通过问答生成SQL：大模型时代BI的最佳解决方案

AskTable 是一款基于先进的大型语言模型（LLM）的智能数据问答解决方案，旨在帮助企业快速进行数据查询和决策。它集成了意图识别、知识检索、问题解析、数据查询和可视化输出等多种功能。用户通过自然语言提问，即可获得数据分析结果，从而实现更加灵活、高效的数据驱动决策。

解决什么问题

企业高层面临的挑战

• • 低效的数据查询与决策流程：企业高层在进行新项目或决策时，往往需要迅速获得数据支持，但传统方法（如向数据分析师请求数据）通常效率较低，且响应时间较长。
• • 决策慢，灵活性差：决策过程中的数据需求往往是即时的，依赖传统数据分析师处理数据，往往不能快速适应快速变化的需求。

使用 ChatBI 后，高层可以通过简单的自然语言查询获取实时数据，节省了与分析师沟通的时间，极大提升了决策效率。

业务一线面临的挑战

• • SQL 门槛高：业务人员通常缺乏足够的数据库查询知识，尤其是在复杂的 SQL 查询语句的编写上，技术壁垒较高。
• • 业务与技术的融合困难：业务人员需要兼顾业务理解、数据分析和技术实现，但缺乏跨领域的综合能力，使得数据分析和决策变得困难。

ChatBI 将繁琐的 SQL 查询隐藏在自然语言后面，业务人员只需通过简单的语言提问，就能获得数据分析结果，降低了技术门槛，并且更符合业务需求。

支持的数据库或文件类型

ChatBI 支持多种流行数据库以及文件格式的查询，能够满足各种企业的数据需求。以下是支持的主要数据库和文件类型：

架构解读

下面是整个系统架构的概览，展示了 ChatBI 如何利用自然语言理解能力将用户的查询转化为 SQL 查询并执行。

知识库建设

为了提高自然语言处理的精度和业务适应性，知识库的建设至关重要。企业内部的业务知识和规则常常是 ChatBI 精确理解用户需求的关键所在。

在企业内部，为了提高效率，常常会形成许多约定俗成的简称和规则。这些信息在内部交流中无需多言，大家自然心知肚明。但对于一个外来的 AI 来说，这些“大家都知道”的信息却是陌生的。

要让 AI 真正“懂你”，就需要对它进行训练，让它也能学会并掌握这些“大家都知道”的信息。我们将这类信息归纳为“业务知识”，它是企业文化与经验的沉淀，是帮助 AI 提升理解力的关键所在。

在 AskTable ，您可以通过以下四种方式来添加您企业的业务知识：

1. 1. 术语库
2. 2. 训练师
3. 3. 专属偏好
4. 4. 元数据

术语库

术语库帮助 AskTable AI 理解企业内部特有的术语。例如，当“铁盒子”在企业中代表“发动机”时，可以将这一约定添加到术语库中，确保 AI 在处理相关查询时能准确理解。

当 AskTable 接收到包含这些术语的查询请求时，会参考术语库中的定义，将术语转换为标准业务语言后进行分析，让查询结果更加贴合用户需求。

训练师

AskTable AI 的能力会随着用户反馈不断优化。通过点赞或提供训练数据，您可以帮助 AI 更快地学习如何更好地生成答案。训练数据包括用户提出的问题及其对应的正确 SQL 查询。

借助这些数据，AI 可以迅速掌握企业的具体需求，持续提高回答的精准度和实用性。

专属偏好

专属偏好让 AskTable AI 更懂用户的提问意图。比如，当数据库中包含多年的数据，您可以预设偏好，仅让 AI 查询最近一年的数据，从而避免不必要的筛选。

通过设置专属偏好，您可以进一步细化 AI 的查询范围，让其更准确地匹配用户需求，为您节省时间并提高工作效率。

元数据

元数据是对数据的“数据”描述，提供了数据的背景信息，如结构、格式和含义。这些信息让 AI 能够更准确地解读和处理数据，从而提升查询的精准度和效率。

AskTable 会自动从数据库中提取元数据，包括数据库、表、字段的信息，以及字段备注。即使没有备注，系统也会自动生成相关信息。所有元数据将汇总并存储在 AskTable 的 Meta Brain 中，为后续查询和分析提供支持。

元数据在数据查询中的作用体现在多个方面，比如：

示例 1：枚举值

例如，一个字段记录性别，其中 sex=1 表示男性，sex=2 表示女性。当用户查询“性别为男”的数据时，AI 会基于元数据自动生成查询条件 sex=1，无需用户明确说明。

示例 2：特定格式

例如，一个字段记录基金的星级评价，使用从 ★ 到 ★★★★★ 的格式。如果用户查询“四星以上的基金有多少”，元数据会帮助 AI 理解星级格式，自动生成正确的查询条件：

• • 错误：select count(*) from fund where star >= 4;
• • 正确：select count(*) from fund where star in ('★★★★','★★★★★')

通过元数据的加持，AskTable 能更深入地理解数据的实际含义，为您生成更精准的查询结果，助力高效决策。

AI 生成 SQL

利用自然语言处理能力自动生成 SQL ，从而满足各种特定场景。

适应场景

1. 1. 开发者不想针对不同的用户需求，实现不同的问答逻辑，想通过一个页面提供统一查询服务
2. 2. 开发者不想使用 AskTable 的 UI 界面，想自己实现一个 UI 界面
3. 3. 开发者想自己访问数据库，而不是通过 AskTable 访问数据库。

举个例子：

用户查询：获取所有在2021年销售超过1000件的产品

生成的 SQL 查询：

{
    "question": "获取所有在2021年销售超过1000件的产品",
    "prepared_statement": "SELECT name, sales FROM products WHERE year=2021 AND sales>1000",
    "parameters": {},
    "header": {
        "name": "姓名",
        "sales": "销售额"
    }
}

通过 ChatBI，用户只需用简单的自然语言提出问题，系统即可自动生成对应的 SQL 查询语句，极大地提高了查询效率。

AI利用自然语言统计

从自然语言查询生成 SQL 并直接返回查询结果的 API 接口。通过该 API，开发者可以利用AI的自然语言处理能力，快速获取数据库中的信息。这对于需要简化查询过程和提高开发效率的场景尤为适用。

适应场景

1. 1. 开发者希望用户能直接通过自然语言查询获取数据，而不需要自行处理 SQL 语句的生成和执行。
2. 2. 开发者不想使用 AskTable 的 UI 界面，想自己实现一个 UI 界面，直接展示查询结果。
3. 3. 开发者希望提供灵活的查询方式，适用于多种用户场景。

用户查询：有多少个国家？

生成的返回结果：

{
    "status": "OK",
    "elapsed_time": 6,
    "text": "共有206个国家。",
    "files": null,
    "charts": null,
  ....
}

通过这种方式，开发者可以将自然语言查询与数据分析功能集成到自己的应用中，简化了数据交互流程。

总结

AskTable 虽然没有完全开源，但是这个思路是一个非常好的应用场景，大家可以参考它的思路，结合自身的需求和技术栈，去设计和开发符合自己产品特色的 ChatBI 系统。通过分析 AskTable 的应用架构、交互方式及数据处理流程，可以为自己搭建类似的智能对话系统提供宝贵的经验和启示。