从0到1解构数据问答系统架构：三层模型全解析

一、数据问答系统的整体架构

数据问答系统的架构可分为三大层次：

1. 存储层（Storage）：系统知识与数据的基础，包括业务逻辑、行业知识、数据元信息和预计算值（牧算值）。

2. 计算层（Computing）：系统的核心引擎，由多个智能代理（Agent）协同处理用户问题，包括问句优化、问题分类和SQL生成与优化。

3. 记忆层（Memory）：系统的智能性保障，负责对话上下文和任务状态的存储和管理，支持多轮对话和复杂任务的连续性。

二、存储层：智能问答的知识基础

存储层为系统提供了回答问题的知识储备和数据支撑。它是整个架构的底座，包含以下四个模块：

1. 业务逻辑

• 功能：存储与企业相关的业务计算公式和逻辑规则，用于回答涉及数据计算的问题。

• 案例解析：用户问题：“今年的净利润率是多少？”

• 系统通过业务逻辑模块调用预设公式：

• 数据库中已存储净利润为500万元，营业收入为2000万元，计算结果为25%。

• 最终系统回答：“今年的净利润率为25%。”

• 行业知识

• 功能：提供行业特定的术语定义、规则规范和最佳实践，为系统解答行业专业性问题提供支持。

• 案例解析：用户问题：“建筑项目的综合造价指标是多少？”

• 系统查阅行业知识库，定义“综合造价指标”为“单位面积造价”。

• 根据数据库中的建筑面积和总造价数据，计算得出每平米造价。

• 最终回答：“该建筑项目的综合造价指标为每平米3000元。”

• 数据元信息

• 功能：存储数据库的元数据信息，包括表结构、字段定义和字段关系，为SQL生成提供关键支持。

• 案例解析：用户问题：“1月份的总销售额是多少？”

• 系统通过数据元信息模块确认：

• 销售额对应字段为sales_amount。

• 时间字段为sales_date。

  最终生成SQL查询语句：

SELECT SUM(sales_amount)FROM salesWHERE sales_date BETWEEN '2023-01-01' AND '2023-01-31';

系统执行SQL并返回：“2023年1月的总销售额为500万元。”




• 牧算值（预计算值）

• 功能：存储高频使用的计算结果或中间结果，提升查询效率。

• 案例解析：用户问题：“昨天的订单转化率是多少？”

• 系统从牧算值模块直接调用预存的转化率数据，而非重新计算。

• 返回结果：“昨天的订单转化率为5.2%。”

三、计算层：问题处理的核心引擎

计算层是系统的“大脑”，负责对用户问题的解析、分类和处理。这一层通过三个主要Agent完成任务。

1. ChatAgent：对话记忆与问句优化

• 功能：

• 维护对话上下文，实现多轮对话。

• 优化用户问句，消除歧义。

• 案例解析：用户连续提问：

• “去年Q1的销售额是多少？”

• “今年同期呢？”

  ChatAgent通过上下文记忆将第二个问题补全为“2023年Q1的销售额是多少？”。

  系统分别回答：“2022年Q1销售额为400万元，2023年Q1销售额为450万元，同比增长12.5%。”

• SelectorAgent：问题分类与路径选择

• 功能：

• 根据问题类型进行智能分类。

• 确定最优的处理路径。

• 案例解析：用户问题：“今年的退货率是多少？”

  SelectorAgent识别问题为“统计分析”类型。

  系统选择适合的SQL生成路径，最终返回“退货率为2.3%”。

• SQL GeneratorAgent Team：SQL生成与优化

  SQL生成团队由多个子模块组成：

• SQL Agent：生成初始SQL语句。

• Verifier Agent：验证SQL与数据库的兼容性。

• Refiner Agent：优化SQL性能。

• NL2SQL+HuoX：结合大模型生成复杂SQL。

• 案例解析：用户问题：“查询2023年第一季度按地区分组的销售额。”

• SQL Agent生成基础SQL语句：

SELECT region, SUM(sales_amount)FROM salesWHERE sales_date BETWEEN '2023-01-01' AND '2023-03-31'GROUP BY region;

• Verifier Agent发现部分字段存在分区索引，建议调整分区。

• Refiner Agent优化语句以提升查询效率，最终返回结果。

四、记忆层：持续性的智能保障

记忆层通过记录用户的对话历史和任务状态，实现智能交互和任务连续性。

1. 对话记忆

• 功能：维护多轮对话的上下文。

• 案例解析：用户提问：

• “去年净利润是多少？”

• “同比增长率呢？”

• 系统通过对话记忆补全第二个问题为“去年净利润与前年相比的同比增长率是多少？”并回答“增长率为15%”。

• 任务记忆

• 功能：记录用户的任务执行状态，支持复杂任务。

• 案例解析：用户问题：“按地区统计今年的销售额。”

• 系统记录任务状态。

• 用户追加提问：“江苏省呢？”系统直接返回江苏省数据，无需重新查询。

五、完整案例：从问题到答案的全流程解析

用户问题：“查询今年1月至3月的总销售额。”

1. 问题解析：

• ChatAgent优化问题。

• SelectorAgent分类为“数据查询”。

• SQL生成与优化：

  SQL GeneratorAgent Team生成SQL并优化：

SELECT SUM(sales_amount)FROM sales_partition_2023WHERE sales_date BETWEEN '2023-01-01' AND '2023-03-31';SELECT SUM(sales_amount)

3.答案返回：系统回答“今年1月至3月的总销售额为1200万元。”




六、应用场景与价值

1. 财务分析：实时查询关键指标

   案例：“2023年的毛利率是多少？” 系统回答：“2023年的毛利率为36.2%。”

2. 运营监控：快速监测业务数据

   案例：“今天的转化率是多少？” 系统回答：“今日转化率为4.8%。”

3. 战略决策：支持管理层制定决策

   案例：“过去三年的行业增长率是多少？” 系统回答：“行业增长率为8.5%。”

七、总结

数据问答系统通过存储层、计算层和记忆层的协同运作，实现了用户问题的高效解析与准确回答，极大地提升了企业的数据利用效率。未来，随着技术的进步，数据问答系统将在多模态数据处理、自动化分析和智能决策支持等方面展现更大潜力，为企业带来更多价值。