https://mp.weixin.qq.com/s/LCTd77A8YhspAbh34Hj9eg?mpshare=1&scene=1&srcid=0731tXlm7x13Lc8OvaVCOozj&sharer_shareinfo=6c1c2ac525fb3430d891f4488e54695c&sharer_shareinfo_first=6c1c2ac525fb3430d891f4488e54695c&color_scheme=light#rd

智能问数Agent：一个能“思考”的数据分析智能体

智能问数Agent并非传统BI的简单升级，而是一个具备理解分析意图、规划分析路径、执行复杂任务并生成深度洞察的自主智能系统。它以大语言模型为推理引擎，以语义层知识体系为认知底座，通过工具调用实现与数据库、业务系统的深度交互。

用户只需用自然语言提出问题，智能问数Agent便会自主完成“意图理解—知识检索—路径规划—工具调用—结果解读”的完整推理链，在一个连贯的交互过程中完成从数据到洞察、从洞察到行动的端到端分析闭环。分析过程可解释、可复用，真正实现端到端的分析体验。

产品整体架构

最底层的数据源层接入数据库、API接口和文件等多种数据源，为分析提供原始数据基础。数据加工层负责ETL处理、数据建模和数据加工（合并、聚合），将原始数据转化为业务可用的标准化数据模型。

知识治理层是整个系统的认知底座，包含数据模型语义（DDL、表关系、字段语义、维度语义）、业务知识（业务术语、业务概念、业务规则）、归因配置（维度归因、因子归因、相关性归因的路径定义）、推理示例（Few-Shot问题澄清与SQL语料）和异常规则五大知识模块——这些知识使Agent具备“懂业务”的分析能力，而非仅凭语言能力猜测。

四大智能能力

当用户用自然语言提问时，Agent并非直接将问题丢给大模型生成SQL，而是通过一套精密的语义解析链路完成“问题到数据”的智能翻译。以“查看A院区各个科室的手术收入同比是多少？”为例，Agent的推理过程分为四步：

第一步，意图解析与问题改写。Agent基于多轮会话上下文理解用户真实意图，对模糊问题主动发起意图澄清——当用户表述不清晰时，Agent会参考知识库中的问题澄清示例（Few-Shot），引导用户补充关键信息。

第二步，数据模型语义匹配。Agent从语义层知识体系检索与问题相关的数据模型，利用元数据（DDL、表关系、字段语义、维度语义）将“手术收入”“医院科室”“A院区”等自然语言词汇精准映射到数据模型中的具体字段。关键在于，Agent会调用业务知识解决语义歧义——例如“科室收入”在业务上指的是“开单科室”而非“执行科室”，这一映射关系由业务知识定义，确保Agent不会将字段映射到错误位置。

第三步，查询生成与校验。Agent根据路由选择的技术路线，在NL2SQL路线下结合匹配到的数据模型、字段映射关系以及知识库中的相似问题-SQL语料（Few-Shot示例）生成SQL，并自动校验语法和逻辑正确性；在NL2DSL路线下，Agent将用户意图解析为结构化的DSL表达（指标、维度、筛选、时间），由指标平台编译为标准SQL。

第四步，数据查询与结果解读。Agent调用数据查询工具执行查询，获取数据后自主生成自然语言解读，将冰冷的数字转化为业务含义清晰的洞察，同时完整展示从问题到查询的推理路径，确保结果可溯源、可解释。

当数据出现波动时，“为什么”往往比“是什么”更重要。智能问数Agent的归因分析不是预编排的固定报表，而是Agent基于归因配置自主规划的推理链路。

语义层知识体系中预置了归因配置，用语义化方式描述了三种归因路径：维度归因（沿哪些维度逐层下钻）、因子归因（哪些因子贡献了波动）、相关性归因（哪些指标之间存在关联）。当Agent发现“化验费同比减少12.35%”时，它会自主启动归因推理：

Agent首先读取归因配置，确定分析路径为“院区→科室→收费项目”的维度下钻方向。随后，Agent自主编排并执行多轮查询——先按院区维度分析贡献度，识别波动集中的院区；再在该院区内按科室下钻，定位到“普通外科”和“心血管科”是主要下滑科室；最后按收费项目维度进一步定位，发现“糖化血红蛋白测定”和“糖类抗原测定”两个项目收入骤降是核心根因。

传统BI只能在用户主动查询时呈现数据，而智能问数Agent能够主动发现异常。这一能力的实现，依赖于Agent对异常规则的持续监测和自主判断。

在语义层知识体系中，业务人员通过自然语言配置异常规则，描述业务指标的正常波动范围和异常判定标准。Agent将这些规则加载到运行时上下文中，周期性地对关键指标执行监控查询，将实时数据与异常规则进行比对推理。当Agent判断某项指标偏离正常模式时，会主动生成预警信息，并自动启动归因分析——从发现异常到定位根因、给出建议，全部由Agent自主完成。

这种从“被动响应”到“主动洞察”的转变，本质上是Agent从“问答工具”进化为“自主监测体”——它不仅回答问题，更主动发现问题。

从数据查询到可视化展示，从根因诊断到趋势预测，再到行动方案建议——智能问数Agent能够将整个分析过程编排为一条多步骤工作流，并自主执行完成，最终输出结构化的专业分析报告。

数据准确性的四重保障体系

数据准确性是智能问数产品的生命线，智能问数Agent构建了贯穿查询全链路的四重保障机制，确保每一次分析都经得起检验。

在NL2SQL路线中，Agent生成的SQL不会直接执行，而是先经过语法校验和逻辑校验。语法层面，系统检查SQL是否符合数据库引擎的语法规范；逻辑层面，系统检查表关系是否正确、关联条件是否完整、聚合函数是否合理。在NL2DSL路线中，这一关卡更加严格——DSL本身是一种受控的结构化表达，指标平台的编译引擎只接受符合预定义规则的DSL输入，任何不符合规范的意图表达都会被拦截并要求重新解析，从机制上杜绝“幻觉SQL”的产生。

在政府和企业场景中，数据权限是不可逾越的红线。Agent采用基于标签的权限管控方案：将业务系统中的部门权限、项目权限等维度转化为权限标签，在Agent生成SQL或编译DSL时自动注入过滤条件。例如，用户A的权限范围是“执收部门A、执收部门B”，Agent生成的SQL会自动附加“WHERE 执收部门 IN ('执收部门A','执收部门B'）”的过滤条件。这意味着即使用户的提问中未提及权限范围，系统也会自动确保查询结果只包含其有权访问的数据，实现行级、列级的精细化管控。

智能问数产品已经深入政务与医疗两大核心业务场景，在实际生产环境中持续运行并创造价值。

应用一：医院医疗票据智能问数——让票据管理“看得清、管得住”

医院在日常运营中涉及海量的票据流转业务——既有面向患者开具的医疗收费票据，也有收取供应商提供的各类票据，还涵盖医疗综合缴费等多维度业务数据。这些票据数据分散在不同业务系统中，传统的统计分析依赖人工导出、手工汇总，耗时费力且难以实时洞察。

智能问数Agent在医院的票据业务场景中，覆盖了开票、收票和综合缴费三大业务线，为医院财务和管理团队提供全链路的智能数据分析服务：

在开票业务方面，管理人员只需用自然语言提问，如“本月各院区门诊住院开票金额对比”“某科室开票量同比变化趋势”，Agent便能自主完成从问题理解到数据查询的全过程，秒级返回分析结果。Agent不仅能够快速查询给患者开票的数量、金额、票据类型分布等核心数据，还能自动进行同比环比分析，帮助管理者掌握开票业务的整体态势。

在收票业务方面，Agent支持对供应商票据收取情况进行智能查询和多维分析。管理人员可以随时询问“本季度收取供应商票据的金额分布”“某供应商收票异常波动情况”，Agent会自主从收票数据中检索、聚合、分析，将结果以自然语言解读的形式呈现。

在综合缴费业务方面，Agent能够整合多源数据，为管理者提供缴费收入的结构分析、趋势研判和异常预警。例如，管理者询问“各缴费渠道的收入占比及变化”时，Agent不仅返回数据，还会主动解读各渠道的变化趋势和潜在风险。

应用二：财政非税票据智能问数——让非税收缴“一屏尽览、实时洞察”

财政非税收入是地方政府财政收入的重要组成部分，涵盖行政事业性收费、政府性基金、罚没收入、国有资源有偿使用收入等多种非税项目。各级财政部门需要实时掌握各省、各地区的各类非税项目收缴情况，以支撑财政收入分析和决策调度。然而，非税票据数据量大、项目类型多、地区覆盖广，传统的报表汇总方式难以实现实时、精细化的数据分析。

智能问数Agent在财政非税票据问数场景中，为财政管理人员构建了一个覆盖全省、穿透到区县的实时智能分析平台：

管理人员可以用自然语言随时提问，如“本月各省非税收入排名情况”“某地区行政事业性收费同比变化”“某类非税项目在各区县的收缴分布”，Agent便能自主完成查询并返回分析结果。依托NL2DSL+指标平台技术路线，各类非税收入指标的口径经过预治理和统一定义，确保不同地区、不同时间段的查询结果口径完全一致——管理者看到的永远是“同一个口径、同一套数据”，不会因为查询方式不同而产生结果偏差。

此外，Agent的数据解读和智能建议能力也为财政管理带来了显著价值。当管理者查询“某省非税收入同比下降”时，Agent不仅返回数据，还会自动解读下降的主要贡献因素，并基于历史趋势和政策背景给出分析建议，帮助财政部门从“看数据”升级为“懂业务、能决策”。

筑基未来

未来，博思软件将持续深化智能问数Agent的能力迭代，不断丰富财税领域的业务知识生态，深化与财务、数字票证、医院经济运行等核心业务场景的集成，为政企数智化转型提供更加智能、更加可信的数据分析服务——让每一个决策都有数据支撑，让每一次分析都能创造价值。