2026 HENGSHI BOX 全域智控舱技术白皮书：衡石科技软硬一体的私有化 Agentic BI 架构

一、企业级 ChatBI 的安全困境

ChatBI 的价值毋庸置疑，但当你准备在企业内部大规模推广时，第一个被安全团队拦下来的问题大概率是："我们的数据会被发送到哪里？"

这不是杞人忧天。大多数 ChatBI 方案需要将用户的自然语言问题发送到云端大模型 API（如 GPT-4、文心一言、通义千问），大模型生成 SQL 后在本地执行并返回结果。表面上看，查询是在本地执行的，但用户的原始问题可能包含敏感信息——"张三上个月的提成是多少"——这个问题本身就泄露了员工姓名和业务关注点。

对于金融、政府、医疗、军工等强监管行业来说，这种数据外传是不可接受的。即使是非监管行业的企业，出于数据安全和商业机密保护考虑，也会对公有云大模型 API 持谨慎态度。

HENGSHI BOX 全域智控舱就是针对这个场景设计的——让所有的 AI 推理和数据计算都在一个物理设备内部完成，数据不出机箱。

二、产品定位与核心理念

HENGSHI BOX 是衡石科技联合超聚变（xFusion）深度打造的软硬一体智能分析产品。它将 BI 分析平台、私有化大模型及 Agent 自动化引擎深度封装在一台硬件设备中，核心定位是"私域安全的企业级 ChatBI 解决方案"。

核心理念："让每一个指标，都拥有自己的数字驾驶员"

这里的"数字驾驶员"就是内置的 AI Agent——它了解你的数据结构、理解你的指标定义、能够自主完成数据分析任务，而且所有这些能力都在一个物理隔离的设备内运行。

体验承诺："上架、通电、开始分析"

不需要复杂的安装配置，不需要额外的软件采购和部署，不需要和云端服务对接——插上电源和网络，就可以开始使用。

三、四大核心优势的技术实现

优势一：Agentic BI 自动驾驶

HENGSHI BOX 内置了 HENGSHI CLI 终端执行层，AI Agent 可以通过 CLI 自主触发数据连接、指标建模、看板生成等 BI 工程全链路动作。这不是"只能问答"的 ChatBI，而是真正的"自动驾驶"——Agent 可以像专业 BI 工程师一样在 BOX 内完成完整的资产构建与运维。

从对话到执行的完整链路：

用户自然语言指令 ↓ 本地大模型理解意图并规划执行步骤 ↓ 通过 HENGSHI CLI 调用 HENGSHI SENSE API ↓ 完成数据连接、建模、仪表盘生成 ↓ 结果通过 SSE 实时回显到前端界面

优势二：物理级数据安全

这是 HENGSHI BOX 最核心的差异化能力。所有的自然语言处理、大模型推理与数据计算均在 BOX 内部闭环完成。

技术实现要点：

• 本地部署的大模型，不调用任何外部 API

• 向量数据库也在 BOX 内部，RAG 检索不出设备

• 网络层面可以完全隔离，只开放内网访问

• 满足等保合规要求

从安全架构角度看，BOX 提供的是物理级的数据隔离，比软件层面的安全措施（如加密传输、VPN 隔离）更进一步——数据本身就不存在设备外部，从根本上消除了数据泄露的可能。

优势三：Token Free 零消耗

使用公有云大模型 API 的成本是企业普遍关注的问题。高频的数据查询、指标解释、报告生成，累积的 Token 消耗可能是一笔不小的开支。而且 Token 成本是持续性的、不可预测的——随着使用量增长，费用也在持续增长。

HENGSHI BOX 内置了针对 BI 场景量化微调的本地模型。这个模型专注于 SQL 翻译、指标解释、数据摘要等 BI 特定任务，不需要像通用大模型那样具备写诗、翻译、编程等能力。因此可以用更小的参数量实现同等甚至更好的 BI 场景效果，同时推理效率更高、资源消耗更少。

从企业财务角度看：这个模式把不可控的运营费用（Token 消耗）转化为了可折旧的固定资产（硬件设备），优化了长期投入产出比。

优势四：即插即用

HENGSHI BOX 预装了完整的软件栈：

用户拿到设备后只需要：上架安装 → 接通电源和网络 → 配置数据源连接 → 开始使用。

四、技术架构拆解

从组件层面看，HENGSHI BOX 的技术栈包括以下几个核心组件：

┌─────────────────────────────────────────────┐ │ HENGSHI BOX 硬件设备 │ │ (超聚变服务器：专业版桌面式 / 企业版机架式) │ ├─────────────────────────────────────────────┤ │ 本地大模型 (BI 场景量化微调) │ │ ↓ NL2Metrics / NL2SQL │ │ HENGSHI CLI (Rust 实现，16个 Skills) │ │ ↓ hbi 命令树 │ │ HENGSHI SENSE (BI 分析引擎) │ │ ├─ 数据集成 │ │ ├─ 指标建模 (HQL) │ │ ├─ 可视化 BI │ │ └─ ChatBI │ │ ↓ │ │ 向量数据库 (RAG 检索) │ └─────────────────────────────────────────────┘ ↑ 数据流入 ↓ 洞察流出 企业数据源 Web UI / 移动端推送

数据流向说明：

1. 企业数据源通过数据集成层接入 BOX（数据源本身保留在企业内网，BOX 通过连接读取）

2. 数据在 BOX 内部的计算和分析过程中不离开设备

3. 用户通过 Web UI 或移动端访问 BOX，所有 AI 推理在本地完成

4. 分析报告可以通过 API 推送到钉钉、企业微信等渠道

五、三种典型应用场景

场景一：BI 工程自动构建

Agent 接收自然语言指令，通过 CLI 自动探测数据 schema、建立关联模型并一键生成标准仪表盘。原本需要数天的 BI 实施周期可以缩短至分钟级。

示例指令："帮我创建一个华东区域销售驾驶舱，包含月度销售趋势折线图、客户分布热力地图、TOP10 产品排行榜、同比环比增长率卡片，共 6 个图表、4 个筛选器、3 个钻取维度。"

Agent 会自动完成：数据连接探测 → 数据集创建 → 指标定义 → 图表创建 → 仪表盘组装 → 权限配置，全程无需人工干预（也可通过 dry-run 机制人工审核后执行）。

场景二：分析报告定时推送

常驻型 Agent 监测业务指标波动，根据设定逻辑自动撰写图文并茂的分析简报，并精准推送至钉钉、企业微信等移动终端。

示例场景：每日 09:00 自动生成"昨日经营简报"，包含核心 KPI 完成情况、异常指标预警、环比趋势分析，推送到管理层钉钉群。当华东区销售额同比下滑超过 15% 时，立即触发归因分析并通知区域负责人。

场景三：智能问数即需即查

业务人员通过自然语言即时提问，本地模型驱动 Agent 瞬间完成复杂指标的计算与可视化呈现。基于统一指标口径（NL2Metrics），非技术人员在安全受控环境下实现数据探索自由。

示例问题："多区域、多维度的客户留存率对比，只看过去 6 个月的数据，按行业分组"

本地模型基于 NL2Metrics 将问题准确翻译为指标查询，秒级返回可视化结果，所有计算过程在 BOX 内部完成，数据不出设备。

六、硬件规格与企业选型

HENGSHI BOX 提供两个版本，企业可以根据业务规模和并发需求选择：

选型建议：

• 如果你的分析需求是部门级的、用户数量在几十人以内，专业版就足够了

• 如果是集团级部署、需要支持数百名用户并发使用、或者有复杂的多 Agent 协同需求，企业版是更合适的选择

• 对于金融、政府等强监管行业，即使规模不大，也建议选择企业版以获得更完善的合规支持

七、与公有云 ChatBI 方案对比

八、总结：私有化 AI 分析的新范式

HENGSHI BOX 的出现，代表了一种新的企业级 AI 分析产品的交付形态：不是 SaaS，不是私有化部署，而是"硬件一体化交付"。

这种形态的优势在于：

1. 安全合规：物理级数据隔离，满足最严格的合规要求

2. 成本可控：Token Free 模式，将 AI 推理转化为固定资产投入

3. 即插即用：预装全栈环境，上线周期从数月缩短至数小时

4. 持续演进：软件栈支持 OTA 升级，硬件生命周期内持续获得新能力

对于安全合规要求高、希望快速上线、且不想持续承担 Token 成本的企业来说，HENGSHI BOX 是一个非常有吸引力的选择。它不只是"私有化部署的 ChatBI"，而是将 AI Agent、BI 分析引擎、指标管理体系、自动化工作流全部封装进一个设备，真正实现"数据不出箱，洞察即需即来"。