很多企业已经有数据库，也部署了 BI 系统，甚至建立了不少仪表盘。但一个常见问题依然存在：业务人员知道自己想问什么，却不知道应该去哪里找数据、使用哪个字段，以及如何定义正确的指标。
比如，销售负责人问：“本季度哪些产品的增长质量在下降？”
这句话看起来很简单，实际分析时却可能涉及销售额、订单数、退款、毛利率、时间范围、产品分类和区域维度。不同部门如果使用不同的指标口径，即使都做出了图表，也可能得出无法直接比较的结论。
传统数据分析流程中，业务问题需要先经过一轮“翻译”：从业务语言翻译成数据模型，再翻译成 SQL，最后再翻译成报表和结论。流程中的每一步都可能产生沟通成本。
这也是我开发 智观 BI（Insight-knowledge-BI） 的出发点：能不能让用户直接提出业务问题，同时又不牺牲数据口径、安全边界和分析过程的可检查性？
关键不只是“让 AI 写 SQL”
自然语言生成 SQL 很有吸引力，但如果系统只把问题交给大模型，再直接执行返回的 SQL，就会面临一系列现实问题：
- 模型可能理解错表或字段；
- 不同用户对同一个指标可能有不同定义；
- 查询语句可能越过预期的数据访问边界；
- 同一个问题重复询问，查询逻辑可能发生变化；
- 即使得到了数字，用户也未必知道结论是如何产生的。
因此，智观 BI 将自然语言问数放在一套更完整的机制中：Agent 先了解数据结构和指标定义，再规划查询；SQL 需要经过只读和权限相关的检查；结果可以进一步用于图表和看板；分析运行和工具调用则留下审计记录。
系统还提供指标语义层，用指标字典帮助 AI 遵循既定口径，而不是让模型临时“发明”计算规则。对于归因分解等计算，也由程序完成相应计算，而不是单纯依赖模型心算。
这并不意味着 AI 永远不会犯错。任何 AI 分析结果仍需要结合数据质量、业务定义和实际场景进行核验。但通过明确的语义、权限和执行约束，可以把 AI 从一个单纯的聊天入口，变成数据分析流程中的一个受控参与者。
BI 的下一步，是让更多人能够提出好问题
业务人员不一定需要学习 SQL 才能开始分析，但系统必须替他们承担更多复杂性，同时保留必要的透明度和控制能力。
智观 BI 希望探索的，就是这条路线：让自然语言成为入口，让数据模型和指标定义成为基础，让权限治理和审计成为边界，再通过图表、仪表盘和数据大屏把结果呈现出来。
如果你也在思考 AI 如何真正进入企业数据分析，而不只是增加一个聊天机器人，欢迎看看项目并提出建议。
