数据智能引擎：从精准问数到深度分析的完整解决方案

在企业数据智能化转型过程中，不同角色的用户对数据的需求存在显著差异。技术专家需要精确的查询能力，而业务高管则更关注洞察和趋势分析。

双模式架构：精准问数 vs 深度分析

精准问数模式：为技术专家赋能

对于熟悉数据库字段的用户，如部门领导、信息中心的系统管理员，数据智能引擎提供精准问数能力。系统像是一位数据库专家，能够理解自然语言中的各类条件输入，并整合已有的业务知识，自动实现基于条件的数据查询和计算。

典型场景：

"帮我统计2022年到2024年，每年、每个部门的人数净变化，按照部门和时间两个维度统计。"

"请统计过去一年中，售价波动超过20%的商品，并列出每款符合条件的商品，在过去一年当中的最低售价、最高售价、平均价。"

深度分析模式：为业务高管服务

对于不熟悉数据库字段的用户，如高级别领导，数据智能引擎提供深度分析能力。系统像是一位数据分析专家，兼具业务知识、数据分析思路、数据库操作能力，并熟悉数据库字段情况。系统会自动理解方向性问题的意图，结合数据库字段情况，以数据分析思路，主动构思多组精准问数问题，并进行数据的查询和计算。

典型场景：

"帮我分析下最近五年的人事变化情况。"

"帮我分析下计算机学院里，哪些老师适合成为副院长的候选人。"

技术架构：多智能体协同工作

数据智能引擎由数十个智能体组成，通过ABC范式（A-筛选对象；B-构建属性字段；C-统计计算）实现企业级广泛精准问数。核心智能体包括：

• 意图澄清智能体：处理用户模糊或不精确的条件描述
• 指标热数据卡片智能体：通过向量匹配语义并映射查询卡片内DSL
• 问题拆解智能体：将复杂问题分解为可执行的子查询
• DSL生成智能体：生成查询语言并从本体神经网络获取数据
• 计算pathon生成智能体：处理复杂计算逻辑
• 图表生成智能体：自动生成适配的可视化图表
• 质检智能体：验证知识调用和问题一致性，确保结果准确性

性能表现与资源需求

数据智能引擎在实际应用中表现出色：

• 准确率：达到95%以上的测试样例准确率
• 响应时间：普通问数10-90秒，深度分析3-5分钟
• 并发能力：几乎全部取决于大模型的token和并发限制
• 数据规模：基础版本支持500属性字段，支持横向扩展

系统最小服务器资源配置要求：

• CPU：32核 2.00GHz 以上
• 内存：128G
• 磁盘：1T（SSD固态硬盘更好）
• 操作系统：CentOS 7最新版 或者 Redhat7最新版

业务知识管理

数据智能引擎将业务知识与多智能体系统提示词做了解耦，支持在系统管理界面补充和管理业务知识。常见的业务知识包括：

1. 专用术语（黑话）：如"四上企业 = 规模以上工业 + 资质等级建筑业 + 限额以上批零住餐 + 规上服务业"
2. 近似属性选择：如数据库里有"注册地"和"经营地"，定义默认优先使用注册地
3. 情境筛选规则：如"全校学生 = 学籍状态为'注册' + 排除'休学' + 排除'交换生'"
4. 计算比率定义：如"挂科率"的分母到底是参考人数还是全班人数

这种设计使得系统能够持续学习和优化，同时保持高度的可维护性和可解释性。