周远-ChatBI 技术路线深入剖析.pdf

1、开场问题一边是大模型发布“震惊世界”，一边是大模型生成SQL“不靠谱”开场问题大模型能力从GPT-3到今天的o3，有了巨大的提升产品层面，从Github Copilot到Claude Code，从ChatGPT到Deep Research，智能体验的改进巨大2022年，我们说Text2SQL不行，2025年还是不行吗？大纲智能的“第一性原理”技术路线对比词槽模式Text2SQLText2DSL从问数到Data AgentThe Bitter Lesson长远看，最重要的是利用计算“专家经验”将被“搜索和学习”打败“if.else.”规则有明显的天花板语音识别，计算机视觉，AlphaZero，L

2、LM，gpt-4o图片生成.The Bitter Lesson-如何应用？我们的技术路线能够在计算能力/模型智能提升的情况下受益吗？引入“人工结构”的诱惑：规则、词槽、指标检索ChatBI的技术路线前大模型时代：词槽模式Text2SQL：准确率不行？Text2DSL：魔法解药？词槽模式Demo：最近7天 各门店 的 销量 是多少？标准结构：维度+指标+过滤条件实际问题：上海 一店 的 业绩 表现如何？利润情况 呢？昨天 的 订单 有多少，不要 退款 的帮我拉一下 买过 上述商品 的 会员 明细销量 情况最好的 3家 门店 里，售卖 最好 的 产品 是哪些？词槽模式的挑战分词多样性更新频繁的专有

3、名词、黑话多轮对话追问表达能力受限于“槽位”：自定义函数，子查询，分组后再过滤，窗口函数多意图，嵌套意图国际化支持Text2SQL的准确性问题大家以为的Text2SQL不准：大模型吐出一堆乱码，根本无法执行实际上的不准：用户提问：上个月屈臣氏的收入如何？返回：SELECT SUM(零售金额)FROM 销售明细 WHERE 渠道=屈臣氏 AND 成交时间=DATE_TRUNC(month,CURRENT_DATE-INTERVAL 1 month)AND 成交时间 归因-总结，而真正的业务问题归因往往是“设计之外”的情况。Agentic方案如何解决？SQL工具：自由探索数据体系中的所有数据，包括

4、“稳态”和“敏态”资产。找到两个top SKU的缺货率峰值。供应链API工具：显示这些SKU的发运延迟问题。网络搜索工具：找到竞对类似SKU的促销打折20%的报道。天气API工具：相关性低，抛弃该信息。代码仿真工具：测算缺货与价格弹性带来的GMV影响。输出完整深入的报告结论。如何拓展Agent的能力？-原则2给Agent的工具不要加太多人工结构计算器，数据洞察，跟指标DSL工具结合，有哪些拓展场景？搜索引擎，浏览器，代码执行工具结合，有哪些拓展场景？(Browser use)选型建议长远看，应该选择最能够发挥大模型智能的技术路线对于新技术的信任建立，需要一个过程人类大脑的运作逻辑也是个“黑盒”，为什么值得信任Agent也可以往人类证明自己可信的方向发展当LLM能力超越人类时，我们如何构建“护栏”中短期，可以结合企业当前情况来选择一些混合方案例如追求“传统软件”的确定性/GUI操作体验，可以使用DSL方案DSL无法满足的问题范围，引入SQL/Python的泛化能力类似“集中管控”与“自助分析”并存Questions?