企业业务问数助手

运营和业务负责人每天都有大量临时取数需求:“华东区上月高客单商品复购率环比涨了多少?”“按获客渠道拆解 Q3 退货率最高的 5 个 SKU”。排队找数据分析师写 SQL 动辄等一两天,而直接把原始数据库暴露给大模型又既怕查错业务口径、更怕泄露敏感字段或打挂生产库。本案例展示如何用 ApeMind「数据库知识库 + 业务注释治理 + 代码模式」打造安全、可核验的企业问数助手。

为什么企业 NL2SQL 容易翻车

真正让自然语言问数在生产环境落不了地的,通常不是大模型不会写 JOIN,而是以下三类现实问题:

实施四步走:从只读从库到可视化经营问数

第一步:用独立只读账号登记数据库连接并启用受管操作

由 DBA 在业务分析从库(PostgreSQL / MySQL Read Replica)上创建一个仅授予分析视图/白名单表 SELECT 权限的独立账号,并在 ApeMind「连接」中登记为受管连接(详见数据库知识库与自然语言问数):

登记只读 PostgreSQL / MySQL 数据库连接
绑定企业分析从库的只读账号与凭据,严格隔离线上生产主库。
审批启用数据库只读受管操作目录
逐条启用只读受管操作(Schema 探查与只读查询),从平台层杜绝误写风险。

第二步:创建数据库知识库,自动发现 Schema 并沉淀业务口径

新建数据库类型知识库并绑定上述只读连接,一键触发 Schema 发现。在预览清单中只勾选业务分析所需的订单、商品、渠道与区域维表,直接排除含个人隐私或财务底稿的敏感表,并对必要展示表中的手机号、姓名等列勾选脱敏/屏蔽。

由数据分析师在关键表和核心字段旁补写业务语义注释与枚举字典——这一步直接决定问数准确率:

  • orders.pay_amount:“实付金额,单位为分,展示时须除以 100 转换为元”;
  • orders.status:“paid=已支付、shipped=已发货、refunded=已全额退款;核算有效 GMV 时必须加条件 is_test = 0 AND status NOT IN ('cancelled', 'refunded')”;
  • 常用关联路径:标明“订单表通过 channel_id 关联渠道维表 dim_channels.id,按大区聚合时关联 dim_regions”。

把公司现有的《经营指标字典.pdf》放到普通文档知识库中,稍后一起挂给问数 Agent,让“指标定义文档 + 实时数据库 Schema”双剑合璧。

第三步:配置「问数 + 可视化」Agent 与权限隔离

新建「经营问数助手」Agent,按部门权限做清晰边界控制:

第四步:应对表结构变更——三方合并 Diff 审核与一键回滚

当业务研发给 orders 表新增了 coupon_discount 字段或修改了枚举值后,管理员只需回到数据库知识库再次点击同步 Schema:

把高频经营看板沉淀为「函数 + 定时任务」:对于全员每天都要看的《昨日核心经营日报》,可以把已经验证无误的 SQL 封装为只读函数确保 100% 稳定口径,再配一条每日 08:30 的定时任务自动生成日报并汇总异常波动。

验收与治理清单

检查维度上线前验收要点
安全隔离 确认连接使用独立分析从库只读账号,测试尝试执行 UPDATE/DELETE 被底层直接拒绝;隐私字段已从 Schema 清单屏蔽。
口径一致 用 20 道历史真实取数需求建立问答集,对比 Agent 计算结果与 BI 看板口径误差为 0。
可审计透明 每次回答均展示执行 SQL、过滤口径与数据时间范围,业务负责人可一键复核或转发给分析师抽检。

相关文档