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。
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。
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:
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:
region_name = '华东';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。
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:
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:
fact_salesJOIN dim_store ON fact_sales.store_id = dim_store.store_idJOIN dim_region ON dim_store.region_id = dim_region.region_id
而不是:
fact_salesJOIN 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。
不同场景对智能问数的要求不同:
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。
语义层是智能问数的核心基础设施。它至少应包括:
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。
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:
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。
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:
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:
def smart_query(question, user):schema = semantic_search(question, user) # 召回可见表、字段、指标sql = llm.generate_sql(question, schema) # 大模型生成SQLsql = sql_guard(sql, user) # 权限、只读、行级过滤result = warehouse.execute(sql) # 执行查询answer = llm.explain(question, sql, result) # 生成解释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。
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。