vane
Star联系我们EN

让 Agent 用好企业资料，
完成业务任务

连接视频、图片、音频、文档与业务数据，按需分析、追溯来源，持续复用已有知识。

预约演示 →了解 Vane Data

理解内容，看见依据

分析内容、回答问题、提取结构化信息；每项结果都能定位到原始画面、音频片段或文档页。

原始资料comp_001
00:0000:21

户外露营场景

露营场景中的饮品制作：倒入饮料、加入冰块，随后启动搅拌。

点击结果，查看对应来源。

交互演示使用预设结果，分别展示不同类型素材的分析能力。

了解 Agent 如何使用上下文

从企业数据，到 Agent 的业务成果

围绕实际任务，配套设计数据解析、语义层和 Agent Skills，让 Agent 准确理解并使用企业资料。

例如，让营销 Agent 结合品牌规范、历史素材与投放指标，生成有依据的脚本。

营销 Agent 输出示例

让创意有素材可用、有事实可依

从露营场景切入，依次呈现放入食材、启动搅拌、倒出饮品的动作，产品表达遵循已确认的品牌事实。

脚本为演示示例；投放指标来自接入的业务数据。

查看六大 Agent 解决方案

按需分析，持续复用

先检索相关片段，再按需深入分析；将有效结果沉淀为知识，减少重复模型调用和 Agent 上下文开销。

工作方式示意
Agent 的资料需求

为户外饮品视频找一个操作镜头

  1. 定位相关片段

    先从已有索引与资料中找到候选片段。

  2. 补充当前需要的理解

    针对选中的画面，核对操作动作与使用场景。

  3. 保存可复用知识

    经校验的来源理解连同引用发布，供后续任务检索。

原视频中在户外桌面上启动搅拌机的画面。
沉淀的知识

启动搅拌

随后在户外桌面上启动搅拌机。

00:05–00:07
Agent 获得的上下文

与当前任务相关的理解，以及原始片段引用。需要更多细节时，再按引用续读。

知识按任务需求、来源版本和访问权限复用；任务中的私有信息保留在相应权限范围内。

高性能引擎，支撑多模态数据处理

基于 Vane Data，协同调度 I/O、CPU 与 GPU。查看文档、图片、音频和视频流水线的实测表现。

Vane DataRay DataDaft执行耗时（秒），越低越好

文档32.2% 相比 Ray Data 耗时降低

Vane Data
86.09 s
Ray Data
127 s
Daft
413 s

图片35.1% 相比 Ray Data 耗时降低

Vane Data
1147 s
Ray Data
1767.11 s
Daft
OOM

音频2.2% 相比 Ray Data 耗时降低

Vane Data
2312 s
Ray Data
2363.08 s
Daft
OOM

视频9.8% 相比 Ray Data 耗时增加

Vane Data
7603 s
Ray Data
6922 s
Daft
8322 s

36 CPU / 64 GB RAM / 2080 Ti, 22 GB 改装显存。单机、批大小调优结果。

查看完整性能测试了解 Vane Data

用你的数据，验证 Agent 效果

预约 Vane Context 演示，或使用Vane Data 开始构建。

Vane Data

用 SQL 和 Python 统一处理文件、模型推理与业务数据。

quickstart.py
import vane


con = vane.connect()
images = con.sql("""
    SELECT image_file(
        'quickstart-images/large.png'
    ) AS source
""")


images.select("""
    source,
    image_file_metadata(source).width AS width,
    resize(decode_image_file(source, 'RGB'),
           224, 224) AS thumbnail
""").show()
Quickstart →GitHub ↗