让AI算数据，逐步推理和SQL全程可见，算错会自纠

你问AI一个数据问题，它不会只丢给你一个答案。每一步思考、用过的SQL、每个数字的来源都摊开在眼前。算错了，它会自己发现并承认。这相当于请了一位透明、可核查的初级数据分析师。这是AgentSwarms项目里一个AI分析师的工作方式。

每一步都可以核查

开始回答前，AI先说明方法：读取schema、规划步骤。它也会解释为什么用某个数据源。一次实际操作里，它明说治理语义模型缺hires指标，于是回退到原始月度表。

分析过程中，每一步都显示真实的SQL查询、涉及的行数、数字来源的分解。报告里每个结论都标注了来源步骤，比如“headcount从122升到140的峰值（step 1, step 2）”。

自我检查也放在明面上。一次HR分析中，AI发现Engineering各月净增人数相加为+17。headcount变动却是+13（122→135），中间差了4人。它把差异写进报告，作为注意事项提示用户。

HR数据里发现了什么

在HR数据集上，AI给出三条具体结论。工程部门约55%的招聘属于净增长，不是用于填补离职空缺。有一个月员工流失率激增到3.70%。支持部门在悄悄缩减，backfill ratio为1.42，走的人比招的人还多。

每条结论都能顺着来源步骤核实。分析结束后，界面提供“标记已验证”和“标记为错误”两个按钮。它还会基于实际结果生成后续问题，支持定时运行、CSV导出和PDF导出。

数据放在自己的服务器上

这个分析师完全自托管。一条Docker命令，加上用户自己的Supabase项目，就能跑起来。模型支持自带密钥（BYOK），可以接任何模型提供商。演示里用的是Kimi K3 via OpenRouter，不依赖前沿模型。plan、SQL、check、cite这套结构承担了主要工作。

分析师只是平台的一个组件。平台还有agents、multi-agent swarms、RAG和BI仪表盘。预算控制和完整的tracing也在其中。

项目采用Elastic License 2.0。源码可用，但不属于OSI定义的开源。可以读、可以改、可以自托管，不能作为托管服务转售。仓库在github.com/AgentSwarms-fyi/agentswarms。

透明、自托管、可替换模型，是它给出的三个明确选项。这套流程在复杂或非结构化数据上的表现、自我检查能覆盖多少，都还没有细节。多人协作和权限管理怎么运作，同样没展开。