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。
这项产品或服务是什么
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。
这些能力如何配合
智能问数基于本体神经网络（ONN）组织业务对象、对象关系和指标口径，通过条件问数与深度分析两种模式处理查询。
执行过程保留筛选条件、提取字段、计算步骤和质检状态，便于业务与数据团队共同复核。
哪些团队会用到
企业管理者、业务部门负责人、数据分析师、信息部门决策者
适合解决哪些业务问题
适合业务人员需要临时查数、跨对象追问或核对指标口径，而现有固定报表无法及时覆盖的场景。使用前需要明确数据来源、对象关系、指标定义、访问权限和结果复核责任。
工作通常如何展开
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。
真实 Demo 中的一次问数与分析流程
工作台集中管理可用智能体
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。
执行过程展示指标命中情况
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。
脱敏业务示例：跨对象关系查询
该示例围绕“哪些客户购买的产品出现喷油嘴异常，以及相关零件由哪些供应商提供”展开。系统关联维修事件、产品、订单、客户、装配事件、批次、零件和供应商，展示查询路径、筛选条件、返回字段和结果明细。画面采用脱敏演示数据，展示产品的多对象关系查询与结果复核能力。
产品边界与方案比较
四类方案解决的问题不同。选型时应结合数据来源、问题是否固定、是否需要跨对象计算，以及权限与审计要求判断。
智能问数
- 适合处理
- 授权数据库中的临时查询、跨对象统计、指标追问和结果复核。
- 评估重点
- 需要对象关系、指标口径、字段权限、执行审计和失败问题处理机制。
NL2SQL
- 适合处理
- 表结构清晰、问题边界明确的数据库查询和 SQL 生成。
- 评估重点
- 复杂多表关系、同名指标、访问权限和语义一致性仍需单独验证。
RAG
- 适合处理
- 制度、手册、报告和知识库中的文本检索与归纳。
- 评估重点
- 实时统计、聚合计算和跨表查询仍需连接数据库执行链路。
固定报表与 BI
- 适合处理
- 稳定指标、周期报表、管理驾驶舱和固定分析视图。
- 评估重点
- 临时问题和探索式追问通常需要新增报表或补充查询能力。
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。
技术与部署问题
01需要配置什么大模型和算力？+
DeepSeek V4 Flash 标准发布版本即可。实际资源仍取决于并发量、数据规模、响应时延要求和部署方式。
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智能问数支持哪些数据源和数据库类型？+
支持SQL、半结构KV、图关系、时序、向量、文本等多种数据源和数据库类型。接入范围根据现有系统、网络环境和数据访问权限确定。
04智能问数如何控制数据权限和审计？+
系统可按角色、组织、数据域、对象和字段配置访问范围，并记录问题、命中口径、查询过程和结果使用情况，便于安全审计与问题追溯。
05智能问数可以处理多大的数据量？+
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。方案设计时会据此评估查询架构、缓存策略和扩展方式。
06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。
07部署前需要准备哪些数据和业务口径？+
需要明确优先问题、业务对象、指标定义、数据来源、更新频率、访问权限和结果复核人，再选择一组边界清晰的问题进行验证。
08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。
09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。
智能问数功能、治理与实施核对
面向方案评审和采购比选，按能力、问题、角色、数据、结果、治理和技术验证路径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 | 相关入口 |
|---|---|---|---|---|---|---|
| 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 | 跨对象关系查询示例 |
| 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 |