写在前面
2026 年 4 月，我花了大半天，把 app.infinisynapse.cn 从头到尾用了一遍。
不是看 demo 视频，不是看 landing page 截图，是真的开账号、连数据源、提问题、等结果、看交付文件、点动态报表、配模型、改引擎、试模板、切移动端。
我做这件事的起因很简单。这一年多，市面上喊"AI 数据分析"的产品越来越多。Julius、camelAI、ChatBI、各种"接 LLM 的 BI 套壳"、再加上 Cursor / Claude Code 直接拖个 CSV 出 dashboard。每一家都说自己是 "Data Agent"。但真正能在企业里跑起严肃分析任务的，掰着指头数不出几个。
InfiniSynapse 是国内做这个赛道很认真的一家。我读过它的全部对外文档，也跟过它好几个版本。这次我决定做一件事 —— 不带任何立场，把它当成一个新用户从零开始用一遍，然后把我看到的细节写下来。
下面这篇，是我作为一个深度试用者的真实观察。配 12 张图，全部是我自己的操作截图。
第一眼：它根本不像一个 BI
打开 app.infinisynapse.cn，登录，扑面而来的第一感受不是"这是一个 BI 工具"，而是 "这是一个分析任务的工作台"。
左边是任务列表（"我想知道最近七天的 token 消耗..."、"列出 winclaw_cn 数据库的所有..."、"统计 winclaw_cn 和 ac_acbot..."），中间是一个干净的提问框，下方是"数据市场"卡片。整个 UI 围绕的是 "提问 → 任务 → 交付" 这条主线，不是 "拉控件 → 拖维度 → 配图表"。
这一点很重要，因为它决定了产品的定位 —— 它要做的是分析师，不是分析师的工具。
模型默认挂在 deepseek-v3.2，挂着一个"模板"标签。提问框下方有插件、附件、图像、流程编排几个入口。右上角有一个 7,347.85 的余额显示。
这是一个干净、专注、不藏功能的入口。
我提了一个真实问题 —— Agent 是怎么思考的
我提了个稍微复杂一点的问题：
"我想知道最近七天的 token 消耗，以及活跃设备每天分别有多少。然后帮我绘制成图。"
这个问题刻意挑过 —— 它需要：
- 自己找出 token 消耗在哪张表
- 自己找出活跃设备在哪张表（不同口径，需要去重）
- 按天分组聚合
- 把两个口径合并成一张图
我点发送。然后看 Agent 推理的过程：
这一段我想专门拎出来说，因为它和我之前用过的多数 "ChatBI" 完全不一样：
"我将帮您分析最近七天的 token 消耗和活跃设备数据，并将其绘制成图表。首先，我需要探索数据库以找到相关的数据表。"
"让我开始检查可用的数据库，并寻找可能包含 token 消耗和活跃设备信息的数据表。"
"很好！我找到了
llm_usages表，它包含了total_tokens字段，这正是 token 消耗数据。""现在让我查看可能包含活跃设备信息的表，特别是
desktop_daily_actives，这个表名看起来与活跃设备相关。""很好！我已经找到了两个关键的表...现在我需要更新任务计划。"
"现在我进入第一阶段：分析数据需求并设计查询方案..."
注意几个细节：
- 它先列计划，再动手。不是一步一步盲走。
- 它读字段名理解语义。"
total_tokens字段，这正是 token 消耗数据" —— 这是字段级的业务理解。 - 它在中途调整计划。"现在我需要更新任务计划"。
- 它不是直接吐 SQL，而是先聚类成两个口径。
这是产品文档里说的 "主动规划 + 小步探查 + 自我纠错"。我之前看不少产品都说自己有这个能力，但只有真的看到完整推理链路，才知道不是话术。
任务完成后 —— 它给我交付了什么
任务跑完，UI 状态变成"任务完成"，配一个"查看此任务中的所有文件"的按钮，下方还有几条推荐追问：
- 你是不是想提取 SQL 到离线任务？
- 我觉得你可能有遗漏，再仔细看看
- 映射成表，用 SQL 算
这三条追问比"任务完成"四个字本身更值钱 —— 它们都不是泛泛的"还需要别的吗"，而是基于这次任务上下文，提出有专业意味的下一步：
- "提取 SQL 到离线任务" —— 把一次性分析沉淀成可调度作业
- "我觉得你可能有遗漏" —— 主动质疑自己的结果
- "映射成表，用 SQL 算" —— 把动态结果固化成中间表
这是分析师之间会说的话，不是套壳 ChatBI 会说的话。
我点开"查看此任务中的所有文件"：
一次自然语言提问，最后落地的是这一整包东西：
FINAL_DELIVERY_REPORT.md—— 最终交付报告token_usage_analysis_report.md—— 完整分析报告token_usage_analysis_report.pdf—— 同一份的 PDF（可直接发给老板）token_usage_analysis.xlsx—— Excel 数据文件（多个 sheet）token_usage_dashboard.html—— 可交互的动态仪表盘test_dashboard.html—— dashboard 的自测页token_usage_data.json—— 原始数据（可二次分析）excel_operations.json—— Excel 生成的操作记录生成最近七天 token 消耗和活跃设备双轴...—— 中间产物
这就是我读它文档的时候反复看到的那句话 —— "多花点 token，把分析做完整，把报表写完整"。它不是给你一句"答案"就走人，是真的把一个分析师交付物的形态全部铺开 —— 给老板看的 PDF，给同事改的 Excel，给二次分析用的 JSON，给沉淀进系统的 SQL。
很多产品到"答案"就停了。InfiniSynapse 是到"交付物"才停。这两者差的不是工程量，是产品哲学。
为了更直观，再放一张交付清单的细节：
它在最后会自己写一份"交付文件清单"，按"主要报告文件 / 数据可视化成果 / 补充数据文件"分类列出来。这是一个真分析师在 PPT 最后一页会做的事。
动态仪表盘 —— 不是一张 PNG，是一个能再跑的应用
我点了 token_usage_dashboard.html：
注意上方有：
- "双轴图表 / 热力图 / 分布图" —— 三种视图切换
- 左右两个日期选择器（
04/09/2026~04/16/2026） - "导出"按钮
- "筛选"按钮
- 顶部还显示了 "数据源：winclaw.cn 数据库系统 · 最后更新：2026-04-16 17:19:00"
更关键的是 —— 这是一个独立的 HTML 文件。我可以下载到本地，发给同事，对方双击就能在浏览器里继续筛、继续切图、继续看不同的视图。
这个东西不是截图，不是静态 PDF，是 "小型的、可分发的、可交互的分析应用"。
InfiniSynapse 把它叫做"live data visualization" —— 文档里说"数据可视化是活的，可以重新运行"。我看到这张图之前以为是营销话术，看到之后觉得这描述其实保守了 —— 它不只是"可重新运行"，是直接给你一个可分发的小应用。
如果我是 BI 团队负责人，光看这一点就值得让团队试一下：你不再需要部署一个 BI 平台让对方登录，不再需要管权限，不再需要解释"这个图怎么用"。一个 HTML 文件全搞定。
看板 —— 把分析沉淀下来
看板是所有"我已经做过的图"的集中地：
每一张卡片都有两个动作：
- 重新运行 —— 用最新数据再跑一遍
- 定位到聊天 —— 跳回到当初产生这张图的对话上下文
这是一个非常"做过分析师"的设计。因为分析师真实工作里有两个高频场景：
- "上次那张图，给我用今天的数据再跑一次" —— 重新运行
- "这图当时是怎么算出来的？我要复盘一下口径" —— 定位到聊天
把这两个动作放在卡片正面，说明产品团队懂分析师的工作流。这种细节不是看 PPT 能想出来的，是真的有人天天做过这件事。
数据源 —— 异构 + 国产 + 多种类型
接下来我去看了"我的数据 → 数据源"：
14 条数据源里我能看到：
winclaw_cn(Postgres)、remote_winclaw(Postgres)remote_infini_saas(MySQL)、remote_tmall(MySQL)remote_jd(Postgres)ac_acbot_com(Supabase)manual_datas(本地文件)es(Elasticsearch)
每条都有"编辑 / 绑定知识库 / 删除"三个动作。"绑定知识库" 这个动作在我看过的同类产品里是少见的 —— 它意味着 "这张表的业务含义、字段释义、口径定义，我可以让 Agent 跟着我们公司自己的文档走"。
我点"新增数据源"，看支持的类型：
完整列表是：
File、MySQL、Postgres、Gbase、Clickhouse、DM（达梦）、Supabase、Elasticsearch、MongoDB、Snowflake
这里有两个细节我必须点出来：
- Gbase 和 DM 在第一梯队 —— 国产数据库被认认真真当作一等公民支持。这件事在做企业市场的人都懂分量 —— 国央企、金融、政务系统全跑这两个。很多海外背景的 Data Agent 永远跨不进这个市场，就是因为这一点。
- 从结构化到半结构化全覆盖 —— 关系型（MySQL/Postgres/Gbase/DM/Snowflake）、列存（Clickhouse）、文档型（MongoDB）、搜索引擎（Elasticsearch）、文件（CSV/Excel）。一个 Agent 同时要会查这么多种数据源，并且要能在它们之间做联合分析。这不是接个 SDK 那么简单。
知识库 —— 不只是 RAG，是"组织记忆"
知识库列表里有四个："InfiniSynapseSaaSDatabase"（控制台库表说明，关联 MongoDB）、"manual_documents"（用户上传文档）、"standard"（标准文档）、"hengshu_money"（衡数无限的预算）。
注意这一条 —— "InfiniSynapseSaaSDatabase 控制台库表，表实为 MongoDB" —— 这是把数据库本身的库表元数据当成知识库内容。这就是产品文档里说的 "InfiniRAG —— 把业务文档、表元数据、用户偏好、历史分析全部融合在一起"。
我读文档时对"第四代 LLM-Native 知识库"这个说法还有点保留，看到这个界面之后我懂了 —— 它不是把 PDF 切片做向量检索那么简单，是把 "我们公司的数据资产 + 业务知识 + 历史分析记忆" 作为一个统一的上下文喂给 Agent。
每条知识库还能"绑定数据源" —— 意思是 Agent 在查那张表的时候会自动读相关业务说明。这个设计让我想起一句话："数据本身不会说话，它需要业务上下文翻译"。InfiniRAG 干的就是这个翻译工作。
模型与引擎 —— 价格透明、智能体/规划两种模式
我点了发送框旁边的"智能体"标签，想看看模型配置：
几件事让我有点意外：
- 价格直接写出来："输入价格 ¥2.00 / million tokens（≤ 128K），缓存读取价格 ¥0.40 / million tokens，输出价格..."。敢把单价、缓存价、上下文长度全标在产品里，意味着自信，也意味着诚实。
- 支持 prompt cache —— 这对反复探查同一个数据源的场景，能把成本压到非常低。
- 底层挂的是 DeepSeek V3.2，自家便宜模型。这一点很关键 —— InfiniSynapse 的整套设计逻辑是 "把分析做完整，所以会消耗更多 token"，那必然要选单位 token 成本最低的模型。Claude / GPT 那种 $15/M 的价格扛不住"完整交付"的玩法。这个选择不是省钱，是产品哲学倒推出来的。
- 右下角的两种模式 —— "智能体" / "规划" —— 智能体模式是"我帮你做"，规划模式是"我帮你想清楚怎么做"。两种模式让我想到 OpenAI 的 deep research 和正常 chat 的关系，但 InfiniSynapse 把它做在了同一个发送框里，切换零成本。
API 提供商也可以换，下拉里有 InfiniSynapse / Anthropic / OpenAI 等多家。这意味着用户/企业可以挂自己的密钥，企业版本走自家私有化模型也理所当然。
移动端 —— 一个细节，但说明用心
我把视口切到 414×896（iPhone Plus 尺寸）：
侧边栏自动收起成汉堡菜单。提问框下方按钮重新排布。数据市场的卡片从四列变两列。没有横向滚动。
这个细节看起来不重要，但它说明前端是真的认真做过响应式的。现在很多 SaaS 产品在桌面 1440 之外的尺寸都会塌掉。InfiniSynapse 显然把"分析师在地铁上用手机看一眼报表"也算进了使用场景里。
我的总结：它在做一件别人没做对的事
用完一遍，我想清楚了一件事：
InfiniSynapse 不是在做"AI 增强的 BI"，也不是在做"自然语言版 SQL 生成器"。它在做"AI 数据分析师"本身。
差别在哪？
| 维度 | "AI 增强的 BI" / "自然语言 SQL" | InfiniSynapse |
|---|---|---|
| 目标 | 把传统 BI 流程加速 | 直接交付分析结果 |
| 输出 | 一个图、一段 SQL、一个回答 | 一整包 md/pdf/excel/html/json 交付物 |
| 数据准备 | 需要先建数仓 / 数据治理 | 直连源库就开干 |
| 跨源 | 通常做不了 | 文档里说支持原生跨源（10 种数据源） |
| 业务知识 | 嵌在 BI 维度建模里 | 嵌在 InfiniRAG 知识库里 |
| 报表 | 静态截图 / BI 平台里嵌入 | 可下载、可分发、可重跑的 HTML |
| 沉淀 | 仪表盘 / 看板 | 看板 + 推荐追问 + 历史对话上下文 |
| 国产数据库 | 通常勉强支持 | Gbase / DM 一等公民 |
这不是一条更快的路。这是另一条路。
我会担心什么？也讲清楚
写这种文章如果只夸不批，读者会觉得是软文。所以我把我用下来的真实疑问也列出来：
第一，对 prompt 工程能力还是有依赖。我提的那个问题问得算清楚，所以 Agent 跑得很顺。如果一个完全不懂分析的人问"我们家产品最近怎么样"，那效果一定打折扣。模板（智能表单）这个功能就是为了解决这件事 —— 让数据分析师把好提问沉淀成模板，业务同事来填空。这个方向是对的，但模板的丰富度和覆盖面还需要时间积累。
第二，跑得久。它一次任务真的不快。我那个 token 消耗问题大概跑了 2 分多钟。原因是它要做完整交付（md + pdf + excel + html + json）。这个时间放在严肃分析里完全可以接受，但如果用户带着"问个问题立刻有答案"的心理预期来用，可能会觉得慢。这是产品哲学和用户预期的协调问题。
第三，企业落地需要数据连接的"最后一公里"。直连数据源对中小公司很爽，对大企业就涉及网络隔离、堡垒机、数据脱敏、权限审计。这些事 InfiniSynapse 在企业私有化版本里要解决得很彻底，才能真正啃下大客户。从我看到的"数据源管理"功能成熟度看，这条路在走，但还需要时间。
谁应该试一下？
我用完之后，我心里有一个清单：
- 小公司 / 创业团队的数据负责人 —— 你没有数仓团队，但你有 MySQL、Postgres、MongoDB 散在那里。InfiniSynapse 直连就开干，对你是降维打击。
- 数据分析师 —— 你不是被 AI 替代，你是被 AI 武装到牙齿。把你常用的口径变成模板，业务同事不再来烦你；把你的分析过程沉淀成知识库，新人快速上手。
- 业务负责人 / 运营 / 产品经理 —— 你不再需要等数据团队排期。你提问，它给你完整报告 + Excel + PDF。
- 国央企 / 金融 / 政务的数据团队 —— Gbase、DM 一等公民，企业私有化部署。这类组合在国内做"合规可用 AI 数据分析"的产品里不算多。
- Cursor / Claude Code 的重度用户 —— 你已经在用 Code Agent 了，但每次让它"分析数据"都觉得不对劲。InfiniSynapse 提供 Command Tools，下载一个二进制放进 PATH，你的 Code Agent 就能调用 InfiniSynapse 的全部分析能力 —— 数据这块交给真专业的，代码那块继续 Cursor。
如何快速体验
SaaS 版本：直接打开 app.infinisynapse.cn，登录就能用，注册有免费额度。
桌面版（Windows / macOS）：到 infinisynapse.cn 下载客户端，本地装，本地连数据源，本地跑分析。
Command Tools（给 Code Agent 用）：到 infinisynapse.cn/tools 下载对应平台的二进制，放进 PATH，Cursor / Claude Code / WinClaw 等 Code Agent 就能直接调用 —— 无需 pip install、无需 Node、无需常驻 MCP 服务。
企业私有化：联系商务（邮箱 zhuhl@infinisynapse.com）。
最后
我这两年见过太多"AI 数据分析"产品，多数停在 demo —— 看起来漂亮，跑两步就崩。
InfiniSynapse 不是一个"AI 帮你写两行 SQL"的产品。它是有人认认真真在做"让 AI 真的当一回数据分析师"这件事。"多花点 token、把分析做完整、把报表写完整" —— 这一句产品哲学，背后是 InfiniSQL、InfiniRAG、Agent 框架三件事一起在支撑。这不是套壳能做出来的。
我希望国内的 Data Agent 赛道里，多几家像 InfiniSynapse 这样愿意把"完整、专业、严肃"放在 demo 之上的团队。把 AI 数据分析从"会冒泡的玩具"做成"真正能交付的同事"。
让数据驱动决策，让决策驱动业务，让业务驱动世界。