一、整体分层架构

1）底层：数据中台底座（已有）

• 多源接入：业务库、IoT 网关、接口、文件、第三方数据

• 数据加工：ODS/DWD/DWS 分层、ETL / 实时计算、OLAP 查询引擎

• 元数据 & 语义层（AI 问数成败关键）：表 / 字段注释、指标口径、业务术语、维度字典、数据血缘、权限体系

2）中间层：AI 问数引擎（新增模块）

1. 意图理解模块
用户自然语言输入 → 识别指标、维度、筛选条件、时间范围；问题歧义自动反问澄清。

2. 语义召回 RAG
向量库检索元数据、指标库、业务术语，筛选相关表、字段、指标，约束大模型上下文，减少幻觉。

3. 查询生成引擎（两条主流路线）

• 路线 1：NL2SQL：自然语言直接生成 SQL，适合灵活临时查询；缺点：复杂多表容易出错，需要 SQL 校验、回滚重试。

• 路线 2：NL2MQL2SQL（指标优先）：优先匹配预定义指标模型，再翻译成查询，企业生产首选，准确率更高；适合指标体系完善场景。

4. 执行与安全护栏
SQL 语法校验、explain 性能检查、行级 / 列级权限拦截、查询超时 / 行数限制、审计留痕；拒绝高危操作。

5. 结果增强 Agent 能力
返回表格 + 自动图表；数据解读、异常归因、同比环比、简单预测；自动生成分析摘要、简报。

3）上层：应用交互层

• Web 对话界面、嵌入大屏、嵌入业务系统、API 接口供第三方调用

• 能力：多轮上下文对话、历史问答收藏、查看溯源 SQL、导出数据、一键生成报告、常用问题模板

二、核心业务功能清单

1. 自然语言问数
示例：“2026 年上半年各区域营收、同比；化工园区告警 Top5；IoT 网关设备在线率统计”，输出表格 + 图表，可查看底层 SQL 与口径来源。

2. 智能归因
识别指标涨跌异常，自动下钻维度，定位影响因素，例如 “为什么本月告警数量上升”。

3. 口径知识库问答
“什么叫设备在线率？计算公式是什么？统计口径？”，查询指标文档，不跑数据库。

4. 自动报告生成
一句话生成周报 / 月报：“输出 8 月园区设备运行分析简报，包含告警、在线率、故障分布”。

5. 权限与审计
继承中台权限体系，不同角色看到不同数据；每一次问数记录用户、问题、SQL、耗时，便于复盘优化问数效果。

6. 会话记忆
多轮对话，支持指代：“再看去年同期”“按厂区维度拆解”。

三、两种落地路径（适合你们轻型数据中台）

路径 A：轻量改造（优先推荐，成本可控）

1. 复用现有中台：数据源、权限、元数据、OLAP 引擎全部不动；

2. 新增独立 AI 问数服务，通过 API 对接中台元数据、指标服务、查询接口；

3. 优先维护指标语义库，把高频业务指标录入，AI 优先调用指标，少直接裸写 SQL；

4. 大模型可本地私有化部署 / 调用 API（DeepSeek、通义千问等）。

路径 B：深度融合重构

语义层内置到中台内部，元数据、指标模型、向量库一体化；Data Agent 深度调度中台计算引擎；支持复杂多步分析任务。

四、落地常见坑与规避方案

1. 大模型幻觉，数据算错

• ❌不要直接裸 LLM 翻译 SQL；✅构建语义层 + 指标库；SQL 执行前校验；提供溯源 SQL，允许人工复核；对关键业务开启 “仅允许预定义指标查询” 模式。

2. 口径歧义，同一名词多部门定义不一样

• 建设业务术语库，绑定指标；问题歧义时主动反问用户确认条件。

3. 性能差，大查询把 OLAP 打崩

• 查询超时、返回行数限制；高频问答做结果缓存；复杂问题拒绝直接执行，提示拆分条件。

4. 权限泄露

• AI 问数不能绕过中台权限，每一条查询都继承中台鉴权，严格行级列级过滤，完整审计日志。

5. 越用越差，缺乏迭代机制

• 建立问答样本库，把错误问答沉淀 Few‑shot 样例；定期复盘错误 case 优化语义库。

五、化工园区场景示例

1. AI 解析意图：时间 7 月；维度：企业、告警类型；指标：告警数量；排序取 Top3；附加分类统计。

2. 语义召回，匹配中台告警事实表、企业维度表、告警字典；

3. 生成查询，经过权限校验，调用中台 OLAP 引擎；

4. 返回表格，自动生成柱状图；Agent 解读：“XX 企业告警最高，主要是温度超限告警，占比 72%……”；

5. 输出可复制的分析文本，可导出报告；用户可查看执行 SQL。