1. NL2SQL方案的三大痛点
正确性难以保障：大模型生成的SQL可能存在语法错误、逻辑错误或性能问题，而这些错误往往难以在执行前发现。基于概率的不确定性计算导致偶发性幻觉，输出代码可执行但不一定正确。
垂直领域知识缺失：通用大模型缺乏金融业务知识，难以理解数据口径、指标计算、权限规则等专业概念。虽然可通过模型微调或RAG技术注入知识，但成本高、效果受限，且召回知识不精确。
复杂查询表达局限：对于涉及多表关联、复杂计算、子查询嵌套的场景，生成的SQL往往过于复杂，超出大模型可靠生成范围，难以处理跨数据源整合、权限控制、数据脱敏等复杂业务规则。
2. 实际业务需求挑战
金融数据分析场景面临四大核心需求：多源数据整合（数据分散在关系数据库、NoSQL、数据湖等异构系统）、复杂业务规则（涉及权限控制、数据脱敏、指标口径统一等难以用单一SQL表达）、准确稳定运行（生产系统不能容忍因LLM幻觉导致的错误）、安全合规要求（需要细粒度访问控制和完整审计）。
该项目是一个基于大语言模型的智能数据查询系统，采用五层架构设计，实现了自然语言到API调用的完整转换链路。项目包含10个核心功能模块：数据层的API元数据管理、向量索引和大语言模型三个模块负责提供基础数据和智能能力支撑；执行层的API查询服务、语义检索服务和API选择器三个模块实现从场景到API的精准匹配；理解层的意图识别服务和参数提取服务两个模块将自然语言转换为结构化参数；应用层的会话管理、流程编排和状态机控制三个模块采用状态机设计管理查询生命周期；交互层的自然语言输入和结构化输出两个模块提供用户交互界面。系统的核心功能是让用户通过自然语言（如"查询今天SI2503合约的所有买入订单"）即可完成复杂的数据查询和业务分析，系统自动完成意图识别、API匹配、参数收集、业务执行全流程，支持多源数据整合、权限控制、数据脱敏等复杂业务场景，特别适用于金融交易数据分析、风控监控等领域的实时查询需求。
# I项目技术栈与创新点
## 一、技术栈
### 核心技术
- **大语言模型(LLM)**：提供自然语言理解、文本生成和知识推理能力
- **BERT模型**：中文预训练模型，实现文本向量化编码和语义相似度计算
- **MCP协议**：Model Context Protocol，构建模块化的意图识别架构
- **向量检索**：ANN近似最近邻索引，支持高效语义搜索
### 数据与开发
- **MySQL**：存储API元数据、参数定义和配置信息
- **向量数据库**：存储API描述向量，支持语义检索
- **RESTful API**：标准化接口设计规范
- **状态机模式**：管理查询生命周期
- **Groovy脚本**：表达复杂业务逻辑
- **API管理平台**：低代码方式快速构建API
---
## 二、核心创新点
### 1. 双引擎协同架构
采用"精确查询 + 智能推荐"双引擎机制。精确查询引擎根据业务场景从元数据库检索候选API，智能推荐引擎通过BERT语义检索和LLM综合评估实现最佳匹配。这一创新将确定性业务逻辑封装在API中，不确定性仅限于意图理解环节，解决了NL2SQL方案中SQL生成正确性难以保证的问题，实现了灵活性与可控性的平衡。
### 2. 三阶段语义匹配
设计了"场景路由 → 向量检索 → LLM精选"的三阶段匹配机制。首先通过意图识别将查询映射到具体业务场景，然后用BERT向量检索从数百个API中筛选TopN候选，最后由LLM从功能覆盖度、参数匹配度等多维度选出最佳API。这一创新有效缓解了LLM上下文长度限制，避免携带所有API Schema，提高了匹配准确率，降低了推理成本。
### 3. 状态机式多轮对话
采用五状态流转设计管理查询全生命周期：意图分析 → 参数收集 → 参数确认 → 业务执行 → 处
评论