你的备份，不只是保存数据，而是在帮助 AI 理解企业

从恢复数据，到重新理解数据价值

做数据保护这么多年，我们过去关注的核心一直是：如何保证数据可靠，并在故障发生时快速恢复。

但随着企业保存的数据越来越多，一个新的问题也逐渐出现：

这些已经保存下来的数据，除了恢复之外，还能不能产生更多价值？

行业过去已经做过类似探索，比如 CDM（Copy Data Management）。它让备份数据可以用于开发、测试和分析。

但 CDM 的价值更多建立在结构化数据之上。数据库中的表、字段和关系已经提前定义，因此天然容易查询和复用。

而企业真正大量有价值的信息，往往存在于文档、邮件、聊天记录、会议纪要、代码、图片等非结构化数据中。这些内容包含大量业务背景和历史经验，但很难提前抽象成固定结构。

传统 RAG 通常需要先切分、向量化和建立索引，但这个过程容易损失原始上下文。

而 Codex、Claude Code 这类 Agent 展示了另一种可能：它们不需要提前重构整个代码库，也可以直接搜索、理解上下文，并完成复杂任务。

这让我们产生了一个问题：

如果代码可以被 Agent 直接理解，为什么企业大量非结构化数据不能采用类似方式进行信息挖掘？

企业文件，不是 AI 想读就能读

对于个人用户来说，Codex、Claude Code、WorkBuddy 这类 Agent 已经可以直接读取本地文件并完成分析。

但进入企业环境后，真正的问题并不是 AI 能不能理解文件，而是：

哪些数据可以访问？谁可以访问？不同业务之间如何保持数据边界？

企业的数据分散在员工电脑、共享目录、Office 365、飞书、钉钉、企业微信以及代码仓库中。

这些数据既不能简单全部集中，也不能默认开放给所有 Agent。

企业真正需要的是：在保持数据边界和权限控制的前提下，让 AI 理解这些分散的信息。

先把 AI 变成真正可用的助手

今天，我们为大家带来 OneProLabs 全新的开源项目 HyperFileLens。

它的目标，是让 AI 快速与企业自己的数据结合，并以助手的形式，让最终用户能够简单直接地使用。

两个典型例子：

• 用户支持助手：把产品文档、PPT、新功能说明、会议纪要、标书和脱敏项目资料放在一起，直接回答功能使用、版本差异、设计背景和历史问题。
• 根因定位助手：结合历史问题、截图和代码，进一步定位线上问题原因。

对于普通用户来说，不需要写 Prompt，也不需要理解背后的技术细节，只需要打开助手，像日常聊天一样提问，就能拿到答案。

我们之所以抽象“助手”这一层，是因为 Codex、Claude Code、WorkBuddy 这类通用 Agent 能力越强，普通用户反而越需要有人提前定义好数据范围、任务边界和能力。

HyperFileLens 背后的 AI 核心由 SourceLens 提供。它是一个针对非结构化数据查询优化过的 Harness Agent，不需要提前做 Embedding、Vector DB 或 Pre-indexing，而是直接搜索、阅读和推理原始文件。遇到数据库、报表这类结构化数据时，SourceLens 也可以通过 Skills 直接连接查询，把两部分结果拼在一起，共同支撑最终答案。

我们过去也使用过 Dify、FastGPT、Coze、RAGFlow 等方式构建知识助手，但实际过程中，真正消耗时间的往往不是创建助手，而是前面的切片、索引和数据准备。在我们的场景中，这套传统流程已经被 SourceLens 取代。

这套能力已经在真实业务中运行。目前 SourceLens 主要用于 HyperBDR 和 AGIOne 的全球销售支持、产品问题支持和工程分析。

过去分散在产品文档、项目资料、技术文档和代码库中的信息，现在可以通过 AI 助手直接被销售、支持和研发团队使用。

在 2026 年 6 月 18 日至 9 月 7 日期间，SourceLens 已基于 7.9GB 文档与代码库数据、14 个数据来源，完成 1,100+ 次问答、477 个会话，累计处理超过 6.6 亿 Tokens。

这些真实运行数据证明，企业 AI 助手已经可以进入实际工作流程。通过将产品知识、项目经验和技术资料沉淀为可访问的助手，团队可以在不显著增加人员规模的情况下，更高效地支持全球销售、客户支持和工程问题分析。

在实际使用中，SourceLens 的回答始终基于企业自身数据和可追溯证据；对于有充分数据支撑的问题，内部使用体验达到 95% 左右的准确水平。

同时，SourceLens 不绑定单一模型，可以根据任务灵活选择不同模型。目前主要使用：

• DeepSeek-V4-Flash：处理文本理解和推理；
• Qwen3.6-Plus：处理图片、截图等多模态内容。

按照当前实际运行数据计算，81 天累计模型调用成本约为 1000 元人民币，让企业可以以可控成本持续运行自己的 AI 数据助手。

快速体验 HyperFileLens

HyperFileLens 已在 GitHub 开源（https://github.com/oneprolabs/hyperfilelens），目前提供两种使用方式：

• SaaS 版本：最快开始体验，无需自行部署服务端；
• 社区版本：基于 Apache 2.0 开源协议，用户可以在自己的环境中完整部署。

无论选择哪种方式，数据都由用户自己掌控。用户可以根据自身需求选择存储方式、运行环境以及使用的模型。

1. SaaS 版本

如果希望快速体验 HyperFileLens，可以直接打开 https://hyperfilelens.com 使用免费的 SaaS 版本。

SaaS 版本无需部署服务端，也无需配置模型。注册完成后，用户只需要准备：

• 一台需要保护数据的个人电脑、服务器或共享存储；
• 一个自己的对象存储。

具体使用流程参考官网文档。

2. 社区版本

如果希望数据、系统和模型完全运行在自己的环境中，可以部署 HyperFileLens 社区版本。

社区版本采用 Apache 2.0 开源协议，支持用户根据自身需求配置：

• 自己的对象存储；
• 自己的模型/API；
• 自己的运行环境。

推荐运行环境：

• Ubuntu 24.04；
• 4 核 CPU；
• 8GB 内存。

中国大陆：

curl -fsSL https://gitee.com/oneprolabs/hyperfilelens/raw/main/deploy/online/install.sh \
  | sudo bash -s -- --mirror cn

海外及其他地区：

curl -fsSL https://raw.githubusercontent.com/oneprolabs/hyperfilelens/main/deploy/online/install.sh \
  | sudo bash -s -- --mirror global

从安装到使用，整体流程可以概括为：

准备数据 → 备份到对象存储 → 创建助手 → 开始与企业数据对话。

AI 正在改变我们理解数据的方式

过去，企业通常需要先定义结构，再分析数据。

但大量有价值的信息存在于文档、代码、邮件、聊天记录等非结构化数据中。AI 带来的变化，是让机器开始能够直接理解这些内容，发现其中隐藏的关系和知识。

这也是我们关注 Ontology（本体） 的原因：未来企业知识体系可能不再完全依赖人工提前定义，而是由 AI 从持续积累的数据中逐步发现和构建。

HyperFileLens 还不是一个完整的 Ontology 平台，但它正在验证一个重要方向：

当 AI 能够理解企业非结构化数据时，过去沉淀的数据资产是否可以被重新发现和利用？

过去，备份是为了恢复数据。

而 AI 时代，备份中的数据可能还有另一种价值：

帮助企业重新发现隐藏在数据中的知识和洞察。

加入 OneProLabs 开源交流群

如果你在体验过程中遇到问题，或者想参与共建、交流开源经验，欢迎扫码加入微信群。