TFlowAI提出了一种基于大模型的解决方案，通过理解业务、查找数据、分析处理的过程编排，实现模型自主的基于数据库的数据查询与分析。这种方法不仅降低了开发成本，还提升了使用体验。

在B端的助手agent中，有一个重要的场景既数据的分析！那如何让模型能够理解产品的数据，理解数据结构、理解业务，准确的去数据库中查找数据，并给他客户展示呢？我们来看TFlowAI给出的解决方案

一、用户现状场景

如客服主管的Agent助手，只需一句话，Ai帮助用户快速找到想要的数据： 如：

• 今天客服接待的满意度咋样？
• 用户投诉最多的问题是那些？
• 从官网来的咨询量有多少？满意度怎样？

这些数据的查找、获取在原有产品设计中，有2个体验不好的点：

1. 开发成本：新统计维度、数据项的增加，需要开发进行计算&编排
2. 使用体验：数据分析维度，查看维度等等都受制于产品界面的限制；

那是否借助大模型的理解能力，来实现模型自主的基于数据库的数据查询与分析，生成报表，从而摆脱通过系统开发的方式实现数据的统计与分析。

二、解决方法

解决方法的设想：参考rag的面向过程编排的方法，将模型处理理解业务，查找数据，分析处理的过程通过workflow得形式编排，用大模型进行串联处理。

1. rag的流程

1）流程

2）流程说明

1. 用户提问向量化，index检索相似片段
2. 通过提示词+用户提问+check片段 打包发给大模型
3. 模型进行解答

2. 大模型+BI的过程编排流程

1）流程设计

整个过程会经历问题的反写，表结构的理解，SQL的生成，SQL的执行，数据的可视化五个阶段。依次讲解下每个环节做什么。

（1）问题反写：让大模型理解query，通过提示词，让模型理解意图，当前产品有关的数据维度解释说明，计算规则等。从而将用户的需求完整的描述处理。

• 用户提问：官网线索转换了是多少？
• 模型反写：想要了解从官网注册的用户，最终购买产品的比例。计算规则：官网线索客户成交数/官网线索数

（2）理解表结构：让模型知道从那张表中获取相关的数据。通过补充表+字段的方法，让模型知道数据库中有哪些表，从而推测要用到哪些表

• 比如表结构理解输出：模型反写：想要了解从官网注册的用户，最终购买产品的比例。计算规则：官网线索客户成交数/官网线索数，要统计从线索表中筛选来源为“官网”的线索数，统计从成交订单中筛选来源为“官网”的订单数

（3）SQL生成：接住大模型或者txt2SQL等模型，将文本转为可执行的SQL

（4）执行SQL：执行上一步生成的SQL，获取其结果

（5）数据可视化：借助绘图工具，绘制趋势图等图表。同时模型对于数据进行简单的分析说明

（6）输出：对用户输出可视化的内容

整个过程的关键环节在于问题的反写与表结构的理解，需要在这个环节中用提示词给模型正确的引导，让模型能够理解清楚业务，以及用户的意图、计算逻辑。同时对于喂给大模型的内容，进行选择性的拼接。

同时也可以考虑增加娇艳环节，降低理解的出错率。

3. 进阶：融入Agent

更深度的应用，可以将大模型+bi的环节，变成Action事件，嵌入到已有的Agent当中

三、优势与问题

1. 优势

• 开发成本低：只需要数据库增加字段，提示词增加说明，即可满足用户对于数据分析的数据，开发成本大幅降低；
• 使用体验：基于模型的理解去分析，查找数据、分析数据，实时绘图，摆脱原有数据报表的限制，可以自定义进行深度的分析。

2. 问题

• 复杂数据的处理不确定，可能需要借助增加过程、借助agent等提高模型对复杂数据的处理；
• 存在幻觉、异常数据排查难度较大，过程黑盒无法排查！