主要面向考试成绩管理系统(目前支持旭日图、仪表盘柱状图、桑基图、漏斗图、河流图、数据聚合图、散点图、南丁格尔玫瑰图、饼状图、环形图、堆叠柱状图、堆叠折线图、堆叠面积图、面积图、折线图)
主要思路：
第一步实现chat to sql，利用用户问题，生成准确的sql
第二步利用第一步sql查询到的数据，配合MaxKB内置的 <echarts_rander></echarts_rander> 标签实现图表的生成
第一部分：Chat To SQL
方案一：适合表不多的情况，比如5张表左右的级联查询
此方案的重点就是在提示词中加入DSL和DML的描述，如下：
此方案缺点也很明显：适合数据表量小的情况，还有利用大模型只生成了一次SQL，准确率不会太高。
方案二：适合多表的情况，将DSL和DML采用知识库进行存储
为了满足大量表的查询，提前准备DSL和DML的描述，并按照合理分段存入知识库中：
同时，提前准备100个（具体可按照项目实际情况准备个数）用户经常使用的准确SQL，采用QA对方式存入知识库中：
在编排中，先利用问题相似度检索用户问题涉及到的表DSL和DML，并作为提示词给大模型
方案三：最终方案，在前两个方案的基础上，引入SQL专家裁判机制，提高SQL准确率
方案3.1 SQL裁判方案
方案3.1主要先利用三个大模型生成三个SQL，然后在让第四个大模型充当裁判，选出最准确的SQL进行查询
查询效果：
方案3.2 MCP SQL 方案
MCP SQL方案相对要简单些，主要在AI会话节点接入DB MCP，然后利用提示词控制模型进行多次查询校验。
查询效果：
第二部分：SQL TO BI
第二部分的图表展示，主要利用第一步已经生成的SQL查询到数据，采用图表进行展示。核心的思路为：
1.创建图表库，包含常用的echart图表，图表内容为echart官方网站的option，并创建问题关联：
2.在编排中，基于用户的问题判断是否有图表支持，并输出图表名称
3.通过大模型输出的图表名称去知识库查询图表的option，并作为提示词给大模型
整体编排如下：
查询效果：
