智能问数 Agent 的架构和执行流程应如何设计？

核心回答

智能问数解决的是“用户不写 SQL，也能查到口径明确、范围合规的业务数据”。以电商分析为例，架构可以分为离线知识准备、在线问数编排、受控查询执行、评测与反馈四部分。数据库保存业务事实，元数据与指标知识解释这些事实，大模型负责理解问题和组合查询，执行网关负责权限与资源约束。

离线准备什么

同步数据源中的表、字段、类型和关联关系，并由业务负责人维护指标公式、粒度、单位、时间口径及同义词。给这些知识保存稳定 ID、适用数据源、来源和版本。

结构化元数据库保存权威定义；向量索引辅助召回语义相关的字段和指标；全文或精确索引辅助定位名称、编码和具体取值。已审核的问句与 SQL 可以单独作为示例。索引组合按问题复杂度选择，简单场景不必一开始部署多套检索服务。

在线一次请求怎样走

1. 后端从登录态确定身份、租户和数据权限，建立本次查询上下文；先判断是否属于可支持的分析任务。
2. 抽取指标、维度、实体与时间，检索权限范围内的结构、业务规则和示例。遇到冲突口径或缺少必要条件时澄清。
3. 合并和精筛候选，补齐连接依赖、当前日期、时区和数据库方言，再生成候选 SQL。
4. 查询网关独立解析并检查对象、操作、行级范围及资源预算，通过后才交给最小权限账号执行。校正后的 SQL 必须重新检查。
5. 核对返回结果的列、粒度、单位、时间与异常规模，再用真实结果生成解释，保留可追溯的查询依据。

如何保持可维护

每次请求保存必要的状态：问题与澄清内容、有效权限范围、知识版本、候选与最终 SQL、校验结果、执行结果摘要和耗时。日志脱敏，错误信息按权限返回。这样才能定位是召回漏项、口径冲突、生成错误还是执行问题。

评测同时看业务正确性、权限阻断、响应时间和成本；反馈进入经过核对的样本集，不把每条用户点赞都当成正确标签。表结构或指标变更后更新受影响索引、示例和缓存，并跑相关回归。

流程相对固定时，用明确节点和有限重试就够了；只有确实需要动态选择数据源或拆解多步分析时，再增加 Agent 的自主规划范围。

对应教程

参考资料