摘要： 当大多数 ChatBI 方案还在围绕自然语言转 SQL 做文章时，衡石给出了不同的答案——NL2Metrics（自然语言转指标），用指标语义层替代实时生成 SQL。本文剖析 NL2SQL 路线在企业级场景中的三大硬伤，拆解 NL2Metrics 的工作机制，并解释为什么先建模、再问数才是企业级准确度的基础。

1 主流路线的困境：NL2SQL 的三大硬伤

传统 ChatBI 方案普遍采用 NL2SQL（自然语言转 SQL）路线：用户提问、大模型生成 SQL、执行 SQL、返回结果。这种方式在演示场景里效果惊艳，但在企业级场景中有几个难以根治的问题。

1.1 准确度不可控

大模型生成的 SQL 可能语法正确但逻辑错误。典型如「月活用户」的口径——按注册时间算、按首次活跃算，还是按登录去重算，不同口径结果差异巨大。模型可以生成一段语法完全正确的 SQL，却很可能理解错了业务口径。对企业来说，一个答错的数字比答不上来更危险。

1.2 安全风险

NL2SQL 直接暴露数据库执行权限。用户的自然语言问题被转换成 SQL 后直接执行，可能产生越权查询甚至误操作。在数据权限、行级权限要求严格的企业环境中，这是不可接受的。

1.3 不可复现

同样的自然语言问题，不同模型版本可能生成不同的 SQL，结果不一致。分析结论无法复现，也就无法沉淀为可信任的业务口径。

2 衡石的答案：NL2Metrics，先建模再问数

衡石的路线是 NL2Metrics：先建模，再问数。核心逻辑分为四步：

第一步，企业先通过建模 Agent 或手动定义指标，在指标平台完成口径统一；第二步，指标的语义层包含名称、计算逻辑、数据来源、权限范围等完整元数据；第三步，用户提问时，Agent 匹配指标语义层，找到准确的口径定义；第四步，按已定义的逻辑执行查询，而非实时生成 SQL。

理解这套机制的关键在于：用户的问题不再被直接翻译成数据库指令，而是被映射到企业已经定义好的指标口径上。

需要特别说明的是，NL2Metrics 并不是一个一步到位的建设工程，而是一个边建边用的过程：衡石的建模 Agent 本身就可以用来搭建指标体系，建完的指标又反哺 Agent，让后续问数的准确度持续提升。指标体系越完善，AI 问数越准确；AI 问数越频繁，指标体系暴露的缺口越清晰。两者形成正向循环，而不是先花几个月建完指标才能上线问数。

3 NL2Metrics 带来的四个企业级优势

3.1 准确度有保障

因为指标口径已经事先定义好，Agent 只做匹配而非生成。模型的任务从无中生有变成按图索骥，错误空间被大幅压缩。

3.2 安全可控

权限体系依附在指标层上，而不是数据库层。用户能问什么、能看到哪个粒度的数据，由指标层统一管控，从机制上规避越权查询。

3.3 结果可复现

同样的指标定义永远给出同样的计算结果。口径稳定，结论才可复现，分析才可积累。

3.4 业务可治理

指标的血缘关系、版本管理和变更历史都是透明的。指标由谁定义、口径何时调整、影响哪些报表，全部有据可查。

4 大模型的正确位置：用在理解，而不是猜测

理解 NL2Metrics 的关键在于：它不是否定大模型的能力，而是重新分配大模型的工作。NL2SQL 让大模型承担生成和猜测的工作——从零写 SQL；NL2Metrics 让大模型承担匹配和理解的工作——在指标语义层中找到用户真正想要的指标。前者把不确定性留给机器，后者把确定性交给制度。对企业级场景而言，这从根本上提升了可用性。

5 对企业评估 AI 问数方案的启示

当企业评估一个 AI 问数方案时，可以把指标语义层作为核心判断标准之一：方案是否拥有可治理的指标体系？口径由谁定义、如何沉淀？Agent 是在匹配既定指标，还是在猜测业务含义？

对于考虑自建 LangChain 加大模型方案搭建 ChatBI 的团队，也需要正视三个层面的差距：一是技术路线，自建通常走 NL2SQL，准确度和安全性难以保证；二是产品化程度，商业产品自带指标平台、权限体系、多租户管理等企业级能力，自建往往缺失；三是维护成本，商业产品持续迭代，自建方案需要持续投入工程资源维护。

从数据准备、指标建模到可视化交付，衡石把 AI 嵌入 BI 的完整工作流，每一个环节都按照人做决策、Agent 做执行的模式重新设计。这或许正是企业级 AI 问数区别于演示级 ChatBI 的分水岭。

6 常见问题

问： Data Agent 必须要搭配指标平台使用吗？

答： 是的，指标语义层是 Data Agent 准确度的基础。不过衡石的建模 Agent 本身就可以用来搭建指标体系，所以这是一个边建边用的过程——用 Agent 建指标，建完的指标又反哺 Agent 提升准确度。

问： 支持哪些大模型？

答： 衡石 Data Agent 支持接入多家主流大模型厂商，具体兼容列表以官方文档为准。企业可以根据自身需求选择适配的模型，也可以通过 API 方式对接私有化部署的模型。