大数据智能体是如何理解用户自然语言意图的？

1. 实体识别与意图分类

系统首先对输入语句进行自然语言处理，提取时间、地域、指标、维度等关键实体，同时判断用户的任务类型——是简单的数据查询、对比分析、归因探索还是预测性分析。这一过程依赖大语言模型的语义理解能力，能够处理口语化表达和业务术语。

2. 语义目录与口径对齐

企业环境中同一个业务概念在不同部门可能有不同定义，比如"销售额"在财务、运营和销售部门的统计口径各不相同。大数据智能体通过语义目录（Semantic Catalog）将每个业务概念映射到标准的指标定义对象，其中包含标准名称、计算逻辑、来源字段和关联维度，确保所有分析基于统一的口径。

3. 多阶段转换路径

为提高准确性，许多系统采用多阶段转换而非直接生成 SQL。常见的路径是从自然语言先转换为中间表示语言（如指标查询语言 MQL），再由确定性引擎编译为标准 SQL。这种分阶段的方式将语义理解与语法生成解耦，大幅降低了大模型直接生成复杂 SQL 时的出错概率。

4. 上下文感知的个性化理解

高级的智能体还会结合用户画像和持久化记忆来增强意图理解。系统会参考用户的历史交互行为、常用分析维度和配置偏好，在不同场景下做出更符合用户期望的解读。例如同一句"查看销售数据"，对不同地区的运营人员可能会自动关联对应的区域范围。