[开源]我做了一个面向企业级的 Data Agent ！支持 28 类数据源、企业语义、数据类型上下文以及 Trace 审计，欢迎各位佬友体验！

佬友们周末好啊啊啊

最近一年我体验了很多 Agent 项目，几乎都是面向个人的，也在各论坛中发现，大多数 Agent 很难在企业中成功落地。我花了好些时间，去琢磨这个中原因，也发现了些“真相”，Agent 正在从 Prompt System 进化到了 Engineering System ，作为以前在底层软件的贡献多年的古法编程者，很想挑战下是否可以搭建一个能够企业落地的 Agent 。

所以我与朋友们，最近做了一段时间的整理和调研，爆肝了一个面向 Data 的 Agent ，是一个在有语义、有权限、有证据链的数据任务系统里，让「自然语言问数」升级成可控、可信、可验证的 DataAgent 。

大家可以点击下面的链接来体验！欢迎提 issue ！如果喜欢的话麻烦点点 Star 支持我们！

Github 主页:
https://github.com/datagallery-lab/datafoundry

Docs:
https://datagallery-lab.github.io/datafoundry/zh/overview/

这个项目我们的定位很直接，做一个面向企业级的 DataAgent 。主要有几个核心能力作为支撑：

• 🗄️ 28 类数据源，开箱接入 —— 我们接入了业界使用最多的各类数据源，方便铁子们在自己的一些工作场景或者本地文档中快速使用。


• 🧠 企业语义与上下文组织 — 我们针对数据类型的任务，做了一套完整的上下文管理机制，专门为数据对象做了多类抽象，这也是我们区别与传统通用 Agent 的核心竞争力；对于语义层，我们当前在快马加鞭的实现中，欢迎佬们一起加入交流讨论。


• 🔒 保障审计可追溯 — 默认只读查询、凭据隔离、字段脱敏、行数限制和超时控制； SQL 、工具调用和事件流全程留痕、可回放，让每个结论都有据可查。


• 🧩 复杂数据任务深度优化 — 面向多表、多字段、长程分析和多步骤推理，把复杂问题逐步拆解、验证并收敛到可信结论，最终沉淀为表格、图表和报告等团队资产。

我们总结了与 Coding Agent 以及之前的 SQL Chatbot 的一些区别，供佬们参考：

当前的版本是 v0.1 ，还有很多需要补齐的能力，面向企业语义和系统可靠性的关键能力正在快马加鞭上架，非常欢迎佬们一起加入我们的社区，给出建议，一起交流学习，构建可商业落地的 DataAgent ！一直很相信，这一块有无限可能！