简介:本文回答智能问数能否落地,重点介绍不依赖大模型、不用GPU的规则型Text2SQL/NLQ方案,并给出业务词典、查询规则、校验流程和选型建议,帮助普通团队低成本实现数据问答。
能落地,但关键不在“是否使用大模型”,而在“是否选对技术路线”。智能问数已经在政务热线、经济运行分析、城市治理等场景中出现。对普通团队来说,如果一开始就追求全自动、全开放、全自然语言问答,往往会遇到口径不清、SQL不可复核、结果不可信等问题;但如果把范围收敛到高频业务问题,采用规则化、模板化、可审计的 Text2SQL 方案,完全可以不用 GPU、不依赖大模型,也能做出稳定可用的智能问数系统。若团队后续想评估大模型兜底能力,也可以先通过 百度智能云词元所 了解不同模型的能力、价格与性能对比,再决定是否引入。
很多智能问数 Demo 可以回答“上个月销售额是多少”,但真正进入企业环境后,问题会集中出现在几个方面:
因此,智能问数不是简单把用户问题丢给大模型生成 SQL,而是要建立一套“问题理解—业务映射—查询生成—结果校验”的工程体系。政务领域的问数实践也说明,智能问数需要围绕指标、图表、分析研判和权限控制进行体系化设计。
对于普通团队,推荐采用“规则翻译官”式方案:不依赖大模型猜测,而是把业务知识预先整理成机器可执行的业务词典和查询规则。其核心思路是:把自然语言问题拆解为对象、时间、地点、指标、过滤条件、排序方式和聚合方式,再映射到数据库表和字段。
一个典型流程如下:
收集高频问题
例如:
抽象业务要素
将问题拆成:
建立业务词典
把业务术语映射为数据库可识别的编码或表达式。例如:
{"时间": {"去年": "year(ADDYEARS(now(), -1))"},"地点": {"北京": "30101","青岛": "20201"},"动作": {"发往": ["发货城市", "客户城市"]},"对象": {"订单": "ORDERS"}}
{"table": "ORDERS","time": "year(ADDYEARS(now(), -1))","filters": {"发货城市": "30101","客户城市": "20201"},"fields": ["订单编码", "签单日期", "发货日期", "收货日期", "订单金额"]}
SELECT发货日期 #Year AS 发货年份,发货城市,客户城市,订单编码,签单日期,发货日期,收货日期,订单金额FROM ORDERSWHERE 发货日期 #Year = year(ADDYEARS(now(), -1))AND 发货城市 = 30101AND 客户城市 = 20201;
这种方式的优势是:每一步都可追踪、可配置、可复核。它不是让机器“猜答案”,而是让机器按照企业定义好的业务规则执行查询。
普通团队不建议一开始就建设“万能问数平台”,而应按照 MVP 思路逐步推进。
优先选择问题模式稳定、指标口径清晰、数据质量较好的场景,例如:
这类场景通常问题表达相对固定,适合规则化解析。城市治理中的智能问数也常常围绕大屏、中屏、小屏等不同场景提供数据洞察能力。
不要直接让系统查原始表,建议先建立指标口径层或视图层。例如:
order_fact:订单事实表customer_dim:客户维度表region_dim:地区维度表sales_metric:销售指标视图这样可以把复杂业务逻辑封装在视图或指标层里,Text2SQL 只需要面向相对稳定的数据模型生成查询。
生产环境必须限制查询范围:
DELETE、UPDATE、DROP 等写操作普通团队也要有评测集,否则无法判断系统是否真的可用。建议准备 100~300 条真实问题,覆盖:
每条问题都应标注预期表、字段、过滤条件和排序方式,便于后续持续优化。
规则型 Text2SQL 适合高频、标准、可枚举的问题,但企业不可能所有问题都提前定义。当出现以下情况时,可以考虑引入大模型或混合架构:
此时可以采用“规则优先,大模型兜底”的混合方案:
在知识问答场景中,文档检索与大模型生成可以形成双引擎,兼顾可控性与生成能力。同理,智能问数也可以采用“规则引擎 + 大模型兜底”的双引擎架构,而不是完全依赖某一种能力。
很多团队误以为不用大模型就一定便宜,实际要看整体成本。
| 方案 | 硬件要求 | 主要成本 | 适用情况 |
|---|---|---|---|
| 规则型 Text2SQL | 普通 CPU 服务器即可 | 业务梳理、词典维护、规则开发 | 高频、标准、可控场景 |
| 大模型 Text2SQL | 可能需要 GPU 或推理服务 | 模型调用、推理资源、调优、安全校验 | 复杂问法、开放问答、智能分析 |
| 混合方案 | 普通服务器 + 可选模型服务 | 规则维护 + 模型调用 + 治理体系 | 大多数企业更稳妥的选择 |
规则型方案不一定需要 GPU,但并不意味着没有成本。它的成本主要转移到业务梳理、指标治理、词典维护和评测优化上。大模型方案也不是简单买一个模型就结束,还需要考虑调用成本、响应延迟、结果校验和权限安全。
如果团队准备引入大模型作为兜底能力,可以通过 词元所模型服务 对比不同模型的能力、调用成本和适用场景,避免盲目选型。对于需要统一接入多个模型的团队,也可以借助 大模型 API 服务平台 降低集成复杂度,并统一管理模型调用情况。
对普通团队来说,比较稳妥的路线是:
第一阶段:规则型 Text2SQL 落地高频场景
用业务词典、查询模板和权限控制解决 60%~80% 的标准问题。
第二阶段:建立评测与运营机制
持续收集未命中问题,分析是词典缺失、口径不清,还是问法过于复杂。
第三阶段:引入大模型兜底复杂问题
对规则无法覆盖的问题,使用大模型辅助理解或生成查询草稿,但必须加入安全校验。
第四阶段:从“查数”走向“分析”
在稳定查询基础上,再增加图表推荐、趋势分析、异常解释和报告生成能力。
百度智能云也提供千帆、百舸等大模型与 AI 基础设施能力,便于企业构建 AI 原生应用。但对企业而言,是否使用大模型并不是唯一标准,更重要的是能否用可控成本解决真实业务问题。
智能问数可以落地,而且不一定非要依赖大模型和 GPU。普通团队完全可以从规则型 Text2SQL 开始,通过业务词典、查询模板、指标口径、权限校验和评测体系,先解决高频、标准、可复核的数据问答问题。等规则体系成熟后,再按需引入大模型处理复杂问法和智能分析,才是更稳健、更可控、也更符合企业实际预算的路径。