Aureka灵析（开源社区）

📌 工具简介

Aureka（灵析）是一款开源、可私有化部署的对话式智能数据分析平台（Chat BI），由独立开发者 MrXujiang 打造并开源。它的核心逻辑非常直接：上传 Excel 或 CSV 表格，用日常语言提问，系统自动完成意图识别、Text2SQL、DuckDB 查询执行、结论分析和图表生成，全程以 SSE 流式输出，像聊天一样逐段呈现分析过程和结果。与多数云端 BI 工具不同，Aureka 的数据全程保存在本地（SQLite + DuckDB），不经过第三方服务器，隐私可控，对数据敏感或希望私有化部署的团队来说是一个轻量、透明、可审计的选择。技术栈上，前端 Vue 3，后端 NestJS，AI 编排基于 LangGraph，支持 OpenAI / DeepSeek / 通义千问 / Kimi 等兼容 OpenAI 协议的模型，用户自带 API Key 即可驱动。项目于 2026 年 7—8 月陆续开源，定位是“让业务人员像聊天一样分析数据”，而不是替代专业 BI 平台或数据仓库。

⚡ 主要功能

• 自然语言问数：上传 Excel / CSV 后，直接用中文提问，例如“近三个月各渠道销售额对比，哪个渠道下滑最严重？”，AI 自动翻译为可执行 SQL 并返回分析结果
• 五智能体接力流水线：基于 LangGraph 编排“意图路由 → Text2SQL → SQL 执行 → 分析师 → 图表顾问”五个节点，7 类分析意图（查询 / 对比 / 归因 / 预测 / 异常 / 统计 / 通用）先分流再执行，简单问题不走弯路
• 深度分析模式：面对“为什么这个月销售额下滑”这类复合问题，Planner 先将问题拆解为最多 5 个子步骤，每步独立生成 SQL 并产出中间结论，最后由 Synthesizer 交叉综合，流式输出结构化深度报告
• 确定性图表构建优先：不依赖大模型直接吐 ECharts 配置，而是根据数据形态用规则匹配柱状 / 折线 / 饼图等 10 种图表类型，坐标轴有序；仅在确定性规则无法出图时才由 LLM 兜底
• 实时流式输出：基于 SSE 的打字机式响应，SQL、数据表格、图表和结论分阶段实时呈现，用户能看到“分析意图 → 生成 SQL → 执行查询”的完整进度，而不是黑盒转圈
• DuckDB 高性能分析引擎：列式引擎驱动，百万行级数据秒级聚合，适合中等规模数据集（单表数十万到百万行级别）的即席分析
• 多格式数据接入：支持 Excel（.xlsx / .xls）和 CSV 上传并自动解析表结构；数据源模块还预留了 MySQL、PostgreSQL 等数据库连接扩展能力
• 多模型自由切换：兼容 OpenAI、DeepSeek、通义千问、Kimi 等主流 LLM，在设置页填入对应 API Key 即可切换，无需重启
• 报告与仪表盘：分析结果可保存为报告，历史会话随时回溯；图表可“钉”到仪表盘，形成持续更新的可视化看板
• 本地化与私有化：数据全程存储在本地 SQLite + DuckDB，不上传云端，适合对数据隐私有要求、希望在内网或本地环境中使用的个人和团队
• 中英双语界面与 JWT 鉴权：内置国际化支持，提供基础的账号鉴权体系，可对接 JitWord SSO

💰 价格信息

Aureka 本身完全开源免费，不收取软件订阅费、席位费或点数费。真正的成本来自两处：一是运行所需的服务器或本地设备资源（Node.js ≥ 20，pnpm ≥ 9，普通开发机或轻量云服务器即可启动），二是调用大模型 API 产生的 Token 费用。用户需要自备任意兼容 OpenAI 协议的 API Key（DeepSeek、OpenAI、Qwen、Kimi 等），分析过程中的 Text2SQL 和结论生成会消耗对应模型的 Token。如果使用本地模型（如通过 Ollama 部署的模型），则可以进一步将 API 成本降至接近零，但需要相应的硬件支持。线上演示站（aureka.jitword.com）可以直接体验功能，正式使用建议本地部署以保障数据隐私。

👥 适合人群

日常与 Excel / CSV 表格打交道、但不熟悉 SQL 的业务人员（销售、运营、财务），需要一个零代码的即席分析入口；对数据隐私敏感、不希望把业务表格上传到第三方云端的个人和小团队；希望在内网或本地环境中拥有一套可控、可审计的对话式分析工具的技术负责人；以及想学习 LangGraph 多智能体编排、Text2SQL 和 Chat BI 实现方式的开发者。Aureka 尤其适合“数据在本地表格里、分析需求高频但技术门槛挡路”的场景。它不适合超大规模数据集（千万行以上需要更强的数仓和计算引擎）、不适合需要企业级权限治理和多租户的复杂组织，也不适合期望“开箱即用、完全无需技术配置”的非技术用户——自部署仍然需要基本的命令行和环境配置能力。

✅ 优点

• 开源透明，无供应商锁定：代码、架构和工作流全部公开，用户可以审查每一条 SQL 的生成逻辑和数据的流转路径，而不是面对一个黑盒 SaaS 产品
• 数据全程本地保存是核心优势：SQLite + DuckDB 的组合让表格数据不出设备，对于财务、经营等敏感数据，隐私可控性远高于云端 BI 工具
• 零代码问数真正降低了门槛：业务人员不需要学 SQL 或 Python，用自然语言就能完成查询、对比、归因和趋势分析，把“等数据组排期”的周期压缩到一次对话
• 多智能体流水线设计务实：7 类意图先分流，简单问题不浪费复杂的推理步骤；深度模式再拆解多步问题，兼顾了效率和分析深度
• 图表生成不靠“让 LLM 拍脑袋”：确定性构建器优先、LLM 兜底的策略，有效避免了坐标轴乱序和图表类型忽好忽坏的问题，输出稳定性高于纯 LLM 生成 ECharts 的方案
• 部署门槛在同类开源 BI 项目中偏低：克隆仓库后 pnpm install + bash dev.sh 即可启动，不需要搭建数仓或复杂的数据管道，个人开发者和小团队可以在较短时间内跑通完整流程
• 模型选择自由，成本可控：兼容 OpenAI / DeepSeek / Qwen / Kimi 等，用户可以根据预算和分析复杂度选择不同价位的模型，甚至用本地模型把 API 成本压到极低

⚠️ 缺点

• 不是开箱即用的 SaaS：需要自行克隆代码、配置环境、填入 API Key 并启动服务，对不熟悉命令行的业务用户来说，部署本身就是第一道门槛
• 分析准确性依赖 LLM 的 Text2SQL 能力，复杂表结构、模糊列名或多表关联场景下，生成的 SQL 可能出错或遗漏条件，关键结论需要人工核对原始数据
• 数据规模有实际边界：DuckDB 在百万行级别表现良好，但面对千万行以上的大规模数据集或高并发查询，性能和稳定性会明显下降，不适合替代专业数仓
• 企业级能力相对基础：项目提供了 JWT 鉴权和 SSO 对接，但多租户隔离、细粒度权限管控、审计日志等组织级治理能力与成熟商业 BI 平台仍有差距
• 开源项目处于早期阶段：2026 年 7—8 月才陆续开源，版本迭代、文档完善度和长期维护的可持续性需要使用者自行评估和跟进，不能默认有商业级的技术支持
• 深度分析模式会消耗更多 Token 和时间：多步拆解和交叉综合带来更深入的结果，但也意味着更高的 API 成本和更长的等待时间，简单问题不建议默认开启
• 线上演示站适合体验，但不适合作为生产环境：正式使用需要自行部署，演示站的数据持久性和隐私保障无法与本地部署相提并论

💡 使用技巧

• 先用线上演示站（aureka.jitword.com）上传一份自己的真实表格，跑一遍“提问 → 看 SQL → 看图表”的完整流程，确认分析质量和交互方式符合预期，再决定是否投入时间本地部署
• 本地部署前确保 Node.js ≥ 20、pnpm ≥ 9，克隆仓库后优先使用一键启动脚本（bash dev.sh），它会自动安装依赖并创建 .env；如果手动启动遇到端口冲突或环境变量问题，先检查前端 5173 和后端默认端口是否被占用
• API Key 建议优先选择 DeepSeek 或 Qwen 等性价比高的模型进行日常问数，复杂归因和深度分析时再切换到能力更强的模型，通过设置页随时切换，无需重启服务
• 提问时尽量把分析口径说清楚，例如“按渠道汇总近三个月销售额，只统计已付款订单，按金额降序”，比“帮我看看销售情况”更容易得到可以直接使用的 SQL 和图表
• 对 AI 生成的 SQL 保持核对习惯：尤其是涉及多表关联、过滤条件和聚合逻辑时，在 DuckDB 或原始表格中验证关键数值，避免因列名理解偏差导致结论错误
• 如果主要数据源是 MySQL 或 PostgreSQL，可以利用项目预留的数据源接入模块进行扩展；但需要评估自己团队的技术能力，数据库直连的配置和维护比上传 Excel 更复杂
• 将分析结果“钉”到仪表盘后，定期回看历史会话和报告，形成可追溯的分析记录；对于重复出现的同类问题，可以沉淀为固定的提问模板，减少每次重新组织语言的成本
• 对数据隐私有严格要求的场景，优先选择本地模型（Ollama 等）配合本地部署，彻底避免表格数据和 API 请求离开内网；如果使用云端 API，确认组织的数据管理规范是否允许将表格内容传输至模型服务商