一、背景：为什么企业需要智能问数
在企业数据分析场景中，业务人员经常会提出类似下面的问题：
最近 7 天哪个商品转化率下降最明显？
某个店铺退款率是否超过预警阈值？
新品冷启期的成交买家数是否达到稳定样本？
某个品类的投诉数、差评率、评价星级是否存在异常？
传统做法通常需要业务人员先提需求，再由数据分析师或数仓开发人员写 SQL、取数、出报表。这个流程虽然稳定，但存在几个明显问题：响应慢、依赖人工、口径容易不一致、业务问题难以快速闭环。
智能问数的核心目标，就是让业务人员用自然语言提问，系统自动理解问题、匹配指标口径、生成 SQL、查询数据，并返回可解释的分析结论。
本文以 DB-GPT + StarRocks 3.4.10 为基础，设计一套企业级智能问数方案。DB-GPT 负责自然语言理解、Text-to-SQL、RAG 和 Agent 编排；StarRocks 作为高性能 OLAP 分析引擎，承载指标快照、明细宽表、维度表和规则配置表等查询任务。
二、整体目标
本文方案不是简单做一个"自然语言转 SQL"的 Demo，而是面向真实业务场景，构建一个可以逐步落地的智能问数系统。
系统目标可以概括为四点：
- 业务人员可以直接用自然语言提问，不需要理解底层表结构和 SQL。
- 系统能够基于指标配置、维度配置、阈值配置和业务口径，自动识别用户问题涉及的指标、粒度、时间范围和筛选条件。
- 系统生成 SQL 后，不直接盲目执行，而是经过安全校验、字段校验、权限校验和执行成本控制。
- 查询结果不仅返回数据，还要返回业务解释，例如"是否异常""可能原因""建议动作""命中的规则或阈值"。
三、系统架构设计
整体架构可以分为五层：
text
用户层
↓
智能问数交互层
↓
语义理解与 Text-to-SQL 层
↓
指标治理与元数据层
↓
StarRocks 数据查询层
↓
结果解释与诊断输出层