用自然语言和 AI 直接问出你想要的数据

DataMind：用自然语言和 AI 直接问出你想要的数据

不写 SQL，不找数据分析师，不等报表——只需一句话，10 秒得到图表、数据与洞察结论。

---

你有没有遇到过这些困境？

业务同学想看一下「上个月各地区销售额对比」，于是在工单系统里提了个需求。数据分析师排期三天后才能排上，还要沟通口径、确认维度，最终一张图出来，需求方觉得「不是这个意思」……

或者你自己会写一点 SQL，好不容易拼出了查询语句，却发现连接哪个数据库、用哪张表、字段名叫什么，每次都要翻文档或者问别人。

DataMind 就是为解决这个问题而生的。

它的核心逻辑只有一句话：你用中文说需求，它自动帮你查数据、出图表、给结论。

---

DataMind 是什么？

DataMind 是一个开源的 AI 数据分析平台，基于微服务架构构建，前端零依赖（纯浏览器运行），后端用 Python/FastAPI，支持接入主流数据库和多种 AI 大模型。

它把「数据分析」这件事拆成了四个自动化步骤：

你输入中文问题
      ↓
① 语义解析：AI 理解你要分析的是「趋势」「对比」「排名」还是「构成」
      ↓
② SQL 生成：根据你的数据库表结构，自动写出安全的查询语句
      ↓
③ 数据查询：执行 SQL，从真实数据库取数（带缓存加速）
      ↓
④ 可视化与洞察：生成柱图/折线/饼图，并输出「核心结论 + 数据发现 + 行动建议」

整个过程你什么都不需要做，只需要等 10 秒左右。

---

快速上手：5 分钟跑起来

环境准备

只需要一台装了 Docker 的机器，Windows/Mac/Linux 均可。

# 检查 Docker 版本（需要 24+）
docker --version
docker compose version

一键启动

# 克隆项目
git clone <repo-url>
cd datamind

# 初始化配置文件
make setup

# 编辑 .env，填入你的 AI Key（详见下方「接入 AI 模型」）
vim .env

# 启动所有服务
make up

# 打开浏览器
open http://localhost:8080

启动后你会看到一个深色系的控制台界面，两个主要入口：

• 智能数据查询 → 日常使用的主界面
• 可视化配置中心 → 初始化配置数据库和 AI 模型

---

第一步：配置你的数据库

打开配置中心（/config.html），在「数据库」标签下填写连接信息：

字段	说明
配置名称	随便起个名字，比如「生产库」「测试库」
数据库类型	支持 PostgreSQL、MySQL、ClickHouse、Oracle、SQL Server、Doris
主机 / 端口	填你的数据库地址
数据库名	要分析的库名
用户名 / 密码	建议使用只读账号

填好后点「测试连接」，绿灯亮起就说明配通了。

提示： 可以保存多个数据库配置，在查询页面可以随时切换或同时选择多个库。

让 AI 知道你的表结构

连接成功后，点击「自动读取 Schema」，系统会自动抓取当前库里所有表的字段信息。

如果你的表字段名比较晦涩（比如 ord_rgn_cd 表示「订单地区编码」），可以在 Schema 管理页面手动给字段加上中文备注。AI 在生成 SQL 时会参考这些备注，理解能力会大幅提升。

---

第二步：接入 AI 模型

DataMind 支持多种 AI 大模型，在配置中心的「AI 引擎」标签下添加：

选项一：Claude（推荐，效果最好）

注册 Anthropic 后获取 API Key：

接口格式：Anthropic 原生
端点：https://api.anthropic.com/v1/messages
API Key：sk-ant-api03-xxxx
模型：Claude Sonnet 4.6（推荐均衡）/ Claude Opus 4.6（质量最高）

选项二：Kimi（国内访问稳定）

注册 Moonshot 获取 Key：

接口格式：OpenAI 兼容
端点：https://api.moonshot.cn/v1/chat/completions
模型：moonshot-v1-32k

选项三：DeepSeek（高性价比）

接口格式：OpenAI 兼容
端点：https://api.deepseek.com/v1/chat/completions
模型：deepseek-chat

选项四：本地模型（完全离线，数据不出本机）

安装 Ollama 后：

接口格式：OpenAI 兼容
端点：http://localhost:11434/v1/chat/completions
模型：qwen2.5 / llama3（本地安装的模型名）
API Key：（留空）

可以保存多个 AI 配置，查询时自由切换——比如平时用 Kimi 省成本，重要分析时换 Claude 出更好的结论。

---

开始查询：几个真实示例

配置完成后，打开查询页面（/query.html），在输入框里用中文描述你的需求：

---

示例 1：趋势分析

过去 6 个月，每月的订单量变化趋势是什么？

AI 会识别这是「趋势分析」，生成带日期分组的 SQL，自动渲染为折线图，并告诉你：「5 月环比增长 23%，为近半年最高点」。

---

示例 2：对比分析

各大区近 30 天销售额对比，哪个区最高？

生成 GROUP BY region 的 SQL，渲染为柱状图，洞察结论直接指出：「华东区占比 41%，华南区同比下滑 8%」。

---

示例 3：排名分析

毛利率最高的产品类目 Top 5

自动加 ORDER BY + LIMIT，饼图或水平柱图展示，附上排名数据表。

---

示例 4：构成分析

当前活跃用户中，VIP / 普通 / 新用户各占多少比例？

饼图 + 百分比表格，直接告诉你用户结构现状。

---

每次查询结果都包含三部分：

1. 生成的 SQL：可以一键复制，放到任意 SQL 工具里验证
2. 可视化图表：支持柱图、折线、饼图、面积图，随时切换
3. 智能洞察：核心结论 / 数据发现 / 行动建议，三段式结构，可直接复制到报告里

---

进阶技巧

多数据库联合分析

查询页面顶部的数据库选择器支持多选。当你勾选多个库时，系统会分别查询每个库的相同结构，帮你做跨库对比。这对于「主库 vs 备库数据一致性核查」或「多业务线数据横向比较」非常有用。

自定义 Prompt 前缀

在 AI 配置里有一个「自定义 Prompt 前缀」字段，你可以在这里写入业务背景：

本系统为电商业务数据库。
金额单位为人民币元。
订单状态：1=待支付，2=已支付，3=已发货，4=已完成，5=已取消。
分析时请忽略测试账号（user_id < 1000）的订单。

加了这段前缀后，AI 在生成 SQL 时会自动过滤测试数据，金额单位也会在洞察文字里正确描述。

查询缓存

相同的问题第二次查询会从缓存直接返回（默认 5 分钟），响应速度从 10 秒变成不到 1 秒。缓存时长可以在配置中心的「规则」标签里调整。

SQL 安全规则

系统默认禁止 DROP、DELETE、UPDATE、INSERT 等危险操作，所有查询自动追加 LIMIT 10000。这意味着即使配置了有写权限的数据库账号，DataMind 也不会误操作数据。

建议还是使用只读账号，多一层保障。

---

技术架构一览（给技术同学看的）

DataMind 采用微服务架构，各服务职责清晰、独立部署：

Browser（Vue 3，无构建工具）
        │
    Nginx :8080（静态文件 + 反代）
        │
  API Gateway :8000（路由 / 限流 / 链路追踪）
        │
  ┌─────┼──────┐
  ↓     ↓      ↓
NLP   SQL    Viz
:8001  :8002  :8003
              │
           Redis :6379（查询结果缓存）

模块	技术选型	职责
前端	Vue 3 CDN + ECharts 5	零构建，单 HTML 文件
网关	FastAPI + httpx	路由、限流、配置管理
NLP	FastAPI + Anthropic SDK	语义解析、意图识别
SQL	FastAPI + SQLAlchemy	SQL 生成、安全校验、执行
Viz	FastAPI	图表配置、AI 洞察生成
缓存	Redis 7 Alpine	LRU 缓存，256MB 限制

整个项目只需要 Docker Compose 即可运行，没有 K8s、没有复杂的依赖链。对中小团队来说，维护成本极低。

---

常见问题

Q：不会写 SQL 能用吗？

完全可以，这正是 DataMind 的核心价值。你只需要大概知道「我想分析什么」，AI 会替你处理所有技术细节。

Q：数据安全吗？会把数据发给 AI 吗？

DataMind 只会把表结构（字段名和备注）发给 AI，让它生成 SQL 语句。你的实际业务数据始终留在你自己的数据库里，不会离开你的服务器。如果使用本地 Ollama 模型，连表结构也不会出境。

Q：支持哪些数据库？

PostgreSQL、MySQL 8.0+、ClickHouse、Oracle 19c+、SQL Server、Apache Doris，以及 SQLite（用于测试）。

Q：AI 生成的 SQL 不准怎么办？

几个改善方向：

1. 给 Schema 里的字段加中文备注，让 AI 更好理解字段含义
2. 在 AI 配置的「Prompt 前缀」里描述业务背景和特殊规则
3. 换用更强的模型（Claude Opus 4.6 比 Sonnet 更准确）
4. 问题描述尽量具体，「近 30 天各地区销售额」比「看看销售情况」效果好很多

Q：查询很慢怎么办？

第一次查询需要调用 AI，一般 5-15 秒。之后相同问题会走缓存，基本秒回。如果觉得慢，可以试试 Kimi 或 DeepSeek 等国内模型，网络延迟更低。

Q：可以私有化部署吗？

可以。整个系统通过 Docker Compose 部署，在内网服务器上运行完全没问题。配合 Ollama 本地大模型，可以实现数据和 AI 全程不出局域网。

---

适合谁用？

• 业务分析师：摆脱等 SQL 的痛苦，自助取数、自助出图
• 产品经理：快速验证数据假设，会议前 5 分钟就能出数据
• 技术团队：给非技术同学部署一套自助分析工具，减少数据需求工单
• 创业公司：没有专职数据分析师，老板和运营可以直接看数据
• 数据团队：作为内部数据民主化工具，降低数据门槛

---

项目地址与反馈

项目开源 地址1:download.csdn.net/download/ap… 地址2:github.com/xiaohunqiu1… 欢迎 Star、Fork 和提 Issue。

如果你在使用中遇到问题，或者有功能建议，欢迎在 GitHub Issues 反馈。

---

DataMind — 让每个人都能轻松读懂数据。