实，而不是把全量数据库上下文塞进模型。
验证层：dry_run_sql
所有 AI 生成 SQL 先 EXPLAIN、权限预检和扫描范围检查，低级字段幻觉和危险查询尽量在执行前拦下。
业务人员能维护
“订单 status = 2 代表已退款”这种知识写在 Wiki 里即可，不必让团队学习 LookML、Cube 或复杂 DSL。
模型上下文更干净
每次只喂给 Agent 当前问题相关的表、字段和业务规则，降低误解、遗漏和 token 成本。
结果可以追责
看板数字能追溯到 SQL、数据快照、参考 Wiki 和工具调用日志，适合真实经营决策，而不只是一次聊天答案。
Agent / MCP 网关
让 Codex、Claude Code、OpenCode 等 Agent 安全地使用企业数据
Superdash 的 MCP Server 是数据服务总线。它把“查知识、取表结构、校验 SQL、执行查询、保存资产”封装成受控工具， 让 Agent 能干活，但不能越权、不能绕过审计。
先找业务事实
检索 AI Wiki、Schema 描述和指标说明，找到“退款”“华南区”“毛利率”等业务口径的真实定义。
再取精确结构
Agent 确定要用哪些表后，再按需读取 DDL、字段注释、关联和权限边界，避免凭记忆猜字段。
执行前先拦错
用 DuckDB EXPLAIN 做语法校验、字段校验、扫描范围检查和危险语句拦截，把错误留在真正执行前。
结果沉淀为资产
通过校验后执行查询，把结果保存成图表、看板、受管理数据集或 Wiki 附录，形成可复用的团队资产。
定位差异
不是传统 BI，也不是给数据库套一个聊天框
对比维度
Superdash
传统 BI / 裸数据库 + Chatbot
目标用户
小团队、创业公司、私有化要求高但没有专职数据平台团队的组织
传统 BI 偏数据团队；Chatbot 方案通常缺少权限、语义和审计闭环
部署复杂度
一键部署，DuckLake、LanceDB、Postgres、MCP Server 和 BI UI 作为一套系统交付
要么需要搭数仓和语义层，要么只是把数据库连接串交给模型
业务知识
用 AI Wiki 保存业务口径，并向量化检索给 Agent 使用
知识散落在员工脑中、飞书文档、旧 SQL、Prompt 或聊天记录里
AI 查询安全
MCP 工具链统一做权限、SQL dry-run、扫描控制和审计记录
容易把模型直接接到数据库，字段幻觉、越权查询和误执行风险更高
长期价值
沉淀的是数据快照、业务知识、可信 SQL、看板和 Agent 调用记录
传统看板难以解释上下文；聊天答案难以复现和资产化
延伸阅读
从轻量 BI 出发，升级到 AI 数据与知识控制面
Superdash 会继续保留小团队需要的轻量 BI 能力，同时把新的产品重心放在本地分析层、知识库、语义层和 Agent 网关上。
早期部署共创
如果你想把团队数据和 AI Agent 真正连起来，先从一次私有部署评估开始
你可以直接发来当前的数据来源、已有 BI 痛点、知识文档形态、希望接入的 Agent 工具和部署环境。 我会判断 Superdash 适不适合你的团队，以及第一阶段应该先落 DuckLake 数据层、AI Wiki，还是 MCP 网关。
- 适合希望自托管、重视数据主权，但不想搭 Hadoop / Spark / 大型数仓的小团队
- 适合已经有 Excel、CSV、Postgres、Parquet、S3 目录或历史 SQL，需要统一成 AI 可用上下文的团队
- 适合准备让 Codex、Claude Code、OpenCode 等 Agent 基于企业数据做分析、生成 SQL 或沉淀看板的团队
