ThoughtSpot

ThoughtSpot 官网把产品称为「智能体分析平台」，首页主标语是「受治理的 AI，走到哪里都能落地分析」。它的思路是让业务人员直接用自然语言问数据，而不是等分析师写查询；同时提供语义层，把指标口径统一管理，保证不同人问出来的答案一致。官网上线了不少围绕智能体的命名产品，比如被称作 AI Analyst 的 Spotter、自动化语义建模的 SpotterModel、数据到看板的 SpotterViz，以及辅助编码的 SpotterCode。除此之外它还做嵌入式的分析交付，让分析出现在别的产品里。

核心能力

• Spotter: AI Analyst：官网列为对话式分析智能体。
• SpotterModel：官网介绍为自动化语义建模，用于给智能体提供统一的数据语义与业务上下文。
• SpotterViz / SpotterCode：前者把数据直接转成看板，后者用于 AI 辅助编码。
• Semantic Layer：官网把它称作面向智能体构建的语义与上下文层，是整套可信分析的基础。
• Automated Insights：自动发现值得关注的数据点与异常。
• 集成入口：官网列出在 Slack、OpenAI、Claude、移动端、Google Slides 与 Salesforce 中的使用方式。
• 嵌入分析：官网有独立的嵌入分析产品线，面向把分析做进自己应用或客户产品的团队。

适合谁

• 业务负责人与运营：想自己拉数、自己下结论，不想每次都排技术资源。
• 数据团队：需要一套统一的语义层来管指标口径，避免同名不同义。
• 嵌入式分析的 SaaS 厂商：要在自己的产品里给出可交互的分析能力。
• 已有一堆数据源的团队：官网强调支持任意位置的数据，可接入现有技术栈。

使用建议

• 定价页分多种计价方式（按用户、按用量、按数据量），并明确说明 LLM token 的处理方式：官方称不按 token 计费，若自带大模型则相关费用自行承担。评估成本前先确定自己走哪条路线。
• 语义层是这套东西的地基，口径没统一就直接让智能体回答，得到的数字反而更难解释，上线前先把核心指标定义清楚。
• 官网强调「准确性从分析之前开始」，也就是先治理数据再做分析，这一步别省。
• 企业内部使用涉及权限与数据边界，官网有治理与信任相关章节，接入前按自家合规要求评估。