灯推的恬静小屋

智能问数产品现况、优缺点与项目启示更新时间：2026-06-26 1. 结论先行智能问数正在从早期的“自然语言转 SQL”进入“语义层 + 数据治理 + Agent 工作流”的阶段。2023 年前后的多数产品强调“问一句、出一张图”；2025-2026 年主流方向已经明显变成：围绕可信语义、权限、指标口径、可解释查询、多轮分析、自动报告、嵌入式数据智能体来做完整闭环。 当前市面产品大致分为四类： 传统 BI 厂商的 AI 化：Power BI Copilot、Tableau Agent、ThoughtSpot Spotter、Qlik、FineBI/FineChatBI、Quick BI 小Q、Smartbi AIChat、观远问数 Agent 等。优势是 BI 底座、权限、图表和企业交付成熟；短板是价格、绑定生态、二开受限。 云数仓/数据平台原生智能问数：Snowflake Cortex Analyst、Databricks Genie、Looker Conversational Analytics、Amazon QuickSight Q 等。优势是和底层数 ...

智能问数观察 2026-06-26 · 产品现况与项目启示 现况判断 市场地图 海外产品 国内产品 开源方案 横向对比 落地难点 项目路线 <main> <header class="hero" id="top"> <div> <h1>智能问数产品现况与选型观察</h1> <p>从“AI 写 SQL”到“语义层驱动的可信数据智能体”，主流产品正在把问数、图表、权限、指标口径、洞察报告和 Agent 工作流接到一起。</p> <div class="hero-meta"> <span class="pill" ...

LinkAlign 解读 核心结论 问题 方法 实验 项目落地 评价 EMNLP 2025 Main · Schema Linking · Multi-Database Text-to-SQL LinkAlign：让 LLM 在海量数据库里先找对库，再找对表字段 这篇论文不是又做一个 SQL 生成器，而是专门解决真实企业场景里的前置难题：用户一句自然语言进来，系统面对很多库、几千个字段，怎么把问题精确对齐到正确数据库、表和列。 论文：Wang, Liu, Yang · EMNLP 2025 ACL Anthology ID: 2025.emnlp-main.51 核心任务：schema linking 官方 PDF 已本地保存 核心结 ...

LinkAlign Lite 数据中台 Schema Linking 实验报告生成日期：2026-06-11项目目录：D:\AGENT\data-skill-schema-minerpro实验主题：把 D:\AGENT\DataEngine\LinkAlign 论文解读中的 schema linking 思想，应用到浙江音乐学院数据中台 skill/MCP 项目中，并用全量字典任务与 doops 在线元数据验证做对比评估。 1. 实验结论这次实验已经从“只看几个例子”升级成了两层评测： 全量字典离线评测：覆盖 100 条由全量标准字典生成的任务，包含 business、table、relation、field、alias 五类问题，各 20 条。 LinkAlign Lite 在线评测：覆盖 104 条问题，其中包含上述 100 条全量字典任务，以及 4 条真实业务问题；每条都通过 doops 在线读取 Hive Metastore 元数据确认候选表字段。 总体结论： 结论 说明 LinkAlign Lite 能显著减少候选噪声 平均候选表从 7.97 张降到 ...

CIDR 2025 · Table-Augmented Generation · AI + Databases TAG：SQL 查数之后，还要会解释 这篇论文的核心观点很简单：真实用户问数据库，不只是想要 SQL 执行结果。他们还会问“为什么销售下降”“哪些评论是正面的”“Bay Area 学校有哪些”。这些问题需要数据库的精确计算，也需要 LLM 的语义理解和世界知识。 论文：Text2SQL is Not Enough 出处：CIDR 2025 提出：Table-Augmented Generation 代码：TAG-Research/TAG-Bench 做了什么 为什么不够 TAG 三步 设计空间 Benchmark 实验结果 项目落地 评价 ...

ICLR 2025 · Text-to-SQL · Test-time compute CHASE-SQL：别只生成一个 SQL 这篇论文的核心很直观：复杂数据库问题里，LLM 第一次写出的 SQL 不一定最好。CHASE-SQL 让模型从多条思路生成候选 SQL，再用训练过的选择器两两比较，挑出最可能正确的一条。 论文：CHASE-SQL 出处：ICLR 2025 关键词：multi-path reasoning 关键词：preference optimized selection 做了什么 为什么有效 框架流程 三条生成路径 选择器 实验结果 项目落地 评价 What it does CHASE-S ...

data-platform-investigator Skill 讲解1. 这个 Skill 是什么data-platform-investigator 是一个专门用于调查数据中台资源的 Codex Skill。 简单说，它的作用是： 当用户用自然语言问“某个业务数据在哪里”“应该用哪些表”“字段是什么意思”“这张表是不是物理表/逻辑表/血缘过程”时，指导 Codex 按固定流程去查业务目录、标准字典、Hive 元数据和 DataRiver 血缘，并给出有证据的答案。 它不是一个普通脚本，也不是一个单独服务。它更像是一份“调查手册 + 工具清单 + 安全边界”。 Codex 看到类似问题时，会先读这个 Skill，然后按里面的流程做事。 例如用户问： 1帮我查一下学生期末评价完成状态应该用哪些表，字段大概是什么含义 这个 Skill 会指导 Codex： 先从业务目录和标准字典里找候选资源。 再确认这些候选资源是不是真实 Hive 表。 再查字段、字段注释、存储位置。 再看 DataRiver 里有没有血缘或加工过程。 最后把“应该用哪张表、字段是什么意思、 ...

头条文章《企业数据资产管理核心框架：L1-L5分层架构解析》阅读汇报来源：今日头条文章标题：企业数据资产管理核心框架：L1-L5分层架构解析发布时间：2026-05-27 11:02作者：星语拾闻整理时间：2026-05-28 一、文章核心内容这篇文章讲的是企业如何用 L1-L5 五层结构管理数据资产。它的核心思想不是“多建几层目录”，而是把一个模糊的业务问题，逐步翻译成技术系统里可以查到的表和字段。 最简单的理解方式是：L1-L5 是一个从业务到数据的放大镜。 12345L1 业务域：公司在做哪一大块事L2 主题域：这块业务里有哪些主题L3 业务对象：这个主题里管理的核心东西是什么L4 逻辑实体：这个东西在数据模型里拆成哪些表/实体L5 属性：每张表/实体里有哪些字段 文章认为，这套分层结构来自数据仓库和企业架构实践，主要受维度建模、范式建模和企业架构框架影响。它要解决的是企业数据管理中常见的几个问题：数据孤岛、口径不一、业务人员看不懂、技术人员难复用、同名不同义、同义不同名。 二、L1-L5 到底是什么关系L1-L5 不是五个并列分类，而是一条逐层变具体的链路： 1大业务 -&g ...

EDBT 2026 · Experiments & Analyses · Schema Linking 让 LLM 先找对表和字段 这篇论文回答的是一个很工程的问题：用户问完一句话后，LLM 到底能不能先判断需要哪些表、哪些字段，再交给 Text-to-SQL 写 SQL？作者没有发明一个花哨大模型，而是把 few-shot、问题拆解、微调、规则修正、schema enrichment 逐项实验，告诉我们哪些做法真的有用。 论文：In-depth Analysis of LLM-based Schema Linking 出处：EDBT 2026 数据集：Spider + BIRD 代码：IBM/few-shot-schema-linking 做了什么 怎么做 规则修正 实验结果 创新点 项目落地 ...

AAAI 2026 · Text-to-SQL · Schema Linking AutoLink：让智能问询自己找字段 这篇论文把 schema linking 从“一次性把全库 schema 塞给 LLM”改造成“agent 逐步探索、检索、验证、扩展字段”的过程。对 skill + MCP 连接数据库的智能问询系统，参考价值非常直接。 论文：AutoLink 场景：大规模数据库 Text-to-SQL 核心：schema exploration + vector search + verification 代码：github.com/wzy416/AutoLink 核心想法 解决什么 方法拆解 Action Space 实验结果 对 MCP 项目的启发 审稿式评价 ...