fleak.ai

是什么

Fleak 是一个面向 AI Agent 和企业数据管道的结构化机器数据规范化平台。它的核心判断是：许多 LLM Agent 的 token 并没有用于推理，而是消耗在字段解释、格式解析和 vendor schema 差异上。Fleak 位于数据源与 Agent 之间，将 OT 遥测、IoT 事件、设备日志、安全日志、AI gateway activity 等数据提前转换为语义一致的 schema。

核心能力

从正文看，Fleak 主要有两类能力：一是上游 normalization，宣称可减少 40% LLM token 使用，且不需要更换模型或 prompt；二是 schema drift 检测与修复，Brain 监控字段匹配、空值率、类型一致性，发现漂移后生成新 mapping，Muscle 在生产中确定性运行，声称每 CPU 8000 events/sec 且运行时无 AI inference。它支持 OCSF、IEC 61968、OPC-UA、DICOM、UDM、TIA 及自定义 schema。

定价与试用

官网正文未披露套餐、单价、免费额度或自助试用，仅提供 Book a demo，并建议用 30 分钟带入最混乱的数据源和现有 Agent 架构进行演示。因此采购前需要重点确认计费单位、部署方式、数据量上限、SLA 和支持范围。

优缺点

优点是定位非常明确：把 LLM 不擅长且昂贵的解析工作前移到数据层，特别适合 SIEM、工业控制、传感器数据和 AI API 日志等结构化但混乱的场景。其“生产数据不送入 LLM”“人工审核配置”“审计追踪”和 SOC 2 Type II 也符合企业治理需求。局限是公开材料以厂商宣称指标为主，缺少第三方 benchmark；mapping 仍需人工 review，复杂 schema 的业务语义也不可能完全自动化。

适合谁与中国访问

Fleak 更适合已有多源日志、OT/IoT 数据、AI Agent 或 SIEM 成本压力的中大型企业，不太像面向个人用户的通用 AI 工具。正文未提及中文界面、国内节点、人民币支付或中国客户案例，中国访问状态未知。若在国内落地，应同时评估网络连通、数据出境、合规审计和可替代的数据治理/日志规范化方案。