每周一早上的经营分析会，老板追问”华东区毛利率为什么掉了 3 个点”，你手忙脚乱翻 Excel，BI 排期还要三天。腾讯 Omega（内测名：马尔摩斯）想解决的就是这种场景——对着它说人话，几十秒出一整张可交互的 Dashboard，改图表、加筛选、定时推送全用嘴说。底层是 DataTalk 的 BI 底座，Agent 负责分析和生成，系统负责安全、校验和持续运行。小团队做了大半年，已经在腾讯内部服务了上百个业务团队。
产品概述
腾讯 Omega 是腾讯技术工程团队推出的 AI 原生数据分析平台，内测版名为”马尔摩斯”（marmos）。核心命题简单粗暴：能不能对着它说话，而不是写 SQL、拖组件、配筛选器，就完成数据分析？
Omega 的底座是腾讯灯塔下的 DataTalk，这套 BI 系统在腾讯内部跑了多年，数据源接入、元数据管理、语义模型、查询引擎和权限体系早已成熟。Omega 在上面加了 AI Agent，让它能听懂人话、规划分析、生成看板、持续刷新。
团队规模让人意外：核心开发长期只有 3-4 个人。2026 年 1 月中旬开工，两个月跑通主链路，后面几个月全在做一件事，让 Omega 离开演示环境之后仍然像个产品。
目前 Omega 已服务腾讯内部 100+ 业务团队，包括腾讯视频、微信小店、和平精英、腾讯会议等。内测版对公开放注册，免费试用。
核心功能
前面说了这东西是什么，接下来该看看它到底能干什么了。
AI 一句生成 Dashboard
这是 Omega 最核心的能力。连接数据源之后，你只需要说话：“帮我分析上季度各品类的销售情况”。Agent 会自己理解数据表结构、规划该看哪些指标（总销售额、环比、趋势、品类结构、地区差异）、写 SQL 查数据、选图表、组页面。几十秒后，一张完整的交互式 Dashboard 就出来了。
这跟很多 ChatBI 的”问一句出一张图”有本质区别。Omega 是在完整的分析框架下工作，不是答完就结束，而是给你一个可以继续追问、迭代和分享的分析起点。
精准局部修改
传统 ChatBI 最让人抓狂的一点：你觉得第二张图不直观，说”换成柱状图”，它把整页重新生成一遍。
Omega 的修改是外科手术式的。你说”把第二张图换成折线图”，它只改第二张；你说”加个地区筛选器”，它把控件加上并让相关图表联动；你说”配色太重调浅一点”，它精准调整色板。遇到大改动还可以先开 Plan Mode，系统先列出准备修改的内容，你确认了再执行。
QueryRegistry + DTBridge：让看板”活着”
这是 Omega 在技术层面最有意思的设计。很多 AI 生成的看板只是一个漂亮的截图，数据写死在页面里，换时间、加筛选、刷数据，全得重新让 AI 跑一遍。
Omega 的做法是把职责拆开：AI 生成页面时同时产出一份数据契约（QueryRegistry），声明每张图对应哪条查询、接哪些参数、数据怎么绑定。真正的执行交给 DTBridge 运行时。你切换日期，系统按契约刷新受影响的图表；你拉筛选器，依赖图自动计算哪些查询要重跑。
这相当于 AI 负责”我要什么”，系统保证”怎么稳定拿到”。
语义模型接入
企业最大的坑不是写不出 SQL，而是同一个指标在不同人嘴里有不同口径。Omega 支持接入企业的语义模型——Agent 用逻辑字段（如”付费转化率”）生成 SemanticQL，由查询服务转换为物理 SQL。底层表关联、公式展开、引擎适配不再由模型猜测。
监控告警 + 定时推送
看板不是生成完就完了。Omega 可以在任意图卡上设置跨卡片组合告警规则，满足条件后自动推送到企业微信或邮件，还能按周/月定时推送最新数据截图。
23 种视觉风格 + 18 种引擎
Omega 内置了一套审美基础设施。赛博朋克大屏、移动端日报、极简财务报告，不只是换颜色，信息密度、字体层级、留白、图表选择全跟着变。每份风格源配置约 120 字，后端自动展开成约 800 字的设计规格。
上手体验
聊完功能，最想知道的是这玩意儿上手到底什么感觉。
注册流程很简单。marmos.qq.com 直接用微信扫码登录，进控制台连数据源即可——MySQL、StarRocks、PostgreSQL、THive、ClickHouse 都支持，也能拖 Excel 或 CSV 上来。
我上传了一个简单的电商销售数据表。几十秒解析完成，字段类型自动识别基本准确，金额识别成了数字类型，日期字段也自动标记了分区信息。
然后就是说话环节。输入”看一下各品类的销售额和环比变化”，等待约 40 秒——Agent 先读 Schema，再规划指标、写 SQL、跑查询，然后流式生成页面。KPI 卡片、趋势图和排行榜一点一点长出来，不是一次性刷白再出现。
第一版还算靠谱。品类排行榜对的，趋势图也画了。但配色是那种”AI 默认蓝白配”，中规中矩。我说”换个深色风格”，它切了赛博朋克色板，页面顿时有了数据大屏的感觉。再试试：“把柱状图换成环形图”“加一个按月份的筛选器”——每次精确定位修改，不乱动其他内容。这个体验比大多数 ChatBI 强了一个档次。
Plan Mode 是个加分项。我说”整体优化一下布局”，它列出了 5 条修改建议（移动 KPI 卡片到顶部、增大趋势图尺寸、添加数据说明、调整字体层级、底部加一个结论面板），我确认了 4 条它才开始执行。这个设计给了人可控感。
也有不那么顺的地方。数据量大的时候第一次查询偏慢，一条 COUNT DISTINCT 跑了快两分钟，虽然系统内部有看门狗机制防卡死，但这段时间你会盯着 loading 想”是不是挂了”。另外 Excel 文件如果列名有特殊字符，识别有时候会翻车，需要手动在表格里先处理一下。
使用技巧
很多人不知道，Omega 有些用法比表面看起来聪明得多。
-
先让 Agent 读 Schema，再提分析需求：连接新数据库后先问一句”这个数据集有哪些字段”，让 Agent 拿到完整字段信息再开始分析。 -
Plan Mode 大改前必开：需要对已有看板做较大调整时，先说”打开 Plan Mode”，确认修改计划后再执行。 -
利用语义模型锁定口径：团队有维护的指标定义的话，通过语义模型接入而不是让 Agent 猜字段。这决定了”销售额”是含税还是不含税。 -
设置定时推送代替手动刷新：周报、月报这种固定节奏的分析，直接配置定时推送，系统会在设定时间绕过缓存重查并截图推送。 -
用已有图表的 SQL 当口径锚点：修改已有看板时系统会复用历史 SQL 作为指标口径的最高优先级证据。
竞品对比
功能和技巧都说完了，但 AI BI 这个赛道上显然不止一家在跑。
| 对比维度 | Omega (marmos) | Julius AI | ThoughtSpot | Power BI Copilot |
|---|---|---|---|---|
| 交互方式 | 对话 + GUI 拖拽 + Plan Mode | 纯对话 + 代码窗 | 搜索式 NLQ + 可视化 | 拖拽为主 + Copilot 侧边栏 |
| 分析深度 | Agent 全链路规划，多指标多图表自动编排 | 单次问答 + Python 辅助 | 搜索式探查，依赖已建模数据 | DAX 公式辅助，图表组件手动配置 |
| 迭代成本 | 局部精准修改，不改整体布局 | 需重新对话，可能重写全局代码 | 单次查询式，无迭代看板概念 | 手动修改组件，AI 不参与迭代 |
| 数据连接 | 数据库直连 + 语义模型 + 本地文件 | 数据库直连 + 上传文件 | 数据仓库直连，强依赖建模 | Microsoft 生态内数据库 |
| 看板持续可用 | QueryRegistry 保证刷新、筛选、联动稳定 | 数据写死在页面，更新需重建 | 不生成看板，只做单次查询 | 传统 BI 看板，需手动配置刷新 |
| 企业协作 | 团队空间/版本管理/企微信推送/监控告警 | 分享链接或导出图片 | 企业级权限和治理 | Azure AD + Teams 集成 |
| 定价模式 | 内测期免费（截至2026.8），企业版私有化部署 | $20/月起 | $25/用户/月 | $14/用户/月 |
| 语义模型 | 原生支持 SemanticQL | 无 | 有建模层 | 有数据模型 |
数据来源：各产品官网及公开文档，截至 2026 年 8 月。
如果只看对话式分析，Julius AI 上手门槛低、社区活跃，但它的分析模式是”问一次答一次”，生成的图表数据写死，不适合需要持续迭代的企业场景。
ThoughtSpot 强在搜索式 BI——数据治理好的情况下，非技术用户搜关键词出图很快。缺点是假设你已经治理好了数据，没做治理的团队很容易跑偏。
Power BI Copilot 本质上是在传统 BI 上加 AI 辅助，不改变使用习惯，但也没跳出拖拽式框架——你还是得会配筛选器、调图表。
Omega 的差异化在于：它在”一句话出看板”和”企业级可信度”之间找到了平衡。没有把全部希望押在模型能力上，而是用 QueryRegistry、Harness 规则层这些工程化机制给 Agent 兜底。
用户反馈
前面对比了竞品各自的路子，但产品到底好不好用，还是得看真实用户的嘴。
翻看了公开渠道和腾讯内部博客中的使用反馈，整理了几个有代表性的声音。
正面评价：
“接入多端数据源后，周报从手动拉数变成自动推送，复盘时效从 2 天缩到周一早 8 点。之前需要一个运营加一个数据分析师，现在一个人对着 Omega 说话就够了”。
“最打动我的是全链路可编辑。传统 BI 看板上线就很难改，Omega 说改就改，不用找 BI 排期”。
负面反馈与吐槽：
“数据量大的时候响应偏慢。一条 COUNT DISTINCT 查询跑了两分钟，希望复杂查询能给个进度条或者预估时间”。
“对数据质量要求不低。字段名如果是拼音缩写或者英文混合的，Agent 理解起来明显吃力”。
“目前还看不到公开定价。虽然内测免费，但企业采购需要知道预算范围”。
多维评分
听过别人怎么说的，再来看看各维度上到底值多少分。
| 维度 | 权重 | 评分 | 解读 |
|---|---|---|---|
| 功能完整性 | 20% | ★★★★☆ | Dashboard 生成、迭代、监控全链路覆盖，但高阶分析（归因模型、预测）还在完善 |
| 易用性 | 15% | ★★★★★ | 自然语言 + Plan Mode + GUI 三重交互，业务人员零门槛上手 |
| 性能表现 | 15% | ★★★☆☆ | 常规查询流畅，复杂聚合查询偏慢，大表场景体验有提升空间 |
| AI 能力 | 15% | ★★★★☆ | Agent 规划链路设计合理，Harness 规则层提升了稳定性，但模型输出质量波动仍存 |
| 价格合理性 | 10% | ★★★☆☆ | 内测免费很有诚意，但无公开定价策略，企业采购预判困难 |
| 生态集成 | 10% | ★★★★☆ | 企微/邮件/飞书/钉钉多渠道打通，Skills + MCP 扩展接口在路上了 |
| 文档与支持 | 10% | ★★★☆☆ | 使用指南和案例丰富，但产品文档仍在迭代，API 文档尚不完整 |
| 更新频率 | 5% | ★★★★☆ | 2026 年 1 月开建，8 月已开放内测，3-4 人小团队的迭代速度令人印象深刻 |
综合加权得分：3.85 / 5
Omega 的分数分布很有特征——易用性和 AI 能力是长处，性能和价格合理性是短板。这种结构在早期产品中很常见：团队先打磨核心体验，工程优化和商业化放后面。对于 3-4 人团队做了半年的产品，这份成绩单算优秀。
以上评分基于 2026 年 8 月的内测版本体验。Omega 仍在快速迭代中，评分可能随版本更新发生较大变化。
优缺点
优势：
-
自然语言→完整 Dashboard 一步到位，区别于大多数 ChatBI 的”问题即答案” -
QueryRegistry + DTBridge 让看板能持续使用，不是一次性漂亮截图 -
Plan Mode + 局部精准修改，兼顾 AI 效率和人控体验 -
依托 DataTalk BI 底座，数据安全和权限体系可靠 -
23 种视觉风格覆盖不同汇报场景，出街不丢人
不足：
-
复杂查询响应慢，缺少进度反馈 -
依赖数据源基础治理，字段名混乱时 Agent 理解力下降明显 -
尚未公布公开定价，企业采购有信息缺口 -
产品仍在内测，功能边界和稳定性有不确定性
适用人群
不是所有人都需要 AI BI，但如果你属于下面这几类，Omega 值得看一眼。
-
业务运营/产品经理：定期要做数据周报、临时被老板拉去会上”现场分析”的人。Omega 让你从”等 BI 排期”变成”当场说话出图”。前提是你的数据源已经接了、口径已经理清楚。 -
中小企业的数据分析负责人：团队里只有一两个数据分析师，业务方天天追着要看板。用 Omega 可以大幅降低看板产出的人力成本，一个人对着它说话，能顶上以前”运营 + 分析师 + BI 工程师”的组合。 -
企业财务 BP / 经营分析岗：经常被 CEO 在经营分析会上临时追问。Omega 的追问-回答-瀑布图生成链路让你在会议上直接拆数据因子，而不是说”我回去算一下下周给你”。 -
已有 DataTalk 或腾讯云生态的团队：如果你的企业已经在用腾讯灯塔、DataTalk 或者腾讯云的数据产品，Omega 的接入成本几乎为零。语义模型、权限体系、数据源都可以复用。 -
不适合的人：如果你只需要偶尔对单张 Excel 做描述性统计，Julius AI 或者 ChatGPT 的 Data Analysis 功能更轻便。如果你需要的是传统 BI 那种高度定制的、像素级的仪表盘，Omega 目前的布局灵活性还达不到 Tableau 或 Power BI 的深度。
定价方案
聊了这么多，接下来看看钱包的问题，虽然目前答案还不太明确。
截至 2026 年 8 月的内测阶段，Omega 未公布正式的公开定价。目前可确认的信息：
| 方案 | 状态 | 说明 |
|---|---|---|
| 个人体验版 | 免费开放 | 官网注册即可使用，3 分钟接入。支持连接数据库/上传文件，生成和分享看板 |
| 企业版 | 需预约演示 | 支持私有化部署、敏感数据探针、定制化权限管理等 |
Omega 在模型成本上有一个值得注意的工程选择：通过 Harness 规则层降低了对前沿模型的依赖。官方透露，同一份看板任务，Claude 4.6 费用约 14.2 元，混元 Hy3 约 0.47 元，相差约 30 倍。这意味着 Omega 的定价有压缩空间。
不过没有公开定价确实让企业采购不好做预算。建议关注官网更新，或直接联系团队预约演示获取报价。
常见问题
用了这么久，有些问题是几乎每个人都会问的。
Q1：Omega 和 ChatBI 有什么区别？
A1：ChatBI 一般只完成”问题到答案”这一步，Omega 覆盖了从数据理解到监控推送的 BI 全链路。 ChatBI 回答一个问题就结束了，Omega 生成的看板可以继续交互、迭代、分享、定时刷新——它不是聊天机器人，是 Agent 驱动的数据分析平台。
Q2：我的数据安全吗？会不会泄露给大模型？
A2：Omega 采用零泄露安全架构，LLM 永远不接触真实数据。 系统使用物理隔离和占位符动态替换，查询和权限校验在服务端完成。企业版还支持私有化部署。
Q3：支持哪些数据源？
A3：数据库支持 MySQL、StarRocks、PostgreSQL、THive、ClickHouse；文件支持 Excel、CSV 及腾讯/飞书/钉钉在线文档。 可通过统一查询层做跨源关联分析。
Q4：不会写 SQL 能用吗？
A4：完全可以用。自然语言对话 + GUI 拖拽编辑是主要交互方式，不需要写一行代码。 Agent 自动生成 SQL，用户只管说人话。当然如果你会 SQL，也可以打开代码视图精确控制查询。
Q5：生成的看板能分享给团队吗？
A5：支持分享、复制、发布到团队空间，权限在目标空间重新授权。 看板可以嵌入企业微信，按周/月定时推送最新截图到群聊或邮件。
Q6：如果 AI 把指标口径理解错了怎么办？
A6：Omega 有多层防御：优先复用已有图表的真实 SQL 作为口径证据，Schema Guard 强制读字段元数据，语义模型锁定企业级口径。 仍有疑虑可打开 SQL 面板直接查看和修改生成语句。
Q7：和 Power BI、Tableau 比怎么样？
A7：定位不同。Omega 降低”产出看板”的门槛，传统 BI 强在”深度定制”。 用 Omega 像找人帮你分析，用传统 BI 像亲手造工具。要快选 Omega，要精细选 Power BI/Tableau。
Q8：内测期会多久？什么时候正式发布？
A8：官方未公布具体时间表。 目前产品仍在内测迭代中，功能边界在快速扩展。建议注册体验版关注更新，或联系团队获取路线图信息。
结尾
Omega 最打动人的不是那个”一句话出看板”的炫技，而是它在系统中埋下的工程判断力。
它知道自己不是一个演示 Demo。所以有了 QueryRegistry 让数据管线不会断，有了 Harness 规则层帮便宜模型也能稳定产出，有了 Schema Guard 防止 Agent 拍脑袋猜指标口径。这些都不是性感的技术，但它们决定了一个 AI BI 产品是”偶尔成功”还是”多数时候可以交付”。
3-4 个人的小团队，半年做到内部 100+ 团队在用，这件事本身就在反驳”大厂做产品必须大团队”的惯性思维。
当然，内测阶段的 Omega 还有不少问题要解决：性能、定价、功能深度。但它的方向是对的——真正稀缺的不是生成好看数据页面的能力，而是生成之后，那张页面第二天还能不能用，那个 Agent 出错时还值不值得信任。