我最近越来越强烈地感受到一件事：
很多我们以前以为是“生活选择”“消费决策”“人生规划”的问题，本质上正在变成数据分析问题。
高考志愿选择是一个数据分析问题。
你要看分数、位次、批次、专业组、学校历年录取线、招生计划、城市、学费、就业、读研路径，还要把家庭约束和风险偏好放进去一起判断。它不是简单问一句“我这个分数能上什么学校”，而是要在一堆结构化和非结构化信息里，找到一个对这个家庭来说风险收益合适的方案。
购物也是一个数据分析问题。
你不是只在买一个商品。你在分析预算、使用场景、品牌、参数、价格、券后价、差评、售后、发货速度、店铺可信度和真实评价。最后那个“加入购物车”的动作，只是分析链条最后一步。
投资就更是数据分析问题。
你要看财报、估值、行业周期、宏观环境、市场情绪、新闻、政策、竞争格局、历史价格、风险敞口。真正困难的从来不是找到一条信息，而是把多源信息放在一起，判断它们之间的关系、冲突和不确定性。
这就是我说的“泛数据分析”。
它不是传统意义上坐在 BI 系统里看图表，也不是数据分析师写 SQL 做报表。它是一种更广义的能力：围绕一个具体决策，自动收集信息、理解信息、交叉验证信息，最后交付一个人可以直接使用的结果。
泛数据分析不是新词，但它正在变成新基础设施
过去，数据分析通常被关在企业内部。
销售看销售数据，运营看用户数据，财务看收入和成本，老板看仪表盘。它的典型界面是报表、图表、SQL、Excel。它解决的是“公司已经有一批数据，我要从里面看出点东西”。
但现在的问题变了。
很多分析任务不再只发生在企业数据库里，而是发生在现实世界里：
- 一个家长要帮孩子判断志愿风险；
- 一个普通人要买一台不踩坑的洗烘套装；
- 一个投资者要判断一家公司是不是已经透支了预期；
- 一个创业者要分析某个细分市场还有没有机会；
- 一个销售要评估一个客户到底是不是高价值线索；
- 一个医生、律师、咨询顾问要把资料、案例和数据库放在一起做判断。
这些任务的共同点是：数据来源很散，判断过程很长，最终结果必须能行动。
它们通常不只是查数据库，也不只是搜网页。它们需要同时使用：
- 用户自己输入的目标和约束；
- 数据库里的结构化数据；
- 搜索引擎找到的公开信息；
- 浏览器里才能访问和操作的网页；
- PDF、Word、Excel、图片、截图等文件；
- 某个领域长期积累下来的知识库；
- 最后还要生成报告、表格、PDF、仪表盘、购物车、工单或其他交付物。
这已经不是传统 BI 能完全覆盖的范围。
它也不是一个通用聊天机器人随便聊两句就能完成的工作。
它需要一个 Data Agent 底座。
为什么高考、购物、投资其实是同一种问题
高考志愿、购物、投资，看起来完全不是一类产品。
一个是教育，一个是消费，一个是金融。用户不同，情绪不同，页面不同，交付物也不同。
但如果把外壳拆掉，它们的骨架其实很像。
第一步，收集用户约束。
高考助手要知道省份、分数、位次、目标学校、专业偏好、城市偏好、家庭约束和风险偏好。购物助手要知道想买什么、预算多少、给谁用、使用场景、必须满足什么、明确不要什么、已经登录了哪些购物平台。投资助手则需要知道投资标的、周期、风险承受能力、关注指标和组合约束。
第二步，连接信息来源。
高考要接录取数据集、院校数据、专业信息，还要搜索教育部、阳光高考、省考试院、高校招生网这些官方来源。购物要打开电商网站，读商品页、评论区、问答、价格和购物车。投资要接行情、财报、公告、新闻、研究资料和自己的交易记录。
第三步，做分析。
不是简单总结，而是比较、筛选、验证、推理、判断风险。高考要分冲稳保，购物要给最推荐和不要买，投资要看收益来源、估值风险和不确定性。
第四步，交付结果。
高考助手最好交付一份 PDF 报告，家长可以保存、转发、讨论。购物助手最好把商品加入购物车，但不下单、不付款。投资类产品可以交付研究摘要、风险清单、监控看板或调仓建议，但不能越过用户确认直接交易。
所以，这三件事的本质都不是“问答”。
它们是一个完整的数据分析工作流：
收集约束 -> 获取数据 -> 分析判断 -> 交付行动。
这就是泛数据分析应用的基本形态。
小 APP 只是入口，真正重的是后面的分析能力
我在 infinisynapse.cn 里做了几个小 APP，其中两个很典型。
一个是高考报考选校 AI 助手。用户在页面上输入省份、分数、位次、目标学校、目标专业、城市偏好和家庭约束，系统把这些信息发给 InfiniSynapse。后面由 InfiniSynapse 去使用高考录取数据源、院校数据源、官方公开信息搜索能力，最后生成 Markdown 和 PDF 报考分析报告。
另一个是直男购物 AI 助手。用户输入想买什么、预算、使用场景、必须满足和明确不要的条件，再勾选自己已经在当前 Chrome 浏览器登录的购物网站。任务发给 InfiniSynapse 后，Agent 会使用浏览器能力访问用户勾选的平台，复用当前登录态做比价、读评论、看差评、筛商品，最后生成购物报告，并在合适时把商品加入购物车。
表面上看，这是两个不同产品。
但从工程角度看，它们前端都很薄。
前端主要做三件事：
- 把用户输入收集清楚；
- 把场景需要的能力开关配置清楚；
- 把结果用适合该场景的方式展示出来。
真正复杂的部分不在小 APP 里。
复杂的是后面的能力：数据源连接、知识库使用、Web Search、浏览器操作、文件读取、任务流、工作区产物、报告生成、PDF 导出、实时进度同步、用户确认边界。
这正是 InfiniSynapse 要承接的部分。
用 InfiniSynapse 做泛数据分析应用，关键是把“分析引擎”抽出来
如果没有底座，每做一个泛数据分析应用，都要从头造一遍。
做高考助手，你要接数据库、整理录取数据、写分析逻辑、接搜索、做 PDF、处理实时任务。
做购物助手，你要接浏览器、处理登录态、打开电商页面、读评论、比价、做报告、处理购物车和敏感操作边界。
做投资助手，你又要接行情、财报、新闻、公告、研报、知识库、历史数据，还要做风险提示和用户确认。
这些事情如果每个应用都重做一遍，成本会非常高，而且很难稳定。
InfiniSynapse 的思路是把中间最重的分析能力抽成一个底座。
你先在 InfiniSynapse 里配置数据源：数据库、知识库、文件、外部数据服务，或者把某个领域数据做成可订阅的数据集。
然后小 APP 只负责收集该场景特有的信息，把任务发给 InfiniSynapse。
InfiniSynapse 根据这个任务，调用它已经具备的能力：
- 数据库连接能力；
- 知识库和 RAG 能力；
- 搜索能力；
- 浏览器使用能力；
- 文件和图片读取能力；
- 沙箱分析能力；
- 多步骤任务规划和自我纠错能力；
- 工作区产物生成能力。
最后，小 APP 再把结果接回来，以场景需要的方式交付。
高考是 PDF。
购物是报告和购物车。
企业经营分析可能是仪表盘。
销售线索分析可能是 CRM 里的评分和跟进建议。
投资研究可能是风险清单、监控表和需要人工确认的动作。
同一个底座，支撑的是不同的交付形态。
泛数据分析应用的门槛会迅速下降
这件事真正重要的地方在于：泛数据分析应用的开发门槛会下降。
过去，如果你想做一个专业领域的 AI 应用，很容易陷入两个极端。
一种是只做聊天界面。用户问什么，模型答什么。看起来很快，但一旦进入真实任务，就会发现它没有稳定的数据源、没有可核验的过程、没有可下载的结果，也没有明确的行动边界。
另一种是做一个完整垂直系统。你为每个行业从数据库、业务逻辑、搜索、报告生成到权限都重做一遍。这样可以做得很深，但成本高、周期长，很难快速试错。
泛数据分析底座给了第三条路。
应用层只做场景表达。
底座层负责信息获取、分析推理和结果交付。
这意味着一个新产品的核心工作，会从“重新发明分析系统”变成三个更清晰的问题：
- 这个场景要向用户收集哪些约束？
- 这个场景需要启用哪些数据源和工具能力？
- 这个场景最后应该交付什么结果？
只要这三个问题想清楚，一个小 APP 就能很快长出来。
这也是为什么我说，未来会出现大量泛数据分析应用。
它们不一定都长得像“数据产品”。很多甚至看起来就是一个普通网页、一个表单、一个小程序、一个 Chrome 插件、一个企业内部按钮。
但它们背后做的事情，都是数据分析。
泛数据分析时代，产品经理要重新理解“数据源”
过去我们说数据源，通常想到的是数据库。
但在泛数据分析时代，数据源的概念会变宽。
一个网页是数据源。
一个 PDF 是数据源。
一个用户上传的截图是数据源。
一个浏览器登录态背后的电商后台是数据源。
一个知识库是数据源。
一段用户口述的偏好也是数据源。
甚至一个“不能做什么”的边界，也是一种重要输入。
比如购物助手里，“只加购物车，不付款”就是一个关键约束。它不是分析材料，却决定了 Agent 的行动边界。
高考助手里，“只能做分析和建议，不能登录志愿填报系统，不能提交任何志愿”也是关键约束。越是高风险场景，边界越重要。
所以泛数据分析应用不是简单把更多数据丢给模型。
它要求产品设计者把数据源、用户约束、工具权限、交付物和风险边界一起设计。
一个好的泛数据分析产品，不只是“能分析”，还要知道什么时候该停下来，什么时候要标注不确定性，什么时候必须交给用户确认。
这会改变很多产品的形态
我认为未来几年，会有很多产品被重新做一遍。
教育咨询会被重做。
不只是高考志愿，考研择校、留学申请、职业规划、课程选择，本质上都需要把用户条件、历史数据、学校信息、政策变化和个人目标放在一起分析。
消费决策会被重做。
买家电、买车、装修、旅游、保险、体检套餐，都不是简单搜索关键词。用户真正需要的是根据自己的预算、场景和风险偏好，得到一份能行动的方案。
企业软件会被重做。
销售、客服、运营、财务、人事、供应链，每个岗位都有大量“临时但重要”的分析任务。传统软件擅长流程和记录，但不擅长主动把数据拿出来分析后交付判断。
投资研究也会被重做。
当然，投资是高风险场景，不能把 AI 神化成自动赚钱机器。更现实的方向是让 AI 做信息整理、交叉验证、风险提示、监控和复盘，把最终决策和交易确认留给人。
这些方向背后的共同点，都是把“信息不够、信息太散、分析太慢、结果不能行动”的问题，用 Data Agent 底座重新组织一遍。
InfiniSynapse 要做的，是泛数据分析应用的基础层
我做 InfiniSynapse，不只是想做一个“你问它答”的分析工具。
我更想做的是泛数据分析应用的基础层。
一个开发者、产品经理、行业专家，或者企业内部团队，只要有一个具体场景，就可以在这个底座上快速做出一个应用：
配置数据源。
写清楚任务目标。
设置工具能力和边界。
收集用户输入。
把任务交给 InfiniSynapse。
拿回报告、文件、图表、链接或其他交付物。
这套模式的意义在于，它让“专业分析能力”不再只能藏在少数数据团队手里，也不再只能以 BI 报表的形式出现。
它可以进入每一个具体决策现场。
当一个家长需要填志愿时，它是高考助手。
当一个人需要买东西时，它是购物助手。
当一个企业要分析客户时，它是销售助理。
当一个投资者要复盘标的时，它是研究助理。
前端形态可以完全不同，但底层能力可以复用。
最后
泛数据分析世界正在来临。
它不是因为大家突然都变成了数据分析师，而是因为越来越多的普通决策，已经复杂到必须靠数据、工具和 Agent 一起完成。
人不会为了填志愿先学 SQL。
人不会为了买耳机先学爬虫。
人也不会为了判断一家公司先搭一个数据仓库。
他们需要的是一个能把信息收集、分析判断和结果交付串起来的应用。
而应用开发者需要的是一个能承接这些复杂能力的底座。
这就是我看好泛数据分析的原因，也是我做 InfiniSynapse 的原因。
未来很多看起来毫不相干的应用，可能都会长在同一类基础设施上。
高考志愿、购物、投资、销售、运营、咨询、研究，它们的表面完全不同，但底层都在做一件事：
把散落的信息变成可执行的决策。
谁能把这条链路做稳，谁就会成为泛数据分析时代的基础设施。