DataFoundry：企业级 Data Agent 工作台，把提问变成可信的数据工作

场景切入：当 AI 查数据库时，你在担心什么？

想象一下这个场景：业务部门提了一个问题——"第三季度华北区域的复购率是多少？"你打开一个 AI 工具，输入这个问题，AI 返回了一个数字。你敢直接用这个数字做决策吗？

大多数人的第一反应是：不敢相信。

原因很现实：AI 真的理解"复购率"在你公司的定义吗？它用的是哪张表、哪个口径？会不会改了我的生产数据？凭据会不会泄露？事后出了问题，我该怎么复盘？

这些问题，传统的 prompt → SQL → answer 模式根本回答不了。DataFoundry 正是为解决这些问题而生——它不是又一个"AI 写 SQL"的工具，而是一套把 Agent 放进语义层、权限层和审计层的企业级数据任务系统。

背景：DataGallery 的企业 AI 数据战略

DataFoundry 由 DataGallery 团队开发，GitHub 仓库 stars 759、forks 105，是其 DataAgent 产品线的开源实现。

DataGallery 在企业 AI 数据领域有真实的落地经验。据 AI Magazine 报道，DataGallery 的技术已在国内某头部银行落地，为约 20,000 名数据分析师和 200,000 名管理和营销人员提供自然语言数据访问和 Agent 辅助分析服务。这不是 demo，是真实的生产级验证。

DataFoundry 的定位是数据领域的 Agent 基础设施：DataGallery 负责语义上下文、权限管控和效果评估，DataFoundry 负责将自然语言查询转化为可信、可控、可追溯的数据工作。

核心能力：28 类数据源、一套语义层、全程可审计

数据源：覆盖主流数据库与 SaaS

DataFoundry 开箱支持 28 类数据源，包括 PostgreSQL、MySQL、Snowflake、BigQuery、ClickHouse、MongoDB、Redis、Elasticsearch 等。无论企业数据在本地数据库还是云端数据仓库，都能快速打通，无需重复造轮子。

语义层：让 AI 读懂"业务口径"

传统 NL2SQL 的核心问题是语义不对齐——"GMV"在不同部门可能指不同的表和字段。DataFoundry 引入统一语义引擎（Unified Semantic Engine），统一管理 schema、指标口径和字段关系。

举一个具体例子：当用户问"本月活跃用户数"时，系统不是简单匹配"user"字段，而是通过语义层理解"活跃"的定义（如最近 30 天有登录行为）、引用正确的用户表和时间范围，确保口径与企业业务定义一致。

安全：只读边界 + 凭据隔离 + 全程审计

DataFoundry 的安全设计是"从架构上强制"，而非依赖 prompt 约束：

• 默认只读查询：所有分析任务在只读边界内执行，无法修改生产数据
• 凭据隔离：数据源凭据不进入 Agent 上下文，避免泄露
• 行数限制与超时控制：防止大查询拖垮数据库
• 全程留痕：SQL 执行、工具调用、事件流全程可回放，每个结论都有证据链支撑

复杂分析：多表、多步、长程推理

不同于简单的一问一答，DataFoundry 面向多表、多字段、多步骤的复杂分析任务。Agent 会将复杂问题逐步拆解、验证每一步的结果、收敛到可信结论，最终以表格、图表和报告形式输出。这些产出可以沉淀为团队共享的工作区资产。

技术架构：Monorepo + TypeScript 全栈

DataFoundry 采用 TypeScript Monorepo 架构，仓库组织清晰：

datafoundry/
├── apps/
│   ├── api/        # Node.js REST API（端口 8787）
│   ├── web/        # Next.js Web UI（端口 3000）
│   └── tui/        # Ink 终端 UI
├── packages/
│   ├── agent-runtime/    # Agent 运行时核心
│   ├── data-gateway/     # 数据源网关
│   ├── knowledge/        # 知识库管理
│   ├── metadata/         # 元数据与语义层
│   ├── skills/           # Agent Skills
│   └── ...               # contracts, files, artifacts 等
└── services/
    └── datalink/         # DataLink 语义连接服务

核心技术栈：

组件	技术选型	说明
Agent 运行时	Mastra	开源 AI Agent 框架，支持多模型、多工具
前端 UI	Next.js + AG-UI 协议	事件流驱动 UI，支持实时 Agent 交互
终端 UI	Ink	React风格的终端界面框架
数据连接	MCP (Model Context Protocol)	标准化数据源接入协议
编排工具	CopilotKit	AI Copilot 集成框架
Python 沙箱	venv (numpy/pandas/matplotlib/scikit-learn)	数据分析执行环境

值得注意的是，项目对多个新兴协议和框架的整合：AG-UI（事件流协议）、Mastra（Agent 运行时）、Ink（终端 UI）和 CopilotKit，说明 DataFoundry 的目标是成为这些新兴标准的参考实现，而非自建封闭生态。

争议与局限

不是零门槛的工具

DataFoundry 的定位是面向有数据工程能力的技术团队。部署需要：Node.js >= 22、配置 LLM API Key（默认通义千问）、接入数据源、配置语义层（定义业务口径）。这不是一个"下载就能用"的工具，而是需要一定定制化投入的企业级平台。

语义层需要人工维护

Unified Semantic Engine 的价值在于口径一致性，但这也意味着语义层需要人工定义和维护。随着业务增长，语义层需要持续迭代，这是隐形的维护成本。

无容器化支持

项目未提供 Dockerfile 或 docker-compose，不支持 Kubernetes。这对于已容器化的企业基础设施来说是个遗憾。官方仅提供 deploy.sh 脚本 + nginx 配置示例，生产部署需额外工程工作。

相对早期

版本为 v0.2.0，README 自述"early but usable"。在大规模并发、多租户场景下的稳定性尚未经过充分的社区验证。

行业意义：从"AI 写 SQL"到"可信数据工作"

DataFoundry 背后反映的趋势是：企业 AI 应用正在从"能力展示"走向"生产就绪"。过去两年，行业看到了大量 NL2SQL 工具，但在真实企业中落地者寥寥——核心原因不是 AI 写不出 SQL，而是缺少语义层、权限层和审计层的配套。

DataFoundry 的贡献在于，它把 Agent 不是一个简单的 SQL 生成器，而是一套完整的数据任务操作系统。这个方向与 Palantir Foundry、Databricks Unity Catalog 等企业数据平台的思路一致，但以开源方式实现。

据 Thomson Reuters Institute 分析，2026 年企业 AI 能否规模化，取决于"数据 foundry"——即能否建立一套可控、可信、可追溯的数据工作流基础设施。DataFoundry 正处于这一趋势的前沿。

如何部署体验

DataFoundry 需要 Node.js >= 22。克隆仓库后：

git clone https://github.com/datagallery-ai/dataagent
cd dataagent
cp .env.example .env
# 编辑 .env，配置 LLM_PROVIDER、LLM_API_KEY 等
./deploy.sh

Web UI 访问 http://localhost:3000，API 服务在 http://localhost:8787。详细文档见 datagallery-lab.github.io/datafoundry。

总结

维度	评价
定位	企业级 Data Agent 工作台，非玩具 demo
核心优势	28 类数据源、语义层、只读安全、全程审计
技术亮点	Mastra + AG-UI + Ink + MCP 全协议整合
适用场景	有数据工程能力的企业团队，需要可信的 AI 数据分析
门槛	中等偏高，需要配置语义层和数据源
容器化	暂不支持，需手动部署
成熟度	v0.2.0，有真实生产案例但社区尚在早期

DataFoundry 是一个有真实企业落地经验背书的开源项目。它解决的不是"AI 能不能写 SQL"，而是"AI 能不能在企业数据治理框架下可信地工作"。对于需要严肃对待数据安全与口径一致性的团队，它值得关注。