＜span class=“js_title_inner“＞AI那些趣事系列116：智能问数：让人人都能玩转数据的 AI 黑科技＜/span＞

导读：本文是 “数据拾光者” 专栏的第一百一十六篇文章，这个系列聚焦自然语言处理和大模型相关实践。今天主要是关于智能问数产品技术调研和分享。

欢迎转载，转载请注明出处以及链接，更多关于自然语言处理、推荐系统优质内容请关注如下频道。
知乎专栏：数据拾光者
公众号：数据拾光者

最近接了一个新的项目开发，主要是做一个智能问数产品的开发。前期做了很多市场上智能问数开源项目的技术调研，这里整理成一篇文章进行分享。

01 背景介绍：从 “求 IT” 到 “自己问”，数据查询变简单了

你是否有过这样的经历？作为销售，想知道 “去年 Q3 华东地区笔记本电脑销量 TOP3”，却要写邮件找 IT 同事提需求，等了两天才拿到数据；作为运营，想分析 “近 7 天各渠道新增用户转化率”，面对复杂的数据库，只能对着 “SELECT”“JOIN” 等 SQL 语法望而却步。

在过去，数据查询是技术人员的 “专属技能”，非技术人员想要获取数据洞察，往往要经历 “提需求→等响应→改需求→再等待” 的漫长循环。而智能问数技术的出现，彻底打破了这个壁垒 —— 它就像一个 “懂业务的 AI 数据分析师”，能听懂你的自然语言提问，自动完成数据查询、分析，还能生成直观的图表，让非技术人员也能 “即问即得” 数据洞察。

简单来说，智能问数技术的核心是 “让机器理解人类语言，并用数据回答”。比如你说 “2024 年各月份的订单金额同比增长情况”，它不用你写一行代码，就能自动从数据库中抓取数据、计算增长率，最后用折线图展示趋势。

智能问数的核心工作链路：从 “提问” 到 “答案” 的 5 步魔法

智能问数看似简单，背后却藏着一套完整的技术逻辑，核心要解决 “自然语言理解→业务语义映射→SQL 生成与优化→数据查询→结果分析与可视化” 的全链路问题，就像一场精准的 “数据接力赛”：

我们用一个实际例子拆解这个过程：

1. 自然语言提问

   ：运营人员问 “2024 年 1-6 月，华北、华东、华南三个地区的新用户注册量，哪个地区增长最快？”

2. 自然语言理解

   ：机器拆解出核心需求 —— 时间范围（2024.1-2024.6）、维度（华北 / 华东 / 华南）、指标（新用户注册量）、分析目标（增长速度对比）。

3. 业务语义映射

   ：机器从知识库中确认 “新用户注册量” 对应数据库中 “user_reg” 表的 “reg_count” 字段，“华北 / 华东 / 华南” 对应 “region” 字段的枚举值（1/2/3）。

4. SQL 生成与优化

   ：自动生成查询 SQL，还会优化语法（比如添加索引提示），确保查询速度更快。

5. 数据查询与可视化

   ：执行 SQL 获取原始数据，计算各地区增长率，最后生成 “地区 - 注册量 - 增长率” 的柱状图，并给出结论：“华东地区增长最快，6 月注册量同比增长 32%”。

除了核心链路，智能问数还得兼顾三个关键需求：

• 易用性

  ：非技术人员不用学 SQL，直接用日常语言提问；

• 扩展性

  ：能对接不同类型的数据库，支持复杂的多维度分析；

• 安全性

  ：敏感数据（如手机号、身份证）自动脱敏，防止数据泄露。

02 开源智能问数项目：免费好用，按需定制

对于中小企业、开发者或技术爱好者来说，开源项目是体验智能问数的最佳选择 —— 免费、可二次开发，还能根据自身需求调整功能。下面我们聊聊 4 个主流开源项目，看看它们各自的 “拿手好戏”。

2.1 开发者的 “SQL 小助手”：Chat2DB

开源项目地址：https://github.com/dataease/SQLBot?tab=readme-ov-file

• 核心定位

  ：AI 驱动的数据库管理工具，主打 “自然语言→SQL” 快速转换，兼顾数据库管理（建表、数据迁移）和轻量问数需求。

• 适合人群

  ：开发者、中小企业 IT 团队、数据分析师（需要高频操作数据库）。

• 核心亮点

  ：

1. 多数据库 “通吃”：支持 MySQL、PostgreSQL、Oracle 等 20 多种主流数据库，连华为高斯、人大金仓等国产数据库也能完美适配；

2. SQL 生成 “聪明又灵活”：输入自然语言后，自动生成 SQL，还能手动调整，新手也能快速上手；

3. 开源免费无门槛：社区版完全免费，支持本地部署，二次开发难度低。

可以通过如下地址直接体验Chat2DB项目：

Chat2DB Pro

可以根据实际需求添加对应的数据源，比如mysql、hive啥的。添加好数据源之后，点击AI对话，选择大模型和数据源之后就可以进行提问了，比如下面查询“查询每个项目投入的总工时（所有员工每周小时数之和），并显示项目名称和客户名称，按总工时降序排列。”：

2.2 企业级 “定制化利器”：DB-GPT

DB-GPTgithub地址：
https://github.com/eosphoros-ai/DB-GPT

DB-GPT核心架构如下图所示：

采用 “四层架构” 设计，核心技术壁垒突出：

1. 用户交互层

   ：Web UI/API/D-Bot（对话机器人），支持多轮对话。

2. 核心能力层

   ：

3. 1. Text2SQL 引擎（DB-GPT-Hub）

      ：基于 Spider/BIRD 数据集微调，执行准确率 82.5%（行业领先），支持 LoRA / 全参数微调；

   2. RAG 框架：混合检索（BGE 语义向量 + BM25 关键词），解决大模型 “遗忘表结构” 问题；

   3. 多智能体系统

      ：基于 AWEL 定义 多Agent 协同（Planner Agent 拆解任务、Validator Agent 校验结果、Reporter Agent 生成报告）；

   4. SMMF（多模型管理）

      ：支持 LLaMA2/ChatGLM/DeepSeek/Qwen 等 30 + 开源模型，统一调度与推理。

4. 支撑服务层

   ：向量数据库（Milvus/Chroma）、沙箱 SQL 执行环境（防止恶意 SQL）、规则引擎（业务校验）。

5. 数据源层

   ：支持关系库（MySQL/Oracle）、数据仓库（Hive）、Excel/CSV，提供元数据管理。

其中DB-GPT核心模块DB-GPT-Hub流程如下图所示：

1.解析数据库 Schema作为Prompt 核心上下文；

2.择 Prompt 指令模板（普通 / One-shot）；

3.拼接 Prompt（单轮 / 多轮 / Code Representation）。

2.3 非技术人员的 “傻瓜式工具”：SQLBot

• 核心定位

  ：开箱即用的智能问数系统，主打 “业务人员自主问数”，无需 IT 支持就能完成查询与可视化。

• 适合人群

  ：中小企业业务人员（销售、运营、财务）、非技术团队。

• 核心亮点

  ：

1. 部署超简单：Docker 一键启动，10 分钟就能完成部署，不用复杂配置；

2. 越用越准：支持导入业务术语库（比如 “神仙水 = SK-II 护肤精华露”），用得越多，理解越精准；

3. 自动出图表：问数后自动推荐合适的图表类型（占比用饼图、趋势用折线图），还能导出 Excel/PDF。

SQLBot工作流程如下图所示：

1. 用户输入问题与数据源选择；

2.RAG 检索增强，核心防 “幻觉” 环节。

2.1 数据源元数据检索

2.2 SQL 规则 / 示例检索

2.3 业务术语库检索

3.Text2SQL 生成与多维度校验。使用大模型

结合用户意图+RAG检索结果，参考数据库模

版生成初始SQL；然后通过多维度校验，主

要包括语法校验、规则校验、权限校验。

4.SQL执行；

5.可视化渲染，根据查询结果类型自动匹配最

有可视化图表。

使用SQLBot进行问数如下图所示：

SQLBot还提供了通用的prompt模版template.yaml：

不仅如此，针对不同的数据库，还提供了定制化的模版：

比如下面是针对mysql的模版Mysql.yaml：

2.4 新一代 “生成式 BI 工具”：WrenAI

• 核心定位

  ：开源生成式 BI（GenBI）工具，不仅能生成 SQL 和图表，还能提供 AI 驱动的业务洞察。

• 适合人群

  ：需要深度数据分析的团队、想搭建嵌入式问数功能的开发者。

• 核心亮点

  ：

1. 语义层强大：支持定义业务指标和数据关系，确保问数结果的一致性（比如 “营收” 统一为 “销售额 - 成本”）；

2. 支持嵌入式集成：通过 API 能快速嵌入到自己的应用中，让产品自带智能问数功能；

3. 多模型适配：支持 OpenAI、DeepSeek、Gemini 等多种大模型，可按需选择。

WrenAI架构如下图所示：

核心以 “用户输入自然语言生成 SQL” 为例，直观理解架构各模块的协作：

1.用户在前端输入 “统计近 3 个月各产品销售额”，前端调用 /api/v1/ask 接口；

2.AskService 接收请求，先调用「意图分类 Pipeline」，确认是 SQL 生成需求；

3.调用「Schema 检索 Pipeline」：将用户查询转为向量，检索数据库 Schema / 历史 SQL 样本 / 业务指令；

4.调用「SQL 生成 Pipeline」：整合检索结果构建 Prompt，调用LLM 生成 SQL；

5.调用「数据引擎」验证 SQL 语法，若报错则调用「诊断 Pipeline」定位问题，再调用「修正 Pipeline」重试；

6.验证通过后，AskService 将 SQL 结果（及图表配置）返回给前端；

7.前端渲染 SQL 高亮文本和销售额柱状图，完成交互。

开源项目核心信息整体对比表:

数据库和大模型支持对比分析：

03 闭源成熟产品：企业级解决方案，稳定可靠

对于中大型企业、强监管行业（金融、制造、政务）来说，开源项目的安全性、 scalability 和行业适配性可能不够。这时，闭源的成熟产品更能满足需求 —— 它们通常提供完整的解决方案、专业的技术支持，还有针对行业场景的深度优化。

3.1 企业级 “软硬一体” 方案：联想 Lenovo AI Force

产品地址：
https://aiforce.lenovo.com.cn/#/home

目前支持的数据库：

3.1.1 产品定位

• 核心定位

  ：企业级智能体开发平台（非单一问数工具），聚焦 “大模型落地最后一公里”，支持基于大模型构建专属智能体（含智能问数场景）。

• 目标用户

  ：中大型企业（制造、金融、医疗），需跨系统协同、私有化部署、高算力支撑的场景。

3.1.2 核心技术架构
依托联想智能云（xCloud）构建全栈能力，核心技术模块包括：

1. 大模型管理层（SMMF）

   ：支持 DeepSeek R1（及蒸馏版）、通义千问等 20 + 主流大模型，提供 “预调优 + 个性化微调” 能力，适配不同场景推理需求。

2. 智能体编排层（AWEL）

   ：基于 “Agentic Workflow Expression Language” 的声明式工作流引擎，支持多智能体协同（如 “问数 Agent + 运维 Agent + 报告 Agent” 联动）。

3. 算力支撑层

   ：自研 “智能算力管理平台”，支持 NVIDIA / 国产 GPU（如华为昇腾），实现大模型分钟级部署、万卡集群调度，推理效率提升 3 倍（基于 AI 编译优化器）。

4. 数据集成层

   ：通过 API 对接 ERP/MES/SCADA 等业务系统，结合 RAG 技术构建企业专属知识库（文档 / 操作手册 / 业务术语）。

3.1.3 智能问数核心能力

3.1.4 部署与成本

• 部署方式

  ：公有云（联想智能云）、私有化部署、AI 一体机 / 工作站（开箱即用，7U 机身支持 DeepSeek R1 满血运行，8000 tokens/s 推理吞吐量）。

• 成本模式

  ：平台订阅制（按算力 / 智能体数量收费）+ 定制开发费用（行业解决方案），无开源版本。

3.1.5 优劣势
优势：

• 软硬件协同（算力优化 + 私有化部署，适配强监管行业）；

• 多智能体协同，支持复杂业务场景（如 “问数 + 运维 + 报告生成”）；

• 大模型兼容性强，支持国产 GPU。

劣势：

• 非专注问数工具，需二次开发才能落地问数场景；

• 成本高，适合中大型企业，中小客户门槛高；

• 无预置行业指标库，业务建模周期长。

3.2 行业深度适配 “老将”：思迈特 Smartbi

官网地址：https://www.smartbi.com.cn/

3.2.1 核心定位

• 专注 “企业级智能问数”，提供 “语义理解→业务建模→智能分析→数据治理” 全流程解决方案，适配金融 / 制造 / 政务等强监管行业。

3.2.2 核心技术亮点

1. 三层智能架构

   ：语义理解层（支持口语化 / 复杂问题，准确率 99%+）→ 指标模型层（3000 + 预置标准指标，如金融 “不良率”、制造 “OEE”）→ 数据模型层（自动关联表关系）；

2. 行业深度适配

   ：80 + 银行、30 + 制造企业案例，支持 “监管报送” 场景（如银保监会报表自动生成）；

3. 数据治理闭环

   ：内置数据血缘分析、细粒度权限（字段级）、审计日志，符合等保三级要求。

3.2.3 优劣势

• 优势：企业级准确率（99%+）、行业解决方案成熟、本地化部署支持；

• 劣势：闭源收费（企业版年费 10 万 +）、部署周期长（需 1-3 个月）。

3.3 全球 “搜索式分析” 鼻祖：ThoughtSpot

官网地址：https://www.thoughtspot.com/

3.3.1 核心定位

全球“搜索式分析” 鼻祖，聚焦 “企业级自助 BI + 智能问数”，目标用户为中大型企业（如沃尔玛、IBM）。

3.3.2 核心技术亮点

1. Natural Language Search

   ：支持英文复杂问题（如 “Q3 North America sales vs Q2 YoY”），语义理解准确率 90%+；

2. Live Analytics

   ：实时对接业务系统（如 SAP/Oracle），问数响应速度 < 1 秒；

3. AI 辅助洞察

   ：自动识别数据异常（如 “某产品销量骤降”）并推送原因分析。

3.3.3 优劣势

• 优势：技术成熟、实时分析能力强、全球案例丰富；

• 劣势：中文语义理解弱（翻译腔严重）、不适配中国业务场景（如 “双十一”“春节”）、成本高（比国产产品贵 2-3 倍）。

3.4 数据中台 “好搭档”：龙石 AI 用数智能体

3.4.1 核心定位

基于 “数据中台 + 大模型” 的智能问数解决方案，聚焦 “数据治理 + 问数闭环”，适配互联网 / 零售行业。

3.4.2 核心技术亮点

1. 数据中台协同

   ：复用数据中台的指标体系 / 数据口径，确保问数结果一致性；

2. 运营闭环

   ：用户反馈通过工单系统快速优化模型，准确率从 95% 逐步提升至 98%+；

3. 轻量化部署

   ：支持与现有数据中台集成，无需重建数据链路。

3.4.3 优劣势

• 优势：数据一致性强、越用越准、集成成本低；

• 劣势：依赖数据中台（无中台企业需额外建设）、行业适配范围窄。

闭源产品核心信息对比表:

04 快速部署体验：15 分钟搞定智能问数

看了这么多产品，不如自己动手体验一把！下面我们用 “在线 MySQL 数据库 + 开源项目” 的组合，一步步教你搭建智能问数环境，零基础也能上手。

4.1 准备工作：获取在线 MySQL 数据库

我们用db4free.net（免费在线 MySQL 服务）作为数据源，不用自己搭建数据库，方便快捷。

步骤 1：注册 db4free 账号

1. 打开官网：MySQL Database for free，点击右上角 “Register”；

2. 填写注册信息（用户名、邮箱、密码），勾选同意条款，点击 “Sign Up”；

3. 查收邮箱验证邮件，点击验证链接，账号激活成功。

步骤 2：创建测试数据表

1. 登录 db4free：https://www.db4free.net/phpMyAdmin/，输入注册的用户名和密码；

2. 创建数据库：点击左侧 “新建数据库”，数据库名填 “test_sales”，排序规则选 “utf8mb4_general_ci”，点击 “创建”；

3. 创建订单表：在 “test_sales” 数据库中，执行以下 SQL 语句创建 “orders” 表（存储订单数据）：
   
   CREATE TABLE orders ( id INT AUTO_INCREMENT PRIMARY KEY, order_date DATE NOT NULL, region VARCHAR(20) NOT NULL, product VARCHAR(50) NOT NULL, amount DECIMAL(10,2) NOT NULL, user_type VARCHAR(10) NOT NULL );

4. 插入测试数据：执行以下 SQL 插入几条模拟订单数据：
   
   INSERT INTO orders (order_date, region, product, amount, user_type) VALUES ('2024-01-05', '华东', '笔记本电脑', 5999.00, '新用户'), ('2024-01-12', '华北', '手机', 3999.00, '老用户'), ('2024-01-20', '华南', '平板', 2499.00, '新用户'), ('2024-02-08', '华东', '笔记本电脑', 6999.00, '老用户'), ('2024-02-15', '华北', '平板', 1999.00, '新用户'), ('2024-03-03', '华南', '手机', 4999.00, '老用户'), ('2024-03-18', '华东', '手机', 3499.00, '新用户');

5. 验证数据：执行 “SELECT * FROM orders;”，能看到插入的 7 条数据，说明数据库准备完成。

4.2 体验 SQLBot：非技术人员的 “一键问数”

SQLBot 支持 Docker 一键部署，不用复杂配置，适合快速体验。

步骤 1：部署 SQLBot（需安装 Docker）

1. 打开服务器或本地电脑的终端（Windows 用 PowerShell，Mac/Linux 用 Terminal）；

2. 输入以下 Docker 命令，一键启动 SQLBot：

docker run -d \ --name sqlbot \ --restart unless-stopped \ -p 8000:8000 \ -p 8001:8001 \ -v ./data/sqlbot/excel:/opt/sqlbot/data/excel \ -v ./data/sqlbot/file:/opt/sqlbot/data/file \ -v ./data/sqlbot/images:/opt/sqlbot/images \ -v ./data/sqlbot/logs:/opt/sqlbot/app/logs \ -v ./data/postgresql:/var/lib/postgresql/data \ --privileged=true\ dataease/sqlbot

3.等待 3-5 分钟，执行 “docker ps”，看到 “sqlbot” 容器状态为 “Up”，说明部署成功。

ps:关于SQLBot部署这块，感觉官方文档写的还是比较简单。建议用豆包大模型来生成详细的一步步执行步骤，会更有效率一些。

步骤 2：配置数据源

1. 打开浏览器，输入 “http:// 服务器 IP:8000/”（本地部署用 “http://localhost:8000/”）；

2. 登录 SQLBot：用户名 “admin”，密码 “SQLBot@123456”；

3. 添加数据源：点击左侧 “数据源管理”→“新增数据源”，选择 “MySQL”，填写以下信息：

• 数据源名称：test_sales_db

• 数据库地址：db4free.net

• 端口：3306

• 数据库名：test_sales（之前创建的数据库）

• 用户名：你的 db4free 注册用户名

• 密码：你的 db4free 注册密码

4.点击 “测试连接”，提示 “连接成功” 后，点击 “保存”。

步骤 3：问数体验

1. 点击左侧 “智能问数”→“新建对话”；

2. 输入自然语言提问：“查询 2024 年 1-3 月各地区的订单总金额，按金额降序排列”；

3. 点击 “发送”，系统会自动生成 SQL、执行查询，10 秒内返回结果：

• 华东地区：16497.00 元

• 华南地区：7498.00 元

• 华北地区：5998.00 元

4.自动生成图表：系统默认推荐柱状图，清晰展示各地区金额对比，还能点击 “导出”，将结果导出为 Excel 或 PDF。

4.3 体验 Chat2DB：开发者的 “SQL 生成神器”

Chat2DB 提供在线体验版，不用本地部署，直接就能用。

步骤 1：访问在线体验版

1. 打开 Chat2DB 在线地址：Chat2DB Pro；

2. 无需注册，直接点击 “游客登录”，进入工作台。

步骤 2：配置 db4free 数据源

1. 点击左侧 “连接管理”→“新增连接”，选择 “MySQL”；

2. 填写连接信息（和 SQLBot 配置一致）：

• 连接名称：test_sales

• 主机：db4free.net

• 端口：3306

• 数据库：test_sales

• 用户名：你的 db4free 用户名

• 密码：你的 db4free 密码

3.点击 “测试连接”，连接成功后点击 “保存”。

步骤 3：生成 SQL 并执行

1. 点击左侧 “SQL 编辑器”→“新建查询”，选择 “test_sales” 数据源；

2. 在编辑器上方的 “AI 助手” 输入框中，输入提问：“查询 2024 年新用户的订单中，金额大于 3000 的记录，包含订单日期、产品、金额”；

3. 点击 “生成 SQL”，系统自动生成以下 SQL：
   
   SELECT order_date, product, amount FROM orders WHERE user_type = '新用户' AND amount > 3000 AND order_date BETWEEN '2024-01-01' AND '2024-12-31';

4. 手动调整（可选）：如果需要添加排序，可修改 SQL 为 “ORDER BY amount DESC”；

5. 点击 “执行”，返回结果：2 条记录（华东地区 1 月的笔记本电脑、华南地区 3 月的手机）；

6. 可视化展示：点击结果上方的 “图表”，选择 “表格” 或 “柱状图”，查看可视化效果。

总结

从需要技术人员编写 SQL，到业务人员 “张口就问”，智能问数技术正在打破数据使用的壁垒，让数据洞察触手可及。无论是开源项目的灵活免费，还是闭源产品的稳定可靠，都能满足不同用户的需求 —— 中小企业可以用 SQLBot 快速落地，中大型企业可以选择联想 Lenovo AI Force 或 Smartbi 搭建企业级解决方案，开发者可以基于 DB-GPT、WrenAI 定制化开发。

未来，随着大模型技术的不断优化，智能问数还会变得更聪明：能理解更复杂的业务逻辑，能自动发现数据中的隐藏规律，甚至能主动推送个性化的数据分析。对于我们来说，不用再畏惧数据的复杂性，只需专注于业务需求，让数据成为决策的 “得力助手”。

如果你是业务人员，不妨试试 SQLBot 的在线体验版，感受 “即问即得” 的便捷；如果你是开发者，可以基于 DB-GPT 或 Chat2DB 二次开发，打造专属的问数工具；如果你是企业 IT 负责人，可根据自身行业特性和数据安全需求，选择合适的企业级解决方案。

最新最全的文章请关注我的微信公众号或者知乎专栏：数据拾光者。

码字不易，欢迎小伙伴们关注和分享。