01 / 产品详情
将每个问题,沉淀为 Data MCP、Data Agent 与 Data App。
02 / 产出物
Lanikaia 产出三类具体资产。
01
Data MCP
受治理的数据使用接口
将 dataset、function、metric、policy、lineage 发布为 MCP tool。Agent 与内部工具只能调用被授权的数据和定义。
评估视角: 现有 metric、dbt asset、policy 能否作为 MCP tool 安全调用。
02
Data Agent
将问题推进为可执行工作的 Agent
自然语言问题会变成包含引用数据、生成代码、中间表、审阅上下文与审批状态的工作单元。它不是聊天记录,而是可复现的分析历史。
评估视角: 同一问题能否由其他团队、其他周期、其他数据 snapshot 重新执行。
03
Data App
让已验证发现进入业务的输出面
将验证后的结果发布到 workflow、approval、operational view、API、MCP、BI 或 Excel output。分析结果不会止步于报告,而会进入业务节奏。
评估视角: 输出能连接到董事会、周会复盘还是日常运营。
03 / 产品内流程
一个问题会经过五个状态。
- 01
Ask
用户用业务语言提问。例: 主要客户的流失率为什么上升。
- 02
Context
Lanikaia 收集 metric、policy、catalog grant 与相关历史,并在执行前确定可读取范围和使用定义。
- 03
Execute
Agent 生成 SQL / Python / workflow,并绑定 Iceberg snapshot 与 semantic asset 后执行。
- 04
Review
分析师、领域专家与数据负责人在同一位置审阅答案、生成代码、引用来源与审批状态。
- 05
Promote
只有有价值的工作会被提升为 Data MCP、Data Agent 或 Data App,成为下一次可复用对象。
04 / 评估角色
不同读者应检查不同位置。
CDO / Head of Data
检查 Data MCP、Data Agent、Data App 是否能落入本公司的治理模型与责任边界。
Data Platform Lead
检查 Polaris、Iceberg、dbt、身份体系与审计日志在何处连接。
Analyst / BI Lead
检查一次性分析是否能转化为可重新执行的 commit 与业务输出。
Security / Governance
检查执行前拒绝、执行后 lineage、审批与审计日志是否完整。
05 / 下一步