#AI 问数功能指南

AI 问数 是一种能够将自然语言转换为 SQL 语句的智能分析工具，可显著提升数据库研发人员、数据分析人员及业务人员的数据使用效率。在 AI 时代，AI 问数 正逐步成为 BI 与数据库研发的核心能力之一。

#主要优势

• 简化数据查询 即使不熟悉 SQL，运营或业务人员也可以通过自然语言快速完成复杂查询。

• 自动报表生成 只需描述需求，即可自动生成对应的数据结果与图表。

• 显著提升效率 减少手写 SQL 的时间成本与人为错误，提高整体研发与分析效率。

#技术要求

#推荐模型

受限于 AI 生成 SQL 与图表的准确性，目前强烈推荐使用 deepseek-chat 模型，以获得更稳定、准确的查询结果与可视化效果。

#使用指南

#Step 1：同步数据源

在使用 Chat2BI 前，首先需要配置并同步数据源连接，这是后续所有操作的基础。

操作步骤：

1. 进入【数据源管理】界面
2. 点击【添加数据源】按钮
3. 填写数据源配置信息：
   • 数据源名称（建议使用业务相关的易识别名称）
   • 数据库类型（MySQL、PostgreSQL、Oracle 等）
   • 连接地址、端口、数据库名
   • 用户名和密码
4. 点击【测试连接】验证配置是否正确
5. 保存数据源配置

#Step 2：数据表同步（学习字段和表结构）

配置好数据源后，需要同步数据库表结构，让 AI 学习并理解表结构和字段定义，这是自然语言解析与 SQL 生成的核心基础。

操作步骤：

1. 进入【数据表同步】界面
2. 选择已配置的数据源连接
3. 点击【同步】按钮
4. 系统自动拉取并解析所有表结构信息，包括：
   • 表名和表注释
   • 字段名、字段类型和字段注释
   • 主键和索引信息
5. 同步完成后，系统将展示当前可用的数据表及字段信息

字段学习原理：

系统在同步表结构时，会将表名、字段名、字段注释等信息存储到数据库中，供 AI 模型在生成 SQL 时进行语义匹配。字段注释的准确性直接影响 AI 对业务含义的理解。

#Step 3：数据集字段评估（可选但推荐）

字段评估是确保 AI 正确理解数据语义的核心步骤，强烈建议执行。

通过大模型对原始字段注释进行智能校正和语义优化，可显著提升自然语言识别与 SQL 生成的准确率。

操作步骤：

1. 进入数据集详情页，点击【字段评估】
2. 系统自动调用 PIG AI 大模型，对字段备注进行语义优化
3. 对于枚举类字段（如状态、类型），请手动维护【虚拟备注】，例如：
   • status 字段：0-禁用，1-启用
   • order_type 字段：1-普通订单，2-预售订单，3-团购订单
4. 确认并保存字段评估结果

#Step 4：创建数据集

创建数据集是 Chat2BI 使用过程中非常关键的一步，合理的数据集设计将直接影响自然语言查询的准确性与 SQL 生成质量。

操作步骤：

1. 点击【创建数据集】
2. 填写数据集基本信息：
   • 数据集名称（如"订单分析数据集"、"用户行为分析"）
   • 数据集描述（详细说明该数据集的业务用途）
3. 选择已同步的数据表（支持单表或多表关联）
4. 配置表关联关系（多表时需要设置 JOIN 条件）
5. 保存后，数据集即可用于自然语言查询

#Step 5：向数据集提问

完成数据集创建后，就可以开始使用自然语言向数据集提问了。系统会自动将您的问题转换为 SQL 语句并执行查询。

操作步骤：

1. 进入 Chat2BI 对话界面
2. 选择目标数据集（也可以不选，系统会自动匹配）
3. 在输入框中使用自然语言描述您的查询需求，例如：
   • "查询最近 7 天的订单总额"
   • "统计各个城市的用户数量，按数量降序排列"
   • "分析最近一个月销售额 TOP 10 的商品"
   • "生成本月每日订单金额趋势图"
4. 点击发送或按回车键
5. 系统处理流程：
   • 语义理解：AI 分析您的问题意图
   • 数据集匹配：自动选择或使用您指定的数据集
   • SQL 生成：根据表结构和字段信息生成 SQL 语句
   • SQL 执行：执行查询并返回结果
   • 结果展示：以表格或图表形式展示查询结果
6. 如需图表展示，可在问题中明确说明图表类型，如"生成柱状图"、"生成折线图"等

系统返回内容：

• 查询结果：以表格形式展示查询数据
• 生成的 SQL：显示实际执行的 SQL 语句（可选）
• 图表展示：根据数据自动生成图表（如折线图、柱状图、饼图等）
• 相似问题推荐：系统会异步生成相关的推荐问题，帮助您深入分析数据

#Step 6：配置 AI 术语（可选但推荐）

AI 术语是帮助 AI 理解行业专业术语和业务黑话的关键配置，可显著提升特定领域的查询准确性。

作用说明：

在实际业务场景中，往往存在大量行业术语、业务缩写或内部黑话。例如：

• 电商行业："GMV"（成交总额）、"UV"（独立访客）、"CVR"（转化率）
• 金融行业："AUM"（管理资产规模）、"ROI"（投资回报率）
• 企业内部："日活"（日活跃用户数）、"漏斗"（转化漏斗）

如果不配置术语映射，AI 可能无法正确理解这些专业词汇，导致查询失败或结果错误。

配置步骤：

1. 进入数据集详情页
2. 点击【AI 术语配置】
3. 添加术语映射关系：
   • 术语名称：GMV
   • 术语解释：成交总额，即订单金额的总和
   • 对应字段：order_amount
4. 保存术语配置
5. 配置完成后，用户可以直接使用"查询本月 GMV"等自然语言提问

#使用流程

完整的 Chat2BI 使用流程如下：

graph LR
    A[配置数据源] --> B[同步数据表]
    B --> C[字段评估优化]
    C --> D[创建数据集]
    D --> E[配置AI术语]
    E --> F[自然语言提问]
    F --> G{是否指定数据集}
    G -->|是| H[使用指定数据集]
    G -->|否| I[向量相似度匹配]
    I --> H
    H --> J[生成SQL语句]
    J --> K[执行查询]
    K --> L[返回结果]
    L --> M[展示表格/图表]
    M --> N[推荐相似问题]

#数据集自动匹配

当用户未指定数据集时，系统会通过以下步骤自动匹配：

1. 向量化用户问题：将用户的自然语言问题转换为向量表示
2. 相似度搜索：在向量数据库中搜索与问题最相似的数据集
3. 自动选择：选择相似度最高的数据集进行查询
4. 上下文更新：将匹配的数据集 ID 更新到对话上下文中

#图表生成

Chat2BI 支持自动生成多种类型的图表：

#相似问题推荐

系统在返回查询结果后，会异步生成相似问题推荐，帮助用户进行数据的深度探索：

• 生成时机：在主查询结果返回后异步生成，不影响主查询性能
• 生成逻辑：基于当前问题、表结构和查询结果，使用 AI 生成相关的推荐问题
• 数量控制：通常推荐 3-5 个相关问题
• 点击使用：用户可直接点击推荐问题进行查询

#模型与安全

#推荐模型

#数据安全