DecisionBox
让 AI 自主查询数据仓库、验证结论并输出可执行建议。
按维度查看评分与理由
证据显示有只读强制、秘密加密、非root容器等安全措施，但缺少用户确认机制和回滚功能。数据流透明度有日志记录，但未提供具体实现细节。依赖安全有license检查，但未提供漏洞扫描证据。外部影响有成本估算和通知，但未明确限制。来源归属有CLA和贡献指南，但发布者未验证。
自一致性较好，README与CI配置一致，但依赖可用性未提供版本锁定或镜像摘要。失败消息有超时和重试，但未提供用户友好的错误提示。
受众明确为数据驱动团队，场景覆盖多个行业。能力边界有插件架构和中间件，但未明确限制。触发精度有选择性发现，但未详细说明。环境适配支持多种部署方式，但未提供详细配置。
信息架构清晰，有README、文档链接、目录结构。安装说明有Docker Compose和Helm。命名稳定性未提供API版本策略。示例和FAQ有使用案例，但无FAQ。已知限制未明确列出。许可证为AGPL-3.0，但未提供版权信息。版本变更日志有CHANGELOG.md，但未提供内容。维护责任有贡献指南和CLA，但未明确维护者。
输出可用性有洞察和推荐，但未提供格式细节。边际价值有自主发现和验证，但未提供对比。成本效益有成本估算，但未提供实际数据。
声明可追溯性有文档和代码，但未提供具体实现。跨来源佐证有CI和测试，但未提供独立验证。事实与推断分离未明确。
- 发布者身份未验证，需谨慎评估供应链风险。
- 缺少用户确认机制，自主执行SQL可能带来风险。
- 依赖安全仅检查许可证，未提供漏洞扫描证据。
- 回滚功能缺失，需自行备份。
这个 Agent 能做什么，适合哪些场景？
DecisionBox 是一个可自托管的数据发现平台，由 Go 编写的 Agent 与 API，以及 Next.js 仪表盘组成。它连接 BigQuery、Redshift、Snowflake、PostgreSQL、Databricks 或 Microsoft SQL Server 后，让 Agent 自行决定分析方向、生成并执行 SQL。发现结果会经独立验证查询复核，再以带置信度和严重级别的洞察及排序建议呈现。仪表盘还提供实时执行进度、SQL 与推理过程查看、语义搜索和带引用的 Ask Insights 问答。它可通过 Docker Compose、Helm 或面向 GCP、AWS、Azure 的 Terraform 部署，适合希望把数据探索运行在自身基础设施中的团队。
用户先为项目配置数据仓库、领域包、LLM Provider 与凭据。Agent 在 discovery run 中探索仓库 schema，生成并执行 SQL，依据结果继续迭代，并为每项发现运行独立 verification query；随后生成洞察、置信度、严重级别和按优先级排序的 recommendation。结果被写入 MongoDB，并由 Qdrant 的 HNSW 向量搜索支持跨项目 semantic search、相关内容匹配和 Ask Insights 的 RAG 问答。LLM 扩展实现 llm.Provider 的 Chat 方法，仓库扩展实现 warehouse.Provider；部署者还可通过 warehouse.RegisterMiddleware()、apiserver.RegisterGlobalMiddleware()、apiserver.Run() 或 agentserver.Run() 接入自定义中间件与构建。
- 电商数据团队希望在无人值守时检查转化漏斗、复购和利润相关异常，并获得经过 SQL 复核的行动建议。
- SaaS 分析负责人已将产品事件和订阅数据放在 PostgreSQL、BigQuery 或 Snowflake 中，希望自动发现激活与流失信号。
- 游戏运营团队需要围绕 match-3、idle/incremental 或 casual/hyper-casual 领域包分析关卡失败、留存和付费表现。
- 使用 Redshift、Databricks 或 SQL Server 的企业，希望向业务人员提供可追溯的洞察阅读界面、搜索和带引用问答。
- 平台工程团队希望在 Kubernetes 上部署数据分析服务，并使用 Terraform 为 GKE、EKS 或 AKS 配置基础设施。
这个 Agent 有哪些优点和局限？
- 不是要求用户提问的 SQL Copilot：discovery run 会由 Agent 自主选择调查方向，并可执行 50–100+ 条 SQL 查询。
- 每项发现通过独立 verification query 再次查询数据仓库，且 SQL、推理步骤和决策可在界面中审计。
- 覆盖六类已列明的数据仓库，并支持 Claude、OpenAI、Ollama、Vertex AI、Bedrock 和 Azure AI Foundry 等多种 LLM 路径。
- 领域包可在仪表盘中创建、编辑、导入和导出，无需修改核心代码；内置电商、社交和游戏包。
- 提供 Docker Compose、Helm、多架构镜像以及 GCP、AWS、Azure 的 Terraform 部署选项。
- 首次使用必须同时具备可连接的数据仓库和 LLM Provider 凭据；没有两者无法完成 discovery。
- 系统会实际对仓库执行 SQL，运行成本取决于 LLM token 与仓库查询，虽提供运行前估算但并非零成本。
- 可用仓库范围目前限于 BigQuery、Redshift、Snowflake、PostgreSQL、Databricks 和 Microsoft SQL Server；其他仓库需要自行实现 warehouse.Provider。
- 生产部署需要运营 MongoDB、Qdrant，以及 Docker、Kubernetes 或云端 Terraform 相关组件。
- 许可证为 AGPL-3.0，采用或分发时需要自行评估其许可证义务。
如何安装或部署这个 Agent？
前提：安装 Docker 与 Docker Compose，并准备受支持数据仓库的连接信息和 LLM API 密钥。执行：
git clone https://github.com/decisionbox-io/decisionbox-platform.git
cd decisionbox-platform
docker compose up -d然后打开 http://localhost:3000。该命令启动 MongoDB、Qdrant、API 和 Dashboard。开发模式可先执行 docker compose up -d mongodb qdrant，再分别运行 make dev-api 与 make dev-dashboard。
如何使用这个 Agent？
在 http://localhost:3000 创建项目，配置数据仓库连接、领域包、项目资料和 LLM Provider。启动 discovery run 后，Agent 会自动探索数据并执行 SQL；在仪表盘中查看实时阶段、步骤和可展开的 SQL。完成后审阅按严重级别和置信度排列的洞察与建议，可对结果点赞或点踩、保存到 bookmark list，并通过 Ask Insights 在已有发现中进行带引用的多轮问答。可在运行前使用成本估算功能评估 LLM token 与仓库查询成本。