在企业数字化转型过程中，数据仓库积累了海量的业务数据，但传统的数据获取方式存在显著瓶颈。业务人员不懂SQL，想要获取数据只能依赖数据团队提需求、排队等报表，决策效率极低；数据团队80%的时间消耗在重复的简单查询上，无法聚焦于高价值的数据建模和优化；传统BI看板笨重死板，无法应对临时突发查询。
具体而言，企业面临三大核心痛点：
业务人员“数据失语” ——不懂SQL的业务人员无法直接从数据仓库获取信息，只能依赖数据团队转译需求。
知识碎片化——记录分散在多个业务系统，缺乏统一的结构化组织。
知识检索效率低——传统关键词搜索无法理解语义。
智能问答，把企业分散的数据整合起来，通过问答和推荐的方式提供给企业工作人员检索信息。
一，自然语言问答
用户用日常语言提问，如“上个月华东地区销售额最高的产品是什么？”“近30天各产品线订单量对比”，系统自动理解意图并返回答案。系统支持多轮对话，能理解上下文中的指代关系，如“那对比去年呢？”。
二，知识库管理
支持将企业的运维手册、历史故障案例、最佳实践、FAQ、技术文档等统一向量化并构建专属知识层。支持多格式文档（PDF、Word、Markdown、HTML等）的自动解析和向量化。知识库具备版本管理和持续更新能力。
三，流式问答与可视化
系统以流式方式逐步推送查询进度（running/success/error）和结果。查询结果以结构化表格和可视化图表形式呈现，支持进一步的下钻分析。
四，权限与安全管控
具备权限隔离与审计追踪能力，确保敏感数据在问答过程中始终符合企业合规要求。支持JWT认证、多租户权限控制、只读查询限制。
五，智能推荐功能
根据用户的角色，推荐给他所应该知道的数据和信息。
项目的核心是实现从自然语言到数据答案的自动化转化，整体采用五层架构。
在交互层，系统提供Web界面和API接口，支持流式推送。核心枢纽是智能体Agent编排层，基于LangGraph构建有状态的工作流图，将推理过程拆解为意图解析、混合检索、模式链接、SQL生成、语法校验和安全执行等多个有序节点。检索增强层负责召回相关知识，工具层提供SQL校验与安全沙箱，底层对接数据仓库、向量库和元数据库。
技术栈方面，后端采用FastAPI，智能体编排选用LangGraph，实现对推理流程的精确控制。大模型选用私有化部署的Qwen开源模型，向量数据库使用Milvus，检索引擎用Elasticsearch，前端采用Vue。
项目落地的核心难点。第一，元数据质量决定系统上限，如果表没有注释、字段口径不统一，模型再强也会出错。解决方案是实施元数据治理前置，补齐表注释和主外键关系，并在检索时采用BM25粗排加语义精排的两级模式链接，将数百张表裁剪到相关的几张。第二，大模型生成SQL存在幻觉，影响准确性。Agent多级循环，AI检查输出结果。成功的结果进行缓存，下次优先使用成功的查询模式。
评论