在企业日常运营中，数据散落在 Excel 报表、MySQL、PostgreSQL 等各类存储中已是常态。业务人员提出“华东区上季度销量环比增长超过 10% 的门店”“检验合格的都是哪些公司的什么产品”这类问题时，传统路径往往绕不开这个流程：提需求 → 数据工程师写 SQL/Python → 排期开发 → 交付验证。一次看似简单的查询，耗时数小时甚至数天是家常便饭，数据团队也深陷在重复取数的低效循环里。
这背后是什么逻辑？说白了，数据量在爆炸式增长，但数据获取的门槛并没有同步降低。
针对结构化数据问答场景，澜舟智能体问数技术提供了一套 NL2Python（面向 Excel）和 NL2SQL（面向数据库）的双引擎方案。这篇文章打算从技术架构、评测方法、效果数据、典型错误分析这四个维度，把整套方案的设计思路与落地效果完整地摊开来聊一聊。
技术架构总览
澜舟问数系统分为两条技术路线，但底层共享同一个设计哲学：把不确定性降到最低。通过 Schema 校验、元数据增强、模板召回、自验证循环等一系列机制，把自然语言天然的歧义性逐层收窄，最终输出可执行、可复现的代码与结果。
ExcelQA（NL2Python）：让 Excel 分析自动化
五阶段工程化流程
下图展示了 Excel 问答的五个处理阶段：
阶段一：文件入口与合法性检查
用户上传 Excel 后，预处理模块先把文件流转为内存对象，然后用预设的 Excel Schema 进行校验：列名是否匹配、数据类型是否合规、必填字段是否存在、值域范围是否合法。只要任一条件不满足，系统立刻返回明确的“文件不合法”提示，避免无效计算进入后续环节。合规的文件则被提取出表、列、值等元数据并持久化存储。
阶段二：自然语言需求捕获
系统把 Prompt 模板、用户自然语言问题以及阶段一产出的元数据一并送入 LLM。LLM 在这里扮演“需求翻译官”——把口语化提问（比如“找出销量环比增长超过 10% 的门店”）转化为结构化的、带字段名与计算逻辑的形式化描述。
阶段三：NL2Python 代码生成
形式化描述传入 NL2Python 模块，一次性生成可执行的 Python 脚本。工程约束如下：代码必须自包含、可重入；所有依赖（pandas、numpy、openpyxl 等）在隔离容器中预装；代码头部自动注入 Excel 文件路径与结果输出路径，真正实现“开箱即跑”。
阶段四：执行与结果回收
生成的 Python 代码通过 exec() 在沙箱中执行。成功时，标准输出与序列化结果（CSV/JSON）被捕获；失败时，系统捕获报错信息，重新生成代码。
阶段五：答案生成与可视化
执行结果与用户原问题再次送入 LLM，映射为最终的自然语言答案。同时，系统支持将结果表格自动渲染为图表（折线图、柱状图、饼图等）。
评测方法
数据集：共 600 条内建测试数据，包含 300 条简单问题和 300 条困难问题。
评估标准：采用 LLM 四分量表打分（0-3 分），以 score ≥ 2 视为正确。
- 3 分：回答完全正确，语义与内容高度一致。日期字段需换算为日期格式后比较。
- 2 分：基本正确，语义一致但表达或细节有差异；或结果为标准答案的子集。
- 1 分：部分正确，存在明显错误或遗漏重要信息。
- 0 分：完全错误。
当前效果
DatabaseQA（NL2SQL）：让数据库查询像对话一样自然
四大阶段 + 亮点能力
亮点能力说明
- 元数据增强：对 MySQL 等数据库运行 m-schema 解析，自动抽取字段枚举值、取值分布、业务注释，生成一张“表扩展信息库”。相当于给每张表配了一份“活字典”——字段别名、业务含义、枚举值、样例数据四件套，显著降低 LLM 幻觉。
- 专业术语对齐：维护行业术语库（同义词、缩写、中英文映射）。用户问“PV”自动改写成 page_view，“销售额”对齐 GMU。
- 意图-SQL 模板关联：离线挖掘历史日志，建立“意图标签 → SQL 模板”映射。线上召回 1～3 条高相关模板，让 LLM 先“抄作业”再“做题”。
- 自验证循环：执行失败 → 自动捕获错误码/报错信息 → Prompt 中追加“错误原因” → LLM 重新生成。
- 图表可视化：根据字段类型自动匹配渲染策略——时间 + 数值→折线图；分类 + 数值→柱状图/饼图；地理字段→地图。
- 模板沉淀正循环：用户点击“答案正确/采纳”时，系统将“标准化问题 + 最终 SQL”沉淀到模板库，后续优先召回高频、高评分模板。
评测方法
数据集：Falcon（源自论文 https://arxiv.org/pdf/2510.24762 的 dev 数据集），包含 28 个数据集、90 张表，共 500 道中文题目（dev 集合中带 ground truth 的 309 条）。
评估标准：同样采用 LLM 四分量表（0-3 分），score ≥ 2 视为正确。核心差异在于评分依据是结果表格而非自然语言答案：
- 3 分：结果表格与标准答案在行集合、列对应上完全等价（列名可不同，但每列取值一致）；数值允许合理误差（如 4.514 vs 4.51）。
- 2 分：SQL 思路基本正确，结果大部分一致（如因未去重等因素导致的不同）。
- 1 分：部分正确（主要表或关键条件正确，但漏条件/多条件/聚合方式错误）。
- 0 分：完全不符。
当前效果（优化前后对比）
数据来源：内部评测，基于 Falcon dev 集合（309 条 ground truth）。ours 包含元数据增强、术语对齐、模板召回、CoT、自验证等完整 pipeline。
提升幅度：准确率（≥2 分）从 61.81% 提升至 90.29%（+ 28.48pp），平均得分从 1.825 提升至 2.6440（+ 0.8015）。
方案对比：澜舟 vs 传统人工取数 vs 基础 LLM 直出
可落地场景与技术适配要求
可落地场景
- 财务分析：月度利润表环比/同比自动计算，异常科目高亮
- 运营监控：DAU/MAU 趋势查询，渠道来源分布自动出图
- 供应链管理：库存周转天数超阈值门店过滤，多条件组合筛选
- 研发效能：各项目 Bug 解决时长分布，按负责人聚合统计
技术适配要求
- Excel 场景：表结构相对稳定（列名、类型可预先定义 Schema），单表行数建议 ≤ 100 万（受容器内存限制）
- 数据库场景：需提供只读账号，支持 MySQL 5.7+、PostgreSQL 10+；建议表注释、字段注释完整，以提升元数据增强效果
总结
澜舟智能体问数技术并非简单调用 LLM 生成代码，而是一套完整的工程化 pipeline——通过 Schema 校验、元数据增强、术语对齐、模板召回、CoT 推理、自验证循环、结果沉淀等机制，将自然语言问答的准确率从基础 LLM 的 60-70% 提升至 95%（Excel）和 90%（复杂数据库跨域场景）。更重要的是，它具备可解释（输出代码与推理链）、可进化（模板正循环）、可落地（沙箱执行，失败重试）的特性。这才是真正能拿来用的技术方案。
