AI 现在都这么强大了，为什么 chatBI 还像是个玩具？

一直以来，我们和数据之间始终存在距离，要从数据中获取洞察，需要拖拽字段、配置图表，甚至写 SQL 语句、Python 代码。而 chatBI 的出现，似乎可以让这一切变得前所未有的简单，只要会打字、会提问，就能轻松获得结果。chatBI 就像个玩具一样容易上手，让人很乐意去“玩”一下数据。

然而，当我们真正想把 chatBI 应用到实际业务中时，却会遇到不少问题。

问题一，大模型的“幻觉”让 chatBI 不可信赖

chatBI 的核心 -- 大模型技术，本质上是概率模型，其训练目标是生成流畅文本，而不是精确的数据查询结果。虽然大模型已经非常强大了，但天生存在的“幻觉”问题并没有解决——它可能会编造数据、混淆概念，甚至给出完全错误的结论。

无论用户输入怎样的问题，大模型永远都会给出一个结果，即使数据库中数据根本就无法计算这个任务目标，大模型也不会拒绝，不懂编程的业务用户根本没办法发现和纠正大模型的错误。这在商业决策中是无法容忍的，一个错误的数据可能导致严重的后果。

实际上，大家并不敢完全相信 chatBI 给出的结论，只是随便聊聊天玩玩而已。

问题二，chatBI 缺乏 BI 领域的专业知识

大模型虽然擅长理解自然语言，但并不掌握当前业务领域的知识，包括：数据结构、业务规则和编程知识。缺乏这些领域知识，chatBI 自然难以完成相关的 BI 任务，只能当成一个玩具了。

虽然大模型可以通过微调来获取这些领域知识，但是，微调需要用大量计算资源和高质量的标注数据对大模型进行训练，技术难度大，资源成本高，开发周期长。而且，一旦业务规则或者数据结构发生变化，模型就要重新微调，非常不灵活。

简单在提示词中嵌入领域知识，一定程度上也可以让大模型获取这些知识。不过，这种做法也无法确保得到正确的查询结果，而且还会让提示词变得很长，导致性能下降，token 费用上升。

问题三，chatBI 无法计算复杂的指标

真正的商业分析远不止简单计数、求和。像“客户留存率”、“日活月活”等复杂指标，有经验的程序员写代码实现都需要较长时间，若用大模型生成代码将会非常困难，即使给出代码也很难判断是否正确。

当前的 chatBI 大多停留在基础查询层面，难以实现这些很有价值的分析场景。

从“玩具”到“工具”：润乾报表 NLQ 组件的突破

像玩具一样容易上手的 chatBI 问题多多，也像玩具一样只能玩玩，无法起到数据分析支撑业务的作用。

面对 chatBI 的这些局限，润乾报表团队基于多年 BI 领域的技术积累，推出了全新的 NLQ（自然语言查询）组件，能让 AI 式数据查询从“能玩的玩具”变成“好用的工具”。

可信赖的结果，确保正确性

NLQ 组件采用规则引擎技术，通过抽象汉语规律得到规则模型，可以实现精准的 AI 式数据查询，彻底杜绝大模型的幻觉问题。

NLQ 如果识别不了用户的输入，会提示无法查询，请用户换一种说法再尝试。而不会像大模型那样总是给个不知对错的答案。

NLQ 组件给出结果后，会以用户看得懂的形式对这个语句进行解释，如果有多种解释也会让用户选择，比如日期可以是发货日期或者收货日期：

BI 领域知识的完美容器

NLQ 组件预先用领域知识建立词典，导入数据结构，定义数据表、字段、维度指标等专用词。词典中还包含比较词、量纲、聚合词、连接词等查询要素。

词典中的词承载了领域知识，构成了领域知识的完美容器。从用户输入的自然语言词句匹配到词典中的词，就是应用领域知识的过程：

打个比方，规则引擎的领域知识是“手册”中的明文规定, 大模型的知识则是“模糊记忆”。假如用户要查“昨日存款总金额”，规则引擎可以明确定义这个指标的计算公式，各个币种要折合成人民币再汇总。缺乏领域知识时，大模型就很可能忽略币种和汇率，按照一般思路对金额求和得出错误的结果。

支持有复杂指标的高级分析

NLQ 组件内置的查询语言 MQL 包括 DQL 和 SPL。DQL 是超维查询语言，一次建模就可以简化表间关联，消除大部分 JOIN 运算，负责把多表关联查询简化为单表查询，大幅提高 AI 式自然语言查询的成功率。

SPL 是创新的结构化、半结构化数据计算编程语言，用于计算留存率、日活月活这些复杂指标，编程效率要比 SQL、Python 提高很多，代码也短的多。

当 MQL 中不涉及复杂指标时，将直接生成 DQL 交由数据库计算。有复杂指标时，MQL 将先用 DQL 取数据后再调用 SPL 编写的自定义函数实现指标计算。

搭配大模型，润乾报表 NLQ 使 ChatBI 不仅好玩而且管用

规则引擎对自然语言的规范性有一定要求，不能使用太随意的词句。我们可以通过适当的培训，让用户习惯用相对规范的自然语言表达，就可以达到很好的使用效果。实际上，用户使用大模型也常常要学习“提示工程”，了解如何写提示词才能得到较好的结果。

NLQ 组件不依赖大模型就可以工作，搭配大模型后还能进一步提升用户体验，可以用更为随意的自然语言来查询数据：

这样做一举两得，可玩性和正确性都能得到保证。

真正的商业智能工具不应该只是让人“玩一下”的新奇玩具，而应该是能够支撑企业决策判断的可靠伙伴。NLQ 组件能做到像 chatBI 一样“好玩易用”，同时还避免了其“不可靠”的缺陷，让 AI 式数据查询告别“玩具”阶段，进入真正的商业应用场景。