ChatBI≠NL2SQL：关于问数，聊聊我踩过的坑和一点感悟

"如果说数据是新时代的石油，智能问数就是能让普通人也能操作的智能钻井平台。"

这里是**AI粉嫩特攻队！** ，这段时间真的太忙了，不外放心，关于从零打造AI工具的coze实操下篇正在进行中。今天，我们先聊聊另一个很热闹的主题——ChatBI。
还记得那些陷入Excel地狱的日子吗？当同事问你"上个季度我们的销售增长率是多少"，你只能叹口气，打开庞大的数据库，编写一段复杂的SQL语句，然后祷告没有出错——这个过程通常必要半小时甚至更长时间。
而今天，这个问题的答案可能只需几秒钟。
当大语言模型遇上数据分析：一场静静静的革命

最近因为工作关系，我深入研究了智能问数产物（业内称为ChatBI）的开发过程。这种产物让人有种"最密切的陌生人"的感觉——险些所有人都听说过微软的Power BI，但真正理解其革命性的人却寥寥无几。
从微软的Power BI到如今基于大语言模型（LLM）的智能BI，技能已经经历了几次庞大变革。如今有了Coze、Dify这类快速搭建工作流的工具，智能BI的搭建门槛已经大幅降低（曾试过在几小时内就搭建出来一个简易并可实验的应用，那刹那觉得自己很行）。
但别被表面的简单所疑惑——怎样做得好用、做得正确，却不是简单的工作流就能办理的问题。这也是现存险些所有ChatBI产物的痛点。
智能问数的本质：为什么我们必要它？

在深入技能细节前，我们必要思考一个根本问题：人类为什么要开发BI工具？
本质上，我们盼望借助真实的数据指标来支持决议者做出更好的判定。而经历了这么多技能变革，原因有二：

• 这些酷寒的数字是最客观反映事物真实盼望的方式，险些每个决议者都在"对着数字说话"
  
• 在这个快速发展的社会中，易用、高效、智能已经成为了根本需求
  

插句题外话：当我们在快速追赶时代的脚步时，不妨在某些时刻让自己慢下来，思考我们追逐的究竟是什么。我很喜欢一句话："到底是什么样的追求，让你把沿途风景都错过？"

揭秘：ChatBI产物背后的技能架构

如今市面上的ChatBI产物技能架构可以说是百花齐放，我常惊叹那些先行者他们的判定与结构。总结起来，一个完整的技能架构通常包罗这几个核心部门：用户交互、意图理解、数据实验、数据治理、以及越来越成为一种趋势的知识运营或者说知识沉淀（第一次从大神那听到“知识运营”的时候，那种震撼是无法描述的，真的很崇敬这些热爱思考的先行者）。
1. 用户交互：第一印象决定生死

作为研发人员，我曾经严重低估了前端计划的紧张性。然而，用户交互计划决定了产物是否好用，是否能满足用户需求。
有一个紧张的认知突破是：界面计划不应局限于传统的报表、大屏和指标报告。任何能够帮助决议者做出判定的形式都是有价值的。我们甚至可以让业务体系"自己解释自己"。下面是Sugar BI做的特色企业大屏模版，我第一次看的时候还是有种耳目一新的感觉的。

Sugar BI的特色企业大屏：打破传统数据展示的桎梏除了与终极用户的交互外，还有一个常被忽视的环节：与运营/业务人员的交互。怎样引导他们简单快捷地对数据进行治理息争释阐明，这同样至关紧张。
2. 语义理解：产物能力的分水岭

这是各产物能力的真正分水岭，也是保证问数产物正确度的关键环节。你是否遇到过这些问题？

• "为什么这个指标大模型总是不理解？"
  
• "这个商品名称为什么每次都搜不对？"
  
• "产物为什么总是不理解我的问题？"
  
• "同样是用户增长，市场部和研发部门的计算还不一样…"
  

在研发过程中，这些问题确实让我伤透了头脑。自己开发的东西那一刻就像是个陌生人一样与我对坐，就像在说你倒是加把劲儿啊。
那就撸起袖子来挨个攻克吧，被难倒总不是咱们研发人员的宿命。这后面的抽象问题其实是语义模糊、实体难对齐、术语/黑话理解苦难、指标计算太复杂。
核心计谋：我是从创建专有知识库这一点入手的，如果说术语或者指标难理解，那就创建相应的术语库与指标库，对用户的查询进行相关知识的检索。将检索得到的知识（甚至包括SQL）提交给大模型作为背景知识，去提拔推理的效果。
从我的实验来看，这种方法带来的提拔非常明显，而且维护成本并不高（因为大多数业务体系中已经包罗了许多指标的计算逻辑）。
3. 数据实验：技能人员的主战场

这通常是技能人员最爱发力的环节。不可胜数的NL2SQL（自然语言转SQL）、NL2XX的研究文献就可见一斑。
数据实验环节通常包括查询生成、查询语句纠错和查询语句实验等部门。目前主流的技能方案有：

• NL2SQL
  查询服从高，正确度较高，但在处理复杂嵌套子查询时存在局限
  
• NL2Python
  灵活性强，但实现复杂
  
• NL2DSL
  特定领域语言转换，针对性强
  
• NL2API
  灵活性极高，可容纳复杂计算逻辑，但自然语言到API参数的映射过程复杂
  
• NL2MDX
  微软查询风格，适合多维数据分析
  

通用的NL2SQL正确度已经相当高，但面对企业内部的专业术语和复杂指标计算时，效果每每大打扣头。这也是为什么我们必要将语义理解与数据实验深度结合的原因。
4. 数据治理：老生常谈却至关紧张

我认为，做数据治理的企业天然具有开发智能问数产物的优势。因为这些企业不仅懂数据，更懂业务，这一点至关紧张。
在数据治理环节，我常常问自己这些问题：

• 数据安全怎样保证？
  
• 用户权限怎样管理？
  
• 基于智能问数的数据标准怎样创建？
  
• 数据从输入到输出，整个环节怎样监控？
  

数据治理不是一次性工作，而是持续的过程。它直接决定了智能问数产物的质量上限。
5. 知识沉淀：产物的核心竞争力

随着DeepSeek的推出，如今越来越多的声音提倡创建个人知识库。其实产物也是一样，专属的知识库是一种财富，是产物的沉淀。做了这么多产物，我们留下了什么，怎样持续的优化升级保持动力。我想知识沉淀部门就是答案。
万物可入知识库，只要它有价值：术语阐明、专有指标、算法专家履历都可以作为知识沉淀下来，并加以复用。而知识运营更是一个庞大的话题，庞大到企业是否可以在AGI时代不被淘汰。
智能问数产物的现状与未来

如今的问数产物还是饱受诟病的：不到75%的正确率、超过10秒的响应时间会使用户厌烦，从而放弃使用。当我们做产物的时候，我们只是做出来就可以吗？其实每个产物都是一个鲜活的生命，而作为创造者则要为之计深远。我也搜了很多的破局之道，此中一个高人的回答我颇为赞同，那就是有用的数据治理、统一的指标口径以及企业独有的知识库。
写在最后

所有人都在赶路，我们也从不绝歇。做难而正确的事情，持字斟句酌的态度。
科技车轮滚滚向前，你我都是这场革命的见证者。
附两个产物技能架构图让各人也找找感觉。

有数BI 技能架构图

腾讯云BI架构图这只是我对智能问数产物研发的初步探究，后续将带来更多与这些问题相关的内容：

• NL2SQL技能的优化与落地
  
• 提拔智能问数正确率的实战本事
  
• 面向不偕行业的智能问数定制计谋
  
• 怎样构建企业专属知识库
  
• 各ChatBI产物的先容与对比
  
• ...
  

以上，既然看到这里了，如果觉得不错，随手点个赞、分享、保举三连吧，你的鼓励是我持续创作的动力，我们，下次再见。
AI粉嫩特攻队，内卷不灭，奋斗不止！关注我们，帮你把时间还给创造！
| 作者：冬阳，AI粉嫩特攻队员之一，资深AI产物研发工程师，专注于智能BI与数据分析领域，曾到场多个企业级智能问数产物的计划与开发。

| 互动交流，请接洽邮箱：fennenqiushui@qq.com

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。