项目 git 地址：ai-ops-assistant-lab
🧠 一、为什么要单独讲架构？
在上一篇中，我们讲清楚了一个核心认知：
👉 AI运营助手 ≠ Chat系统，而是一个"数据驱动的决策系统"
但如果只停留在概念层，会有一个问题：
❗ 你做了很多模块，但它们之间是怎么协作的？
所以这一篇的目标是：
👉 把整个系统"结构化拆开"，讲清楚每一层的职责和数据流
🧩 二、系统整体架构（核心图）
text
┌────────────────────┐
│ 用户问题（NL） │
└────────┬───────────┘
↓
┌──────────────────────┐
│ Intent Understanding │
│ Agent │
└────────┬─────────────┘
↓
┌──────────────────────┐
│ Metric Agent │
│（指标识别层） │
└────────┬─────────────┘
↓
┌──────────────────────┐
│ Semantic Layer │
│（语义映射系统） │
└────────┬─────────────┘
↓
┌──────────────────────┐
│ Query Planner │
└────────┬─────────────┘
↓
┌──────────────────────┐
│ SQL Compiler │
└────────┬─────────────┘
↓
┌───────────────┐
│ Doris / OLAP │
└──────┬────────┘
↓
┌──────────────────────┐
│ Insight Agent │
└────────┬─────────────┘
↓
┌──────────────────────┐
│ Report Agent │
└──────────────────────┘🧠 三、系统设计的核心思想
💥 1️⃣ AI系统不是"模型系统"，是"编排系统"
很多人误解 AI 系统：
❌ 以为核心是 LLM
但实际上：
👉 核心是 数据 + 流程 + 编排
💥 2️⃣ 三层结构（非常重要）
整个系统可以拆成三层：
🟢 ① Agent层（智能层）
负责：
- 理解问题
- 拆解任务
- 决策路径
👉 例如：
- Intent Agent
- Metric Agent
- Insight Agent
🟡 ② Semantic层（语义层）
负责：
- 指标定义
- 业务语义映射
- 数据抽象
👉 核心是：
把"人话"变成"数据语言"
🔵 ③ Data层（数据层）
负责：
- Doris查询
- SQL执行
- 数据返回
🧠 四、每一层的职责拆解（面试重点）
🟢 1️⃣ Agent层：负责"理解与决策"
🎯 Intent Agent
输入：
text
最近7天用户流失情况输出：
json
{
"intent": "churn_analysis",
"time_range": "7d"
}🎯 Metric Agent
👉 把业务问题映射为指标
json
{
"metrics": ["churn_rate", "active_user"]
}🎯 Insight Agent
👉 负责"解释数据"
🟡 2️⃣ Semantic Layer（核心亮点）
💥 它解决什么问题？
❗ 没有语义层的问题：
LLM会直接写SQL：
- 字段乱用
- 口径不一致
- 不可维护
✅ 有语义层之后：
👉 所有问题变成：
"我想查哪个指标？"
🧩 示例：
text
active_user = COUNT(DISTINCT user_id)
WHERE last_login >= NOW() - 7d💥 核心作用：
| 功能 | 作用 |
|---|---|
| 指标统一 | 避免SQL口径混乱 |
| 业务抽象 | 屏蔽数据库结构 |
| AI约束 | 限制LLM自由发挥 |
🔵 3️⃣ Data Layer（Doris）
🎯 职责：
- 执行SQL
- 返回数据
- 保证性能
💥 在系统中的角色：
👉 "事实来源"
🧠 五、完整数据流（必须掌握）
text
用户问题
↓
Intent Agent（理解问题）
↓
Metric Agent（识别指标）
↓
Semantic Layer（业务映射）
↓
Query Planner（生成计划）
↓
SQL Compiler（生成SQL）
↓
Doris（执行）
↓
Insight Agent（分析）
↓
Report Agent（输出）🧠 六、技术栈设计（工程视角）
🐍 Python层
- Camel AI（Agent）
- OWL（Workflow）
🗄 数据层
- Doris（OLAP）
- MySQL（元数据）
- Redis（缓存）
🧠 AI层
- LLM（GPT / Claude / 本地模型）
- Prompt工程
🧩 中间层
- Semantic Layer
- Metric Registry
- SQL Compiler
🧠 七、Prompt设计（关键面试点）
🟢 Metric Agent Prompt
text
你是数据指标分析器。
请从用户问题中提取指标：
- active_user
- churn_rate
- order_amount
返回JSON结构。🟡 SQL Compiler Prompt
text
你不能直接猜字段，只能使用语义层定义的指标生成SQL。
输入：metric + schema
输出：SQL🔵 Insight Prompt
text
你是数据分析师，请基于查询结果生成业务洞察。🧠 八、为什么这个架构成立？
💥 1️⃣ 解耦原则
| 层 | 职责 |
|---|---|
| Agent | 决策 |
| Semantic | 语义 |
| Data | 执行 |
💥 2️⃣ 可控性原则
👉 SQL不再由LLM自由生成
💥 3️⃣ 可扩展性
可以轻松加：
- 新指标
- 新数据源
- 新Agent
🧠 九、这个架构的本质（非常重要）
💥 一句话总结：
👉 这是一个"语义驱动的数据分析系统"，通过 Multi-Agent 编排，将自然语言转化为结构化数据决策。
🧠 十、总结
👉 AI运营助手的本质，不是"让AI写SQL"，而是"构建一个AI可理解的数据语义系统"。
🚀 下一篇建议（很关键）
如果你继续，我建议下一篇写：