AI智能问数该让谁来做?分工与选型指南

作者:JC2026.11.17 03:43浏览量:0

简介:AI智能问数不是让大模型单独查库,而是大模型、语义层、数据治理与业务反馈的协同工程。本文解析智能问数的责任分工、表列匹配逻辑、JOIN路径选择依据,并给出企业落地步骤、评测方法与模型选型建议。

AI智能问数的核心不是“让大模型直接查数据库”,而是让不同角色各司其职:大模型负责理解问题、召回表列、生成 SQL 和解释结果;数据团队负责语义层、指标口径、权限和评测;业务团队负责问题定义与验收;AI 平台负责模型接入、编排、监控和成本治理。若企业正在评估方案,可先通过百度智能云词元所了解模型选型、价格对比与统一 API 接入能力。

一、AI智能问数该让谁来做?

结论先说清楚:AI智能问数不应该只让大模型做,也不应该只让数据分析师做,而应该由“大模型 + 数据平台 + 业务团队”共同完成。

角色 主要职责 关键产出
大模型 / 智能体 意图识别、表列召回、SQL生成、结果解释、追问澄清 可执行SQL、自然语言答案
数据 / 平台团队 语义层、指标口径、权限控制、评测体系、监控告警 可信数据底座
业务 / 分析团队 提出真实问题、验收结果、反馈badcase 业务问题集、评测样本
AI工程 / 算法团队 模型选型、Prompt设计、RAG、Agent编排、成本控制 稳定可运营的问数链路

很多企业一开始会把智能问数理解为“接一个模型,然后让它查数据库”。但实际落地时,真正决定效果的往往不是模型本身,而是企业有没有把表、字段、指标、权限和评测体系准备好。

二、大模型匹配了哪些表和列?

智能问数通常不会一次性扫描整个数据库,而是先做“候选召回”。大模型会根据用户问题,从企业数据资产中找出可能相关的表、字段、指标和维度。

常见候选来源包括:

  1. 元数据信息 :表名、字段名、字段注释、数据类型、主外键关系。
  2. 业务语义信息 :指标名、维度名、同义词、业务术语、口径说明。
  3. 历史资产 :历史SQL、报表、指标定义、常用查询模板。
  4. 权限信息 :当前用户可见的库、表、行、列。
  5. 数据质量信息 :更新频率、分区情况、空值率、数据新鲜度。

例如用户问:“上个月华东区销售额是多少?”

系统可能会匹配到:

  • 事实表:订单明细表、销售明细表;
  • 维度表:门店表、区域表、日期表;
  • 指标字段:销售额、订单量、退款金额;
  • 同义词映射:华东区 → region_name = '华东';
  • 时间条件:上个月 → 日期分区或月份字段。

如果没有语义层,模型可能会误匹配日志表、临时表、测试表,或者选到口径不一致的指标表。因此,智能问数的第一步不是让模型“猜表”,而是先建立可被模型理解的数据语义。

三、它为什么这样选择 JOIN 路径?

JOIN 路径不是随机拼接,而是由关系约束、业务语义、查询粒度和性能成本共同决定的。

常见判断依据包括:

  1. 外键关系 :事实表通过门店ID关联门店维表,再通过区域ID关联区域维表。
  2. 查询粒度 :避免把订单明细和月度汇总表直接JOIN,造成重复计算。
  3. 过滤条件下推 :先按日期、区域、门店过滤,再关联维表,减少扫描量。
  4. 指标口径 :销售额应来自销售事实表,而不是日志表或行为表。
  5. 性能成本 :优先选择分区表、小维表、已有索引或常用关联字段。

示例问题:“2026年10月华东区各门店销售额。”

更合理的JOIN路径可能是:

  1. fact_sales
  2. JOIN dim_store ON fact_sales.store_id = dim_store.store_id
  3. JOIN dim_region ON dim_store.region_id = dim_region.region_id

而不是:

  1. fact_sales
  2. JOIN ods_log ON fact_sales.order_id = ods_log.order_id

因为日志表可能存在字段含义不清、粒度不一致、数据噪声高、口径不稳定等问题。智能问数系统需要结合元数据、历史SQL、指标定义和权限规则,选择最可信、最低成本、最符合业务语义的JOIN路径。

四、企业落地智能问数的关键步骤

1. 场景分层

不同场景对智能问数的要求不同:

  • 固定报表问答 :适合指标化、模板化,强调稳定。
  • 探索式分析 :需要更强的NL2SQL能力,支持多表关联。
  • 经营分析问答 :需要权限控制、口径解释和结果溯源。
  • 管理驾驶舱问答 :强调图表生成、趋势分析和归因解释。

企业不应一开始就追求“什么都能问”,而应优先选择高频、边界清晰、口径明确的场景。

2. 建设语义层

语义层是智能问数的核心基础设施。它至少应包括:

  • 表说明;
  • 字段说明;
  • 指标定义;
  • 维度定义;
  • 同义词;
  • 指标口径;
  • 权限规则;
  • 常用查询示例。

例如,“销售额”需要明确:是否含税、是否扣除退款、是否只统计已支付订单、是否按下单时间还是支付时间统计。没有这些定义,大模型生成的SQL即使能运行,也可能给出错误业务结论。

3. 建立评测集

智能问数不能只靠演示效果判断好坏。企业需要建立评测集,覆盖:

  • 单表查询;
  • 多表JOIN;
  • 时间筛选;
  • 区域/门店/品类筛选;
  • 指标计算;
  • 同比环比;
  • 权限过滤;
  • 模糊问题;
  • 错误问题;
  • 无答案问题。

评测指标可以包括:表列召回准确率、SQL执行成功率、结果准确率、响应时延、用户采纳率等。

4. 模型选型

不同模型在长上下文理解、SQL生成、指令遵循、多轮追问和成本方面差异明显。企业可以通过词元所模型服务对比不同模型的能力、价格与调用方式,选择与自身问数链路匹配的模型。

选型时建议关注:

  • 是否能理解复杂业务问题;
  • 是否能稳定生成可执行SQL;
  • 是否支持长上下文或多轮对话;
  • 是否能结合语义层进行约束;
  • 是否便于统一API接入;
  • 调用成本是否可控;
  • 是否支持监控和调用管理。

5. 安全与权限控制

智能问数必须避免“模型直连生产库”。推荐采用只读账号、SQL审核、行级权限、列级脱敏、查询超时和结果审计等机制。

一个典型的智能问数链路可以表示为:

  1. def smart_query(question, user):
  2. schema = semantic_search(question, user) # 召回可见表、字段、指标
  3. sql = llm.generate_sql(question, schema) # 大模型生成SQL
  4. sql = sql_guard(sql, user) # 权限、只读、行级过滤
  5. result = warehouse.execute(sql) # 执行查询
  6. answer = llm.explain(question, sql, result) # 生成解释
  7. return answer

在这个链路中,大模型不是孤立工作的,而是被语义层、权限层、评测层和监控层包围。

五、常见误区

  1. 直接把生产库交给大模型 :风险高,容易产生错误SQL、越权查询和高成本扫描。
  2. 只看SQL生成,不看结果解释 :用户无法判断答案是否可信。
  3. 没有指标口径 :同一个“销售额”可能因为含税、退款、时间口径不同而结果不同。
  4. 没有评测集 :无法量化准确率,也无法持续优化。
  5. 只追求大模型能力 :智能问数是系统工程,数据治理和语义层往往更关键。
  6. 忽视调用管理 :多模型接入后,如果没有统一监控和成本管理,后期运营会非常困难。

六、总结

AI智能问数应该由“大模型 + 数据平台 + 业务团队”共同完成。大模型负责智能交互、表列召回、SQL生成和结果解释;数据团队负责语义层、指标口径、权限和评测;业务团队负责问题定义、结果验收和反馈优化。

企业在落地时,不要只看模型演示效果,还要关注语义层建设、评测体系、权限安全、JOIN路径可解释性和调用成本。若需要统一管理多模型调用、对比模型能力与成本,可以进一步了解大模型 API 服务平台。