自然语言进入数据库查询
业务人员用日常语言提出统计、筛选、对比和追问问题，系统在已接入、已授权的数据范围内处理。
一句话定义
智能问数是优锘科技数据智能引擎的核心功能模块，让不熟悉SQL的业务人员通过自然语言输入，在授权数据范围内辅助完成数据查询、计算、统计和分析，降低业务人员使用数据的门槛。
内容概述
智能问数基于本体神经网络（ONN），支持用户在接入的数据库范围内用自然语言提问。系统在已接入数据、语义模型和权限范围内，辅助理解问题、拆解查询并生成可复核的数据结果。
系统具备两种核心模式：条件问数（用于熟悉字段的用户进行条件查询）和深度分析（用于不熟悉字段的用户进行方向性探索）。
相较于NL2SQL直接生成SQL、主要面向文档或知识片段召回的RAG应用、预制问答和固定报表，智能问数以对象关系和ABC范式为基础，在数据库内查询和计算当前可用数据，并通过权限控制、审计记录和热数据卡片持续沉淀高频业务知识。
智能问数还可以与分析智能体和MCP形式的引擎服务能力联动，把查询结果继续转化为分析任务、经营洞察、报表素材或流程输入。
面向用户
企业管理者、业务部门负责人、数据分析师、信息部门决策者
解决什么问题
企业数据分析依赖SQL技能、预制报表或人工维护指标，业务人员难以及时自主获取数据；跨系统数据口径不一致也会导致分析偏差。
智能问数通过自然语言接口让业务人员直接与数据库交互，并把问题映射到统一的业务对象、对象关系和指标口径上，降低使用门槛，提升数据口径一致性和结果可追溯性。
建设路径
1
输入问题
2
澄清口径
3
识别对象
4
解析关系
5
生成查询
6
执行计算
7
质检复核
8
展示结果
数据智能引擎中的智能问数
先确认对象与业务口径
当“处级干部”“当前职务”“在职人员”等表达存在多种解释时，先澄清口径，减少错误查询。
ABC过程可查看可复核
把问题拆成对象获取、明细宽表构建和指标计算步骤，展示对象关系、筛选条件和提取字段。
结果可复用为热数据资产
高频问题可沉淀为热数据卡片、指标口径和分析任务，让经过验证的问题持续被业务复用。
适合评估的场景
适合正在评估智能问数、ChatBI与企业自然语言数据分析方案的团队，重点了解它如何在已接入数据范围内完成查询、计算和分析。
数据智能引擎包含智能问数。智能问数是数据智能引擎里的自然语言查询入口，向下连接ONN对象关系、指标口径、权限边界和数据同步，向上连接通用分析智能体和业务流程。当用户从“销售趋势与区域排名”“项目健康度分析”“财务健康诊断”等问题进入时，一次问数结果可以继续转化为可复核的分析结论、热数据卡片或报表素材。
智能问数与 AI 问数/AI 分析的边界
项目智能问数AI 问数与 AI 分析
主要定位自然语言查数、指标查询和结果追问入口面向归因分析、报告生成和多步骤分析任务
典型问题查某个指标、筛选对象、查看趋势、继续下钻分析原因、拆解影响因素、形成结论和报告素材
主要输出查询结果、图表、口径解释、热数据卡片分析报告、归因链路、图表组合和后续建议
依赖能力ONN 对象关系、指标口径、权限审计和查询生成智能问数结果、分析智能体、任务拆解和报告生成
真实 Demo 中的一次问数与分析流程
左侧不是装饰，是智能体目录
问数智能体、通用分析智能体和行业智能体放在同一个工作台内，方便从查询进入后续分析。
右侧展示可复核的执行过程
界面明确展示固定指标、动态指标、预计算指标和 ABC 拆解的命中情况，让查询过程可追踪。
结果页保留对象、字段和表格
回答同时呈现对象子图、筛选条件、提取字段、明细数据和质检状态，便于业务和数据团队共同复核。
问数之后继续分析
查询结果可以交给通用分析智能体，继续生成原因分析、趋势判断、报表素材和经营建议。
智能问数负责把问题落到数据库对象、关系和指标口径上；通用分析智能体接收已经复核的数据结果后，继续围绕“为什么变化、影响多大、下一步看哪里”展开分析。
从结果继续问原因
围绕已返回的数据表、对象子图和指标口径继续追问原因、趋势、异常和影响范围。
转为专题分析任务
把一次查询结果交给通用分析智能体，形成可查看步骤的分析过程和结构化结论。
复用为热数据资产
高频问题、筛选条件和结果口径可沉淀为热数据卡片，减少重复取数和人工解释。
选择问数智能体
业务人员从 Data Agent 工作台进入问数智能体，历史会话、可用智能体和提问入口统一组织。
提出自然语言问题
示例问题围绕“获得国家级荣誉教师的平均入职年限和平均年龄”，系统在授权数据范围内处理。
并行检索与拆解
系统同时检索固定指标、动态指标、预计算指标和 ABC 拆解路径，优先使用可复核的命中结果。
展示结果与质检
结果页展示对象子图、节点说明、筛选条件、明细表格和质检状态，可继续进入通用分析智能体。
业务人员常问的数据问题
智能问数是什么？
它是数据智能引擎中的自然语言数据查询入口，适合用来查询、统计、聚合、追问和解释数据库中的业务数据。
智能问数和Text-to-SQL有什么区别？
Text-to-SQL重点在生成SQL，智能问数还需要处理对象关系、指标口径、权限边界、结果质检和高频问题沉淀。
智能问数如何沉淀高频问题？
高频查询可以沉淀为热数据卡片、指标口径和可复用分析任务，帮助团队持续复用已验证的数据问题。
智能问数适合哪些业务场景？
适合管理驾驶舱追问、销售趋势分析、财务健康诊断、项目健康度分析、供应链风控和高校校务数据问数等场景。
与NL2SQL的对比
对比维度智能问数NL2SQL
核心技术本体神经网络 + ABC范式 + 智能体协作大模型直接生成SQL
复杂多表查询可靠性通过对象关系与精准问答质检提升可靠性复杂多表场景依赖模型和表结构理解
数据口径统一本体语义层管理口径依赖SQL编写者理解
查询范围已接入对象与授权数据范围内的灵活提问复杂场景依赖模型生成质量、表结构描述和人工复核
结果可解释精准问答链路中的质检复核SQL结果需要人工复核语义一致性
与RAG方式的对比
对比维度智能问数主要面向文档/知识片段召回的RAG应用
数据来源数据库实时查询面向文档或知识片段的语义检索
数据时效性按数据同步策略反映最新可用数据依赖文档更新频率
计算能力支持统计、聚合、跨表计算更偏向从文档或知识片段中检索、归纳已有信息
适用场景数值统计、趋势分析、报表生成知识检索、文档问答
与预制问答和固定报表的对比
对比维度智能问数预制问答 / 固定报表
问题范围围绕已接入数据对象进行自然语言探索依赖预先设计的问题、SQL或报表模板
知识沉淀高频问题可形成热数据卡片，持续沉淀业务口径主要沉淀在报表和人工维护文档中
治理能力对接权限体系并保留查询、计算和结果审计通常依赖报表平台或数据库侧权限控制
实施交付（三个阶段）
01
第一阶段：本体建模与数据接入
梳理客户业务对象、关系、属性和指标口径。对接客户多种模态数据库，建立数据同步机制，形成统一的本体神经网络对象关系图。
02
第二阶段：智能体配置与验证
按企业安全与技术要求配置模型调用、意图澄清、ABC拆解、查询生成、计算执行和精准问答质检等能力。使用代表性业务问题验证对象关系、指标口径、权限控制和审计流程。
03
第三阶段：业务推广与持续优化
上线用户界面，培训业务用户使用自然语言完成数据查询。激活热数据指标卡片机制，持续积累业务知识，优化语义对齐精度。
智能问数选型常见问题
智能问数落地资源
常见问题
01智能问数与数据智能引擎是什么关系？+
智能问数是数据智能引擎的核心功能之一。数据智能引擎还包括分析智能体、MCP形式的引擎服务能力、智能分析、报表生成、权限审计和热数据卡片等能力。智能问数聚焦于"用自然语言查询和计算数据"这一核心入口。
02用户需要了解数据库的字段名称吗？+
用户不需要掌握具体字段名称；系统会在已接入数据范围内辅助理解分析意图，并结合可用字段生成查询问题。
03智能问数可以处理多大的数据量？+
系统处理能力取决于数据规模、并发访问、查询复杂度、数据库性能和部署资源。项目实施时会根据企业数据规模与安全要求评估部署架构，并支持按阶段扩展。
04智能问数支持哪些数据库类型？+
支持SQL、半结构KV、图关系、时序、向量、文本等多种模态数据库的对接和持久化存储。通过本体神经网络实现面向对象的统一数据建模。
05智能问数如何提升复杂查询的可靠性？+
系统通过ABC范式拆解查询过程，并在精准问答链路中引入质检复核，把结果与对象关系、指标口径和业务知识关联起来，便于解释与复核。
06企业部署智能问数的周期需要多久？+
部署周期取决于数据源数量、业务对象复杂度、权限体系、审计要求和验证范围。通常会经历本体建模与数据接入、智能体配置与验证、业务推广与持续优化三个阶段。
07智能问数可以与现有BI系统集成吗？+
问数结果可用于生成适配的可视化图表，深度分析场景可形成分析报告；如需对接既有BI工具，在项目评估阶段确认导出格式和集成方式。
08智能问数是不是NL2SQL？+
智能问数不是单纯NL2SQL。NL2SQL可以是查询生成方式之一，企业级智能问数还需要本体语义层、对象关系、指标口径、权限审计、结果复核和高频问题沉淀。企业评估时不应只看SQL生成是否成功，还应看多表关系解释、权限命中、失败样本和审计记录。
智能问数能力表
面向方案评审和采购比选，按能力、问题、角色、数据、结果、治理和案例维度说明智能问数的核心评估信息。
| 能力 | 解决问题 | 适用角色 | 输入数据 | 输出结果 | 治理机制 | 相关案例 |
|---|---|---|---|---|---|---|
| 自然语言条件问数 | 业务人员不会写 SQL，临时查询依赖数据团队排期。 | 业务负责人、运营人员、信息中心管理员 | 授权数据库、对象关系、字段映射、筛选条件 | 表格结果、统计值、追问建议、可复核执行过程 | 角色权限、字段权限、查询审计、结果质检 | 银行智能问数解决方案 |
| ABC 范式拆解 | 复杂问题直接生成 SQL 容易出现对象、口径和计算偏差。 | 数据分析师、数据治理团队、业务专家 | 业务对象、属性字段、指标口径、计算条件 | 对象识别、属性构建、统计计算链路 | 语义一致性校验、失败样本复盘、审计日志 | 智能问数与 RAG 的区别 |
| 热数据卡片沉淀 | 高频查询反复提问，稳定口径难以复用。 | 管理驾驶舱负责人、运营团队、数据产品经理 | 高频问题、复核后的指标、常用筛选条件 | 热数据卡片、复用问题、指标说明和报表素材 | 卡片版本、口径审核、使用记录和权限边界 | 智能问数落地教程 |
自然语言条件问数
- 解决问题
- 业务人员不会写 SQL，临时查询依赖数据团队排期。
- 适用角色
- 业务负责人、运营人员、信息中心管理员
- 输入数据
- 授权数据库、对象关系、字段映射、筛选条件
- 输出结果
- 表格结果、统计值、追问建议、可复核执行过程
- 治理机制
- 角色权限、字段权限、查询审计、结果质检
- 相关入口
- 银行智能问数解决方案
ABC 范式拆解
- 解决问题
- 复杂问题直接生成 SQL 容易出现对象、口径和计算偏差。
- 适用角色
- 数据分析师、数据治理团队、业务专家
- 输入数据
- 业务对象、属性字段、指标口径、计算条件
- 输出结果
- 对象识别、属性构建、统计计算链路
- 治理机制
- 语义一致性校验、失败样本复盘、审计日志
- 相关入口
- 智能问数与 RAG 的区别
热数据卡片沉淀
- 解决问题
- 高频查询反复提问，稳定口径难以复用。
- 适用角色
- 管理驾驶舱负责人、运营团队、数据产品经理
- 输入数据
- 高频问题、复核后的指标、常用筛选条件
- 输出结果
- 热数据卡片、复用问题、指标说明和报表素材
- 治理机制
- 卡片版本、口径审核、使用记录和权限边界
- 相关入口
- 智能问数落地教程