Chat-Bi产品系统

场景：大型制造企业级 BI 平台（React 技术栈，覆盖系统项目管理、运维 KPI、调度系统、可视化看板等十余模块），数据底座为双 SQL Server 数仓实例（生产业务库与数据抽取库分离部署，统一只读账号接入）。典型问法高度口语化："本月各产线实际产能与完成率对比""近三天组件点击量排行前六"。

立项动因：

取数效率瓶颈——传统 BI 陷入"报表墙"困局，每个未预设问题都需 IT 排期、天级交付，业务提问速度远超人工响应速度。
语义鸿沟——业务语言（产线/完成率/点击率）与物理 schema（英文缩写字段名、拼音表名）之间缺一层映射，通用大模型直连 Text-to-SQL 必然表名幻觉、字段编造、跨库乱 JOIN。
安全红线——AI 生成的 SQL 直打生产库，写操作、越权、提示词注入三重风险叠加，无确定性护栏无法过审上线。
嵌入式约束——能力需以组件形态"长"进存量系统，复用既有登录态与账号体系，而非另起炉灶。
项目定位：要解决的不是"能不能生成 SQL"，而是如何让大模型在企业真实、有权限边界的存量数据环境中，稳定、安全、可解释地把 SQL 跑通——从 Demo 可用到生产可用的工程跨越。

① 企业级语义层（Semantic Layer）
基于 SQL Server sys.* 目录视图全量采集表结构、主外键与行数，支持跨服务器跨库扫描；LLM 自动生成表中文名、业务域与字段语义角色（维度/指标/时间/标识），宽表自动分块多轮识别；draft → structured → vectorized 状态机管控发布，一键向量化入知识库。

② 业务规则引擎——把行业经验沉淀为可运营资产：触发问法、SQL 模板、涉及表、图表建议、优先级；命中后强制补入相关表，并以模板为基准驱动模型改写。

③ 混合检索（Hybrid Retrieval）——向量召回（pgvector cosine）+ 关键词召回（自研 Okapi BM25，中文 bigram 分词）+ 结构化启发式，三路加权融合，权重后台可调。

④ 智能问数主链路——安全风控 → 混合召回 → 上下文构建 → 规则判定 → LLM 生成 SQL → 权限校验 → SQL 守卫 → 只读执行 → 智能配图，返回 SQL / 数据 / 图表 / 摘要 / 告警全要素。

⑤ 智能图表决策——数据画像 → LLM 选图 → 确定性校验 → 服务端直出完整 ECharts option；支持双轴图、分面多图、滚动图例与长标签截断。

⑥ 三层数据安全——输入风控（正则层 + LLM-as-a-Judge 语义评析）、SQL 守卫（AST 级表白名单）、表级账号权限。

⑦ 双态对话与流式体验——智能问数 + 通用问答（Dify 代理，多模态文件上传）双模式会话隔离；自研 SSE 阶段化进度协议。

职责：全栈独立交付，约 12,700 行——后端 5,618 行 Python（22 个服务、20+ REST 接口、7 张数据模型）+ 925 行单元测试 + 3,079 行 React 组件 + 3,093 行原生 JS 前端 + 3 份工程文档。

技术栈：Python 3.13 · FastAPI · SQLAlchemy 2.0 · Pydantic v2 · PostgreSQL + pgvector · SQL Server/pyodbc · sqlglot · httpx ｜ DeepSeek-V3.2（OpenAI 兼容 · JSON Mode）· BGE-M3（1024 维）｜ React 17 · Ant Design 4 · ECharts 5 · SCSS · webpack。

架构：单服务分层架构（API → Service → Model/Schema），元数据库与业务数据源物理隔离，模型能力经 OpenAI 兼容网关统一接入；采用 Agent 化分层编排——各阶段具备独立职责与降级策略的确定性流水线。

亮点与难点：

多路召回混合检索（核心）——不依赖单一向量检索，而是三路并行召回后加权融合：向量召回（pgvector 余弦距离）管语义相似，关键词召回（自研 Okapi BM25，k1=1.5 / b=0.75，最大分归一化）管专有名词、表名、业务术语的精确命中——这类低频高信息量的词恰恰是向量检索的盲区，结构化规则召回管"时间词→时间字段、指标词→度量字段、分组词→维度字段、业务域命中"这类业务先验。配套中文分词策略：CJK 连续串同时产出整词（≤4 字）与全部字符 bigram，英文 token 小写化。三路权重（默认 0.6 / 0.3 / 0.1）后台可实时调参；不引入 ES，几千条语料下纯 Python 毫秒级完成全量打分。
单