AgenticBI數(shù)據(jù)智能助理帆軟-李仁敏2025/10/28目錄01LLM3.0架構(gòu)如何提升裸用精度0203LLM3.0架構(gòu)如何提升裸用高精度產(chǎn)品&技術(shù)演進(jìn)：數(shù)據(jù)→洞察→行動大語言模型（大語言模型（LLM）的通用語義查詢和知識庫問答（KBQA）意圖統(tǒng)一的對話入口；通過意圖分類AskDataoSemanticunderstandingKBQA在ChatBI的早期探索中，有幾個難題：?系統(tǒng)需要通過大量“黑話”配置才能聽懂業(yè)務(wù)語言，但這帶來了巨大的管理負(fù)擔(dān)；?另一方面，即使用戶使用了正確的術(shù)語，系統(tǒng)對模糊語義的理解依然不足。（know-how）將復(fù)雜的分析拆分步執(zhí)行，獲取關(guān)鍵指標(biāo)，結(jié)合專業(yè)知識進(jìn)行解讀，并提供最終AskDataKBQAoSemanticunderstandingoChain-of-ThoughtLLM的演進(jìn)：不僅提升了對復(fù)雜語義的理解力，也開辟了全新的可能性。KBQAoSemanticunderstandingoChain-of-ThoughtAskData“充分利用并持續(xù)探索LLM的賦能詢工具，而是真正能理解、會思考的智能伙伴。技術(shù)實(shí)現(xiàn)方法靈活調(diào)整：更加智能、更低成本、更加開放2023.05技術(shù)現(xiàn)狀：大模型能力不足，價格昂貴2023.05技術(shù)現(xiàn)狀：大模型能力不足，價格昂貴核心方法：嘗試基于大模型的NL2SQL技術(shù)優(yōu)勢：實(shí)現(xiàn)成本低技術(shù)缺陷：?模型能力差，整體精度低?過程不可控，結(jié)果不可信?響應(yīng)時長高，用戶體驗差?使用成本高，企業(yè)難承受2025.09技術(shù)現(xiàn)狀：一方面大模型scalinglaw開始撞墻；技術(shù)現(xiàn)狀：一方面大模型scalinglaw開始撞墻；另一方面大模型應(yīng)用中間件（AgenticRAG、MCP等）能力快速提升核心方法：大模型語義改寫，小模型NL2DSL+NL2MetricSemantic；推理大模型深度解讀技術(shù)優(yōu)勢：?過程可控、可干預(yù)，結(jié)果可信任?支持獨(dú)立部署，實(shí)現(xiàn)企業(yè)級安全?高性能、低成本?對接指標(biāo)模型，擴(kuò)大問數(shù)范圍?通過開放集成支持靈活定制核心方法：通用大模型語義改寫，小模型NL2DSL；推理大模型深度解讀技術(shù)優(yōu)勢：?過程可控、可干預(yù)，結(jié)果可信任?支持獨(dú)立部署，實(shí)現(xiàn)企業(yè)級安全?高性能、低成本?分析閉環(huán)：從數(shù)據(jù)查詢到解讀報告技術(shù)缺陷：配置成本高技術(shù)缺陷：配置成本高2025.10（當(dāng)前）技術(shù)現(xiàn)狀：2025.10（當(dāng)前）技術(shù)現(xiàn)狀：持續(xù)跟蹤...核心技術(shù)：大模型端到端完成NL2DSL+NL2MetricSemantic，小模型做預(yù)處理+后處理；基于AgenticRAG技術(shù)實(shí)現(xiàn)儀表板檢索+問答技術(shù)優(yōu)勢：?過程可控、可干預(yù)，結(jié)果可信任?支持獨(dú)立部署，實(shí)現(xiàn)企業(yè)級安全?（極速模式）高性能、低成本?對接指標(biāo)模型，擴(kuò)大問數(shù)范圍?低配置成本，高裸用精度（>80%）?智能檢索、解讀存量儀表板資產(chǎn)技術(shù)缺陷智能模式）算力換智能，響應(yīng)時長變長技術(shù)現(xiàn)狀：持續(xù)跟蹤...核心技術(shù)：大模型端到端完成NL2DSL+NL2MetricSemantic，小模型做預(yù)處理+后處理；基于AgenticRAG技術(shù)實(shí)現(xiàn)儀表板檢索+問答；多任務(wù)微調(diào)+強(qiáng)化學(xué)習(xí)壓縮模型尺寸，降低響應(yīng)時長；通過Multi-Agent架構(gòu)整合結(jié)構(gòu)化數(shù)據(jù)與非結(jié)構(gòu)化KH知識，實(shí)現(xiàn)真正的DataAgent技術(shù)優(yōu)勢：?過程可控、可干預(yù)，結(jié)果可信任?支持獨(dú)立部署，實(shí)現(xiàn)企業(yè)級安全?對接指標(biāo)模型，擴(kuò)大問數(shù)范圍?低配置成本，高裸用精度（>80%）?智能檢索、解讀存量儀表板資產(chǎn)?高性能、底成本?能落地的DataAgentLLM3.0處理流程LLM3.0效果說明LLM3.0VSLLM2.0東三省=黑龍江省、吉林省東三省=黑龍江省、吉林省、遼寧省 泛化問題處理能力大升級直接提問“東三省的銷售額是多少？”系統(tǒng)會自動匹配「黑龍江、吉林省、遼寧省」 泛化問題處理能力大升級今年至今的零食銷量有多少今年至今的零食銷量有多少”模糊問題，支持語義澄清直接提問：“去年營收top5的城市今年至今的零食銷量”復(fù)合問題支持自動拆解需要手動拆分單一意圖的提問問題一：復(fù)合問題支持自動拆解需要手動拆分單一意圖的提問問題一：銷售額最高的門店；問題二銷售額最低的門店查詢銷售額最高和最低的門店-聚合指標(biāo)無法再次聚合Code-聚合指標(biāo)無法再次聚合CodeAgent提升靈活度-支持根據(jù)用戶的問題和查詢數(shù)據(jù)結(jié)果，直接更多升級細(xì)節(jié)，可見LLM3.0幫助文檔面臨的挑戰(zhàn)：您的數(shù)據(jù)使用之痛業(yè)務(wù)困境：客戶A：我需要上個月華東區(qū)的銷售額，但我忘了在哪張儀表板里…數(shù)據(jù)分散在海量報表中，用戶為了找到一個特定數(shù)據(jù)，數(shù)據(jù)分散在海量報表中，用戶為了找到一個特定數(shù)據(jù)，需要花費(fèi)大量時間，效率低下客戶B：圖表太復(fù)雜了，線和數(shù)字到底說明了什么？關(guān)鍵信息是啥？儀表板過于復(fù)雜，業(yè)務(wù)人員難以快速理解核心結(jié)論。客戶C：想知道某個區(qū)域的具體情況還得找分析師重新做圖，太慢了②儀表板“看不懂”③儀表板“不會用”靜態(tài)儀表板無法滿足動態(tài)的、個性化的深度分析需求。痛點(diǎn)洞察：用戶需要的不僅僅是儀表板，而是一個更智能、更直接的數(shù)據(jù)交互方式重復(fù)、低效的“人肉”數(shù)據(jù)支持工作我們的解決方案：儀表板問答功能全景預(yù)覽產(chǎn)品目標(biāo)儀表板Agent:打造你的數(shù)據(jù)資產(chǎn)智能助理解決方案：儀表板問答功能全景預(yù)覽智能報告解讀解決“看不懂解決“看不懂”告。心結(jié)論。深度探索解決“看不懂解決“看不懂”等探索性分析。核心價值資產(chǎn)極速檢索解決“找不到解決“找不到”現(xiàn)快速跳轉(zhuǎn)。告別繁瑣搜尋，AI賦能資產(chǎn)定位核心功能演示：如何解決“找、看、用”的難題02資產(chǎn)檢索最終展示結(jié)果。智能分析看板，一鍵生成洞察報告核心功能演示：如何解決“找、看、用”的難題演示動圖03智能報告解讀：演示動圖1.圖表抄錄內(nèi)容。03智能報告解讀：2.儀表板解讀報告對比分析報告等。模版。