问题不是不会写 SQL，而是从找数、理解口径、分析、验证到报告输出的全链路低效
多种数据库、文件与业务系统分散，数据分布在不同平台与团队，权限与归属不清，反复沟通确认。
指标定义、维度口径、业务规则难以理解，口径文档分散、版本不一，理解成本高且易产生歧义。
取数、分析、验证、报表分属不同工具与人，过程断裂，复用性差，分析经验无法沉淀。
口径不一致导致结果反复校验，报表开发与格式调整耗时，交付周期长，业务信任度难以建立。
通过统一链路，把数据、语义、执行与扩展能力连接起来
通过统一 Connector 抽象，把不同类型的数据源统一为同一种接入能力，多源异构先统一接入，后续分析能力才能复用。
在生成 SQL 之前，先通过 Schema RAG 建立结构化上下文，让智能体先找对表，再写 SQL，减少盲目生成。
Skill 用来沉淀并加载业务语义，让分析不再依赖临时口头解释，系统从"能查数据"走向"能理解业务并按方法分析"。
把问题转成证据、计算和报告：既关注计算效率，也强调安全边界、证据链与可解释输出。
RCA 不是某个数据集的写死逻辑，而是一套可迁移的方法框架，适配销售、运营、供应链、财务等不同场景。
分析能力只有进入真实业务流程和外部系统，才能真正形成业务价值。Workflow 负责流程稳定性，MCP 负责系统连接能力。
以公开的巴西电商订单数据集为例，展示 DataPie 从提问到证据、计算与报告的完整过程
统一 Connector 抽象，异构数据库无缝接入，形成统一的数据能力底座。
自动读取表结构与关系，向量化检索精准召回相关表字段，先找对表再写 SQL。
指标口径与业务规则沉淀为可加载资产，不同业务场景快速复用，减少歧义。
从问题到证据、计算、结论，只读 SQL + Python 分析，输出可解释、可追溯的报告。
AWEL Workflow 编排稳定流程，MCP 连接外部工具与业务系统，让分析结果进入真实业务。
与才识企业 AI 产品矩阵打通，数据洞察可直接进入知识问答与日常办公场景。
构建通用评估框架，持续度量数据接入、理解、分析与输出的整体能力。
沉淀零售、金融、制造、运营等行业的 RCA 方法模板，开箱即用，持续迭代。
加强数据权限、行列级控制、审计与安全边界，满足企业合规与治理要求。
扩展 MCP 生态，接入更多企业工具与数据源，打通数据到行动的最后一公里。
