企业内部长期存在「业务人员不懂 SQL、取数全靠数据同事排队」的痛点：运营、仓储、财务、渠道每天反复提数，管理层每天要看经营数字。市面通用 BI 工具使用门槛高，DB-GPT 类对话查数产品又普遍卡在三件事上：数据权限不落地、图表不成体系、答案不可信（自信地答错一个数）。本项目立项打造企业自有的智能问数平台（ChatBI）：让不会 SQL 的同事用一句中文直接问数，答案带图表、带异动归因、每个数字可溯源到产出它的 SQL，数据全程不出内网（支持本地大模型推理）。目前已在企业真实业务库（亿级 GMV、百万行出库明细）上稳定运行并完成生产环境上线，覆盖运营复盘周报、管理层日报推送、多部门日常取数等场景。
1.对话问数：中文自然语言提问，自动完成「意图理解 → 生成 SQL → 查库 → 数据校验 → 图表与结论」全流程；支持点击图表下钻、异常自动归因、每个数字带脚注溯源到 SQL。
2.图表能力：折线/柱状/饼图/散点/桑基/热力六类图表自动生成与渲染，类目过多自动折叠但总数保持诚实，金额自动换算万/亿。
3.报表交付：一句话生成运营复盘报告（HTML 汇报页 + Excel 明细成对交付），支持一键转 PDF；报表出厂前过代码级质检（金额单位、图表完整性、指标恒等式校验，不合格不放行）。
4.语义层管理：表/字段中文名、业务口径、权威字典统一配置，管理后台一键刷新表结构快照，问数越用越准。
5.多用户与企业管控：飞书扫码登录 / 账号密码登录、IP 白名单内网闸、会话按人隔离、记忆按人分层、用量统计（谁问了什么、消耗多少 token）。
6.模型托管：管理后台可视化配置模型供应商、密钥与路由（云端 API / 本机 LM Studio 本地推理），桌面端登录即自动拉取配置。
7.双模型对比：同一问题两个模型并行作答，双栏实时对比完整步骤时间线与交付物。
8.安全防线：SQL 只读闸门 + 库侧只读账号双保险、产品维度字典闸门、查询行数上限，杜绝越权查数与静默错数。
本人独立负责整套系统从 0 到 1 的架构设计与全栈研发，桌面端已完成 17 轮 RC 迭代并通过多轮真机装机验收。技术栈：TypeScript + React + Node.js/Electron（桌面端）、Vite 前端构建、Java 管理后台 + MySQL，基于开源 Agent 框架 DeepSeek Harness 二次开发。 架构分三层：Agent 底座（插件化编排、NL2SQL、多模型路由）＋ 业务层（语义层、认证门、用量统计、模型托管）＋ 客户端（React 三层前端架构 + Electron 桌面壳）。 实现亮点：① 桌面版零端口架构——自研二进制分帧进程桥替代本机 HTTP 端口，无监听、无 CORS、无认证面，天然防内网扫描；② 「提示词说服 + 闸门拒绝」的可信问数机制——SQL 只读闸门、字典闸门、报表质检门禁全部代码级强制，提示词让 AI 少犯错、闸门让它犯不了；③ 报错加工引擎把数据库原始报错翻译成模型可一步执行的修正指引，NL2SQL 重试从同形死循环收敛为一次改对；④ 本地模型零代码接入（OpenAI 兼容端点），一行配置切内网推理。 攻克难点：本地小模型工具调用协议兼容（实测调通模型级 compat 开关）、亿级数据 JOIN 扇出与增量快照口径治理、Electron 打包签名与事务式离线升级全链路。
评论