镜舟MIP：企业级AI Agent经营分析如何低成本落地？

企业级 AI Agent 想做一次经营分析，得先读业务表、文档和图片，弄明白销售额、取消率这些指标到底怎么定义，最后再把结果整理成能核查的报告。数据散在各处、口径对不上、知识要一遍遍重新梳理，Agent 的搭建和维护成本就这么被抬高了。

2026 年 10 月 20 日，镜舟科技推出 MIP（MirrorShip Intelligence Platform），定位是极速统一的企业级 AI 数据平台。镜舟科技产品负责人董颖婷在演讲里用售后图片检索、活动预算计算和零售经营分析三个场景，演示了数据、业务语义与 Agent 怎么配合把任务做完。

企业级 AI Agent 的三层底座

MIP 的思路是以数据库为核心，把统一数据访问、业务定义和 Agent 运行这三块组织成共享能力。

MirrorData 是统一数据底座，由基于 StarRocks 的实时分析引擎 MirrorBase 和开放湖仓存储 MirrorLake 撑着，提供查询、检索和多模态分析，服务对象包括 BI、数据应用和 Agent。

MirrorMind 扮演企业级语义层。指标、维度、表间关系和计算规则靠 Semantic View 定义，业务规则、资料来源和分析方法则由 Knowledge Context 补充，多个 Agent 可以共用这一套。

MirrorPilot 是语义层驱动的 Data Agent，管上下文组织、查询和工具调用，也管会话与任务状态，分析结果交付给业务用户，还能通过 API 接进已有应用。

MirrorControl 横跨这三层，负责治理、安全、权限和运维。经营分析、售后诊断、商品选型这些应用，用的可以是同一套数据与知识基础。

从一张售后照片到 SQL 关联分析

处理售后问题时，企业经常要把图片里的破损情况和订单、物流、退款记录串起来看。光找到相似图片，后面的调查还是撑不起来。

演示里，用户上传一张屏幕破损的照片，想找近期破损形态接近的售后记录。系统先把参考照片转成查询向量，再当作参数传给 SQL。这条查询同时带上图片相似度、时间、品类和“开箱／拆箱”等文本条件，并关联售后单与订单明细，把批次、承运商和退款信息补齐。

所谓“一条 SQL”说的是查询阶段，不包括前面生成图片向量那一步。检索出来的业务记录还能接着做关联、聚合和分析，用来判断问题集中在哪些批次或运输环节。

MirrorData 能统一访问内表和 Paimon、Iceberg、Hive 等湖表。原始图片、文档、音视频可以留在对象存储里，需要时再解析，把文件引用、提取的文本和向量跟业务字段挂上关系，省得为单个 Agent 另建一条数据链路。

SQL 能执行，业务口径仍需明确

数据查得出来之后，Agent 还得知道该怎么算。拿“公司的活动预算是多少”来说，演示用的底表里有四个金额字段。没有 Semantic View 的时候，Agent 把这几个字段一股脑求和，算出约 2,916 万元，不相关的金额也混进了结果。

放到 Semantic View 里，“活动总预算”已经绑定了明确的计算表达式 SUM(bbbb_amount)。Agent 读到定义，只对指定字段求和，得到 198 万元。最后执行的还是底表 SQL，语义定义的作用是给字段选择和指标计算提供业务依据。

这组对照说明，查询语句跑得通，不代表算出来的东西符合业务定义。Semantic View 把业务名称、指标公式、维度和表间关系集中维护，用户可以把定义和执行 SQL 对着看，核查结果。

零售分析里也有同样的边界。一笔订单可能带多条商品明细，订单数和销售额的统计粒度并不一样。演示中销售额算的是已支付订单的折后实收金额，取消率则用“取消订单数 ÷ 全部订单数”。

业务上下文里还有例外规则、政策资料和分析流程。MirrorMind 借了 Git 的管理方式，支持分支、版本回溯和快照；改动要经过验证和业务确认，才会给后续任务用。这样多个 Agent 能共用同一套定义和知识，少掉各自维护带来的偏差。

从零售查询到可核查的分析报告

脱敏的零售经营分析示例里，配置先划定 Agent 的数据范围、Semantic View 和知识库，再设定角色、回答规则与 Skill，比如异常分析往下钻的步骤和报告格式。

用户先用自然语言要求按渠道拆分销售额，Agent 返回各渠道结果、图表和原始 SQL。用户可以核对指标、时间范围和计算口径，再接着追问取消率是否异常、哪些部门或商品需要进一步分析。

问到“取消率为什么升高”，Agent 按企业已有的分析方法查品类、品牌和商品，同时检索仓储事件和库存记录。规则与方法由 MirrorMind 提供，执行步骤由 MirrorPilot 组织，查询由 MirrorData 完成。输出里有推测的原因、相关证据和建议动作，供业务人员继续核查，不能直接当成因果证明。

分析做完，用户可以在同一个对话里让 Agent 生成管理层报告。任务中的数据、图表、业务资料与结论会被整理成能打开、能下载的 HTML 报告，交给业务部门讨论和复核。

数据检索、指标计算、异常分析、报告交付，这几步在这套流程里被串到了一起。企业级 AI Agent 想从“能答问题”走到“能进业务”，靠的是三样东西：业务定义说得清楚、知识可以复用、SQL 和来源都能回查。

平台架构和发布方面的更多内容，可查看镜舟 MIP 的产品介绍。