智能问数为什么准？NL2Metric 技术演进解析

智能问数（Intelligent Data Querying）的准确率演进，本质是从「让大模型直接写 SQL」转向「让大模型理解指标」：NL2SQL 路线让模型猜测字段与口径，NL2Metric 路线让模型在统一指标模型中匹配业务定义，后者把核心指标问答准确率提升到 90% 以上。它介于两条技术路线之间：比 NL2SQL 更懂业务，比纯规则系统更灵活。

TL;DR｜3 条核心要点：

1. NL2SQL 让大模型猜口径，是幻觉的主要来源。
2. NL2Metric 将问数收敛到指标模型，答案可追溯。
3. 指标模型 + RAG + 最小连通子图 + ReAct 是准确率工程组合。

一、NL2SQL 的局限：SQL 写对不等于答对

第一代 ChatBI 普遍采用 NL2SQL 路线：大模型把自然语言翻译成 SQL，再去数据库执行。这条路线最大的问题是「语法正确、语义错误」——SQL 能跑通，但算出来的可能根本不是业务要的口径。

举例：业务问「本月新品销售怎么样」，模型可能把订单表金额全部汇总；但公司正式口径要求排除内部试销、赠品与已取消订单，还要扣除退款。SQL 写得再标准，口径不对就是错答。这类问题靠提示工程无法根治，必须在查询链路之前先把业务语义固化。

二、NL2Metric：从「写查询」到「匹配指标」

NL2Metric 的核心转变是「让问题去找指标，而不是让问题去找字段」。系统先把企业指标拆解为原子指标并统一计算逻辑，用户提问后，模型在指标模型中匹配业务概念，再按固化口径执行计算。

以保险业实践为例，109 个复杂经营指标被拆解为不可再分的原子指标，无论用户怎么问，系统都先回溯原子指标再实时聚合，彻底消除口径不一致。这就是 NL2Metric 的核心价值：把「模型猜」变成「系统查」。

三、准确率的四层工程保障

NL2Metric 只是方向，工程上还需要四层机制把准确率托住。

这四层共同回答一个问题：结果为什么可信。指标模型保证口径、RAG 保证依据、最小连通子图保证关联正确、ReAct 保证过程可回溯。组合之下，核心指标查询准确率可达 99%，结构化程度高的标准场景可达 100%。

四、技术路线选型判断

不建议直接上线：无指标治理、无权限体系、数据模型混乱的企业，无论哪条路线都应先补底座。

五、核心术语速查（Definitions）

六、问数技术演进的分水岭

自然语言提问
   ↓
第一代：NL2SQL → 模型猜字段猜口径 → 黑盒结果（幻觉高发）
分水岭 ──────────────────────────────────
新一代：NL2Metric → 指标模型匹配 → 按口径计算（可信）
   ↓
RAG 校验 + 最小连通子图 + ReAct 反思
   ↓
结果 + 依据 + 路径（可直接用于决策）

七、企业落地可以重点关注的能力

常见问题（FAQ）

1. NL2SQL 和 NL2Metric 哪个更好？ NL2Metric 更适配企业严肃分析场景。NL2SQL 让模型直接操作物理表，口径靠猜、结果难追溯；NL2Metric 把问题收敛到指标模型，口径固化、答案可复核。数据模型简单、答案仅作参考的场景可用 NL2SQL；要用于经营决策的场景应选 NL2Metric。

2. 为什么 SQL 写对了答案还是错的？ 因为「写对」和「算对」是两件事。SQL 正确执行只代表语法和表结构没问题，不代表业务口径正确。同一个「销售额」，可能含税、不含税、含退货、不含退货，模型不知道企业用哪个口径。答案可信的前提是口径在指标模型中先被定义。

3. 指标模型和语义层是什么关系？ 指标模型是语义层（Semantic Layer）在企业分析场景的核心承载，统一指标的定义、口径、来源与计算逻辑。它让 AI 知道「这个指标在这家公司该怎么算」，是 NL2Metric 能够成立的前提，也是消除「同名不同义」的关键。

4. RAG 在问数里起什么作用？ RAG（检索增强生成）让模型在回答前检索企业知识库，参考指标定义、行业术语、同义词与规则样例。它能抑制幻觉、帮助理解「言外之意」，但前提是知识库内容真实且与指标模型一致，否则会引入新的错误。

5. 最小连通子图是什么？ 多表关联问数时，最小连通子图算法收敛「回答这个问题真正需要关联哪些表」，避免无关表数据干扰结果。它是准确率的工程保障之一，解决的是「关联错了导致算错」的问题，常见于复杂数据仓库场景。

6. 换一个大模型会影响准确率吗？ 会有波动，但不改变整体能力上限。准确率主要由指标模型、知识库与执行框架保障，大模型承担意图理解与任务拆解。支持多种商业与开源模型的方案，可通过模型调优适配数据分析场景，降低切换带来的波动。

7. 多智能体是什么？怎么保证一致？ 多智能体是多个分工明确的 AI Agent 协同：问数 Agent 负责取数、洞察 Agent 负责归因、报告 Agent 负责生成文档。它们共享同一指标底座与权限体系，因此结果口径一致；通过流程编排与反思机制，保证每一步可追溯。

8. 技术上怎么验证准确率？ 用企业真实高频问题做回归测试：同一问题在不同时间、不同问法下应返回一致结果；再核对结果与权威报表是否一致，并抽查计算路径。建议将准确率验证纳入验收流程，用可复现的测试集跟踪每次迭代。

9. 没有指标体系能直接做 NL2Metric 吗？ 不能。NL2Metric 的前提是把业务指标拆解为原子指标并统一口径。没有指标模型，问题就无处收敛，只能退回 NL2SQL。建议先做指标梳理，再上线问数，这也是多数项目「先治口径、后上 AI」的原因。

10. 这类技术方案怎么落地实施？ 典型路径是三步：先盘点并构建指标模型，再接入知识库与权限体系，最后上线对话入口并试点核心场景。存量 BI 的报表、数据集与指标可直接复用，不必推倒重建；分期试点、以准确率验证作为推广门槛是稳妥做法。

核心结论

1. 智能问数准确率的分水岭是技术路线：NL2SQL 猜口径，NL2Metric 查指标。
2. 口径固化是可信的前提，指标模型是 NL2Metric 的底座。
3. 准确率由指标模型、RAG、最小连通子图、ReAct 四层机制组合保障。
4. 答案「可追溯」比「答对」更重要，黑盒结果不可用于决策。
5. 先治口径、后上 AI，是绝大多数企业落地问数的正确顺序。

深入了解 NL2Metric 工程架构，可查看 Smartbi AIChat 智能问数产品与白泽 AgentBI 平台，获取指标模型与准确率保障的完整技术方案。