构建确定性数据交互引擎：基于NL2DSL架构的大模型智能分析实践

打破经营数据流转的效率瓶颈

面对海量的云产品售卖数据（涵盖收入、利润、成本等），企业在经营管理与数据消费链路中面临严重的业务阻滞与沟通损耗。根据实际业务运转情况，传统报表体系暴露出四大核心困境：

• 响应链路过长：临时性分析需求强依赖数据部门的人工排期与报表配置，需求响应周期通常长达天~周级别。
• 数据语义复杂：经营指标口径繁多且极易混淆，仅“收入”单一指标就存在“含税”、“不含税”等10多种口径，强依赖专业分析师的人工解读。
• 知识资产流失：复杂的计算逻辑与分析思路离散于经营分析师的个人经验中，企业内部难以形成标准化的知识沉淀与规模化复用。
• 协同场景受限：受制于原系统复杂的交互逻辑，查询场景被硬性绑定在PC端，无法满足管理层在外出场景下的即时查数需求。

重构数据交互引擎：引入大模型驱动的对话式架构

为打破上述瓶颈，腾讯云大数据智能分析Agent产品负责人周树豪团队在内部推进了DataXAI系统的工程实践。该系统摒弃传统拖拽式BI，依托大模型构建了具备强语义理解与系统确定性的技术防线：

• 确立NL2DSL为主、NL2SQL为辅的混合解析引擎：针对同环比复杂计算易出错及大模型对ClickHouse等数据库方言兼容度低的问题，系统不再让模型直出标准SQL。大模型仅负责提取BI系统所需的核心元素（维度、指标、计算方式、条件），后续由BI系统转换为底层方言SQL并执行。此架构在维持稳定性的同时，支持将模型生成的SQL片段无缝嵌入BI计算字段。
• 部署动态意图澄清机制：针对极度口语化或要素缺失的提问（如未指定年份或口径模糊），系统拒绝让大模型进行“猜测揣摩”，而是主动触发时间段与字段维度的交互式澄清面板，确保输入要素的绝对准确。
• 搭建业务语言与数据表结构的知识映射图谱：系统支持录入“渗透占比（不含税收入占比）”、“掉量”等业务黑话及客户别名；同时，自动提取数据表头及枚举值（如将“华北”明确映射为“收入区域”字段）作为系统知识喂给模型，消除业务语境与底层数据的语义断层。
• 执行语义级智能选表与行列级权限隔离：训练模型基于表名、字段及其备注信息，自动进行单表或多表关联查询；底层叠加严格的行列级权限控制，确保在同一张数据表中，不同层级用户（如部门负责人与云业务最高层）仅能读取授权范围内的数据行与列。

压缩数据供应链：降低Ops成本与缩短决策周期

通过全栈式的智能化改造，DataXAI系统在降低数据获取门槛与提升开发运维效率上实现了可量化的业务价值：

• 交付周期压缩：将原本需天~周级别的数据提取排期，压缩至自然语言交互后的系统实时出数。
• 归因链路缩短：通过内置业务归因模型，实现一键定位指标波动根因，并由大模型自动输出数据总结与业务建议，极大降低了对人工分析师的依赖。
• 开发与运维成本降低：彻底改变“提需求-拉数据-做报表”的传统研发外包模式，赋能“小白用户”直接复用内置的数据解读逻辑，有效降低了数据团队的报表开发与Ops成本。

腾讯内部经营数据管线改造实践

该智能分析Agent目前已在腾讯内部经营分析场景中实现深度落地。

针对各业务线复杂的收支测算与经营盘点，腾讯内部业务线与管理层已全面切换至对话式问数模式。不仅绕过了繁琐的取数门槛，更得益于底层交互逻辑的大幅精简，系统成功拓展至小程序移动端。业务主管无需开启PC，在外出场景下即可随时通过移动设备发起查询，系统自动拉取对应权限的底层数据并反馈归因结论，实现了管理决策从“被动等待报告”向“主动按需探索”的跨越。

提供具备系统确定性的AI数据基建

腾讯DataXAI底座设计的核心差异化在于：拒绝盲目追求大模型的自由生成率，而是将技术重心锚定在企业级BI环境中的“系统稳定性”与“结果确定性”。

通过首创的“模型提取DSL元素+BI引擎转换方言”的双规架构，彻底绕开了异构数据库方言的适配黑洞。配合主动触发的意图澄清模块与业务黑话挂载图谱，该架构在不改变现有企业数据物理存储与权限边界的前提下，系统性根治了大模型在复杂BI场景下易产生“幻觉”的行业顽疾，为企业提供了一套高可用、低门槛、强安全的数据交互新基建。