问数
私有化智能 ChatBI，深度驱动数据洞察。
首页 > 垂域大模型平台 > 问数
平台介绍
“问数”定位为面向结构化数据（关系型数据库、表格型数据）的自然语言数据分析工具，用户只需用自然语言提出分析需求，系统即可自动理解问题、生成并执行查询、汇总结果并输出可视化分析。一方面以“公开大模型 + 有限算力可部署”的路线，在保障数据安全与合规的前提下落地ChatBI能力，避免过度依赖商用私有模型带来的隐私风险；另一方面围绕复杂NL2SQL的关键瓶颈，重点研发任务分解、Schema Linking、SQL自动校验纠错与反馈生成等能力，形成区别于现有开源框架的核心竞争力。
演示视频
点击播放器查看高清视频
核心功能
自然语言查询与问题改写
- 多场景交互入口：支持面向业务分析与数据探查的自然语言查询入口，降低SQL门槛，统一用户表达与系统执行口径。
- 查询改写与意图对齐：针对用户表述的省略、歧义与口令式表达，进行面向查询生成的改写优化，为后续检索与生成提供更稳定的输入。
Schema Linking与值检索（模式链接）
- 表&列召回：在海量Schema与上下文窗口受限的条件下，筛选与问题最相关的表与列，降低推理成本并提升生成准确率。
- Schema原子化Token：将表名/列名等元素视为不可再分的原子Token并扩充词表，结合微调使模型更稳定地“读懂并正确引用”不透明字段。
- 值检索增强：对齐用户问题与数据取值空间，辅助生成更精确的过滤条件与聚合口径。
查询生成（任务分解）
- 复杂NL2SQL任务分解：将复杂查询拆解为若干更简单的子查询，降低单步求解难度并提升整体成功率。
- 搜索与偏好优化训练：结合树搜索（如MCTS）进行子任务预测与剪枝，并引入可区分负样本差异的reward margin训练策略，增强模型的step-by-step推理能力。
查询校验与纠错（对齐纠错/反馈生成）
- 语法+语义双重校验：在执行前后对生成SQL进行结构与语义层面的检查，减少“可运行但语义错”的隐蔽错误。
- 语义对齐纠错：通过SQL/Text编码与对比学习对齐，并结合AST结构信息与负样本增强，提升校验可解释性与鲁棒性。
- 反馈生成（Critic）：当识别到SQL语义错误时，输出错误类型、错误分析与改进建议，形成可用于模型自我修正与用户理解的可操作反馈。
执行与结果表达（摘要与可视化）
- 查询执行模块：支持SQL查询与API查询两类执行通道，输出结构化结果供后续模块消费。
- 数据摘要生成：对查询结果进行关键指标与趋势的摘要提炼，形成可直接阅读的分析结论。
- 图表类型识别与可视化生成：识别适配的图表类型，生成可视化图表配置，并通过规则匹配等策略保证输出可落地、可复用。
核心创新点
面向隐私与合规的可部署ChatBI路线
基于公开大模型与有限算力部署，在处理敏感业务数据时降低合规风险，提升工程落地可行性。
复杂NL2SQL“任务分解+搜索+偏好优化”闭环
以树搜索剪枝与reward margin训练为核心，系统性增强多步推理与复杂查询求解能力。
从“校验纠错”到“可用反馈”的全链路质量控制
将语义校验、对齐纠错与Critic反馈打通，既提升成功率，也提升错误可解释性与可修复性。