腾讯在 ABI 工程领域的探索与实践

1. 背景与现状：

• 大数据领域进入智能化阶段，BI 产品从传统的报表式、到自助式，现已发展为智能化BI。

  
  

• 腾讯内部推动智能化改造，注重提升智能化能力，并推动能力复用。其中工程侧是 OlaChat 落地的框架是充分释放 AI+Data 能力的底座

  
  

2. 遇到的问题：

• 架构不清晰：快速迭代导致架构耦合，AI能力难以在不同平台上复用。

  
  

• 单个 agent 设计复杂：集成了太多业务属性，导致扩展性差。

  
  

• 大语言模型的实现难度大：包括上下文管理、长文本记忆、幻觉等，导致自然语言到数据指令转换过程复杂。

  
  

• 数据分析整合难：传统能力如何整合到智能化场景中。

  
  

目标与挑战

1. 目标与解决方案：

• 架构统一：方案统一、能灵活适应不同产品和数据场景。

  
  

• 用户体验优化：从工程架构视角，提升 Agent 智能化应用体验的响应速度和准确性效果。

  
  

• 集成 AI 能力：ABI 技术方案收敛和统一，Agent 能力快速迭代，灵活交付。

  
  

2. 面临的挑战：

• AI 能力原子化：如何做到低成本、快速迭代的 AI 能力。

  
  

• 长文本与响应速度问题：模型幻觉和响应延迟影响效果。

  
  

• 自然语言到 BI 指令的准确性与效率：如何降低复杂度，提高准确率，并简化工程实现。

  
  

架构演进

1. OlaChat 概述：

• OlaChat 是一款基于大语言模型的智能数据助手，能够灵活集成到各种数据分析产品中，提供原生的 AI 数据体验。

  
  

2. 数据全链路分析能力：

• 意图理解：包括多轮对话、Query 改写、意图分类和意图识别。

  
  

• 数据分析：
  找数据：表查找及表关系理解能力等。
  数据开发：文字生成 SQL、SQL 纠错优化，改写解读等。
  端到端分析：指标分析、文字生成 DSL（动态查询条件）等。
• 数据解读：描述性统计、异常检测、归因分析和趋势预测等。

  
  

3. 知识&推荐：

• 数据知识助手：为新手和不熟悉数据平台的用户提供词汇解释和问答功能，帮助理解数据概念和数据开发。

  
  

• 智能推荐：
  指标维度推荐：推荐相关的分析维度，帮助用户做深度数据分析。
  表字段推荐：根据用户行为和数据热度推荐常用表字段，提升数据查询效率。
  Query 推荐：引导用户通过问答，帮助其完成完整的数据分析任务，并提供相关问题或分析推荐。

4. OlaChat 落地思路：

• 初期尝试使用大屏展示和对话流式展示方式，用户提问后展示思考过程和分析结果。这种方式主要适合数据分析和数据运营人员，但并非适用于所有用户。

  
  

• 向 Copilot 和 AI 原生应用方向演进：
  在数据探索阶段，需要与多平台的数据进行交互，因此逐渐引入了“Copilot”和“AI 组件原生嵌入”的形式。
  将 AI 助手和组件嵌入到不同的数据产品和系统中（例如图表分析、拖拽式自助分析、解读和归因等），使用户在不改变现有数据使用习惯的基础上提升效率，完成数据产品的智能化改造。

5. OlaChat 技术框架

• 前端组件层：包括 copilot（助手功能）、魔法棒、输入模块，以及大屏分析等。

  
  

• 架构编排层：负责将原子级的 agent 能力（从用户输入到操作再到输出）进行拆分和编排，适配不同的数据场景。包括数据操作指令和服务的编排，同时结合消息模块进行对话式协议的流式分发和推送。

  
  

• 原子 agent 层：将各种 AI 能力（如意图识别、Text2SQL、数据解读等）拆解成更小的原子操作，进行组合和优化。

  
  

• 数据服务层：除了传统 BI 分析的数据处理能力（SQL 查询、元数据服务等）外，还包括 ABI（智能 BI）和大模型相关的服务，如数据领域知识的 RAG、高频 query、上下文理解等

  
  

• 使用腾讯的混元大模型（作为通用大模型），并根据具体业务需求（如 SQL 领域）对模型进行微调，以及机器学习模型。

  
  

• OlaChat 与宿主的数据产品集成，通过前端组件和 API 方式嵌入，同时将领域知识（如数据指标、维度等）和用户行为数据集成到召回库中，用于提升推荐和分析效果。

  
  

重点模块设计

1. 编排层 - 单 Agent 多 step

• 第一步：系统首先告知用户 SQL 语句的错误原因（如权限问题、数据表字段错误等）。

  
  

• 第二步：系统提供修正建议，指出可能的错误来源，如函数使用不当或语法问题，并给出修改方法。

  
  

• 第三步：最终，系统提供一个正确的 SQL 语句供用户参考和使用。

  
  

• 用户输入：用户输入一个 SQL 语句，提交给系统进行分析。

  
  

• 意图识别：系统通过意图识别模块判断输入的意图，例如判断用户是否在进行 SQL 纠错操作。

  
  

• 编排层（DAG 图）：通过配置的 DAG（有向无环图）编排，系统逐步执行纠错的过程。编排层会定义每个步骤的执行顺序，并在过程中异步处理不同子模块的返回结果（如数据服务层、SQL 解释层等）。

  
  

• 数据服务层：如果 SQL 未执行，系统会先进行数据解释（EXPLAIN），检查 SQL 可能的问题，提升纠错的准确性。

  
  

• Agent 调用：编排层将调用 SQL 纠错 agent，返回用户修正建议和最终正确的 SQL。

  
  

• 顺序执行与回调：系统通过编排层确保返回结果的顺序，虽然不同场景下返回的结果顺序可能有所不同，但编排层会按照配置的步骤顺序处理每个结果。

  
  

• 并行与串行：虽然流程一般是串行的，但也可以设计为并行返回，提升系统吞吐能力，适应不同业务场景。

  
  

2. 编排层 - 多 Agent 协作

• 指标分析：用户提出一个问题，系统从中提取出涉及的指标、维度和过滤条件，最终通过这些组合来提交指标查询，获取数据。

  
  

• 文本生成 SQL：当用户提出问题时，系统会判断该问题是否命中指标的高频查询。如果是，直接返回指标预定义的 SQL；如果不是，则通过 Test2SQL 流程生成 SQL。

  
  

• 多个原子 Agent：流程中包含多个原子 Agent，分别负责不同任务，例如：
  找表：定位所需的表。
  找指标：提取相关指标。
  生成 SQL：根据找到的表生成 SQL 查询。
  查询与出图：执行查询，并根据结果生成图表。
• DAG 图编排：系统通过编排 DAG（有向无环图）来协调不同 Agent 的工作步骤，确保按顺序执行并处理数据。

• 预定义查询：如果用户的查询已经是系统处理过的常见查询（标注过的高频查询），则直接返回该查询的 SQL，减少计算和延迟。

  
  

• 动态生成 SQL：如果查询是新问题，则通过文字生成 SQL 的流程，系统依赖拆解和生成 SQL 的逻辑来处理，确保生成正确的查询。

  
  

• 统一语义层：在指标分析中，通过指标的统一语义层，确保不同数据源下的指标定义一致。

  
  

• 数据源可用性：系统会检查指标对应的数据源是否可用，若不可用，则降级处理，使用其他离线数据源查询。

  
  

• 降级处理：如果在指标查询中未能找到有效指标，系统会降级到 Test2SQL 的逻辑，走标准的查询流程。对于某些在线数据源，系统使用同步查询；对于其他数据源，则采用异步查询。

  
  

3. 编排层 - 统一协议与自动化编排

• 统一协议：所有的 handler（处理单元）在输入输出时遵循统一协议，包括通用部分和特定参数的设计。响应处理也是基于这种协议。通过统一协议，agent 与 agent 之间能够在编排框架中自动流转，无需硬编码逻辑，从而简化了流程的自动化。

  
  

• 编排流转：当所有的 handler 和 operator 的协议对接成功后，整个编排流程就能够顺利进行。编排过程更加灵活，能够自动调用不同的 agent 并处理数据，避免了传统编程中强依赖和硬编码的复杂性。

  
  

4. 编排层 - 人工干预

• 干预流程：在某些关键步骤中，人工干预是不可避免的。例如，假定有这样一个场景，在生成代码并提交测试发布，如果测试失败，则回到生成代码的环节直到测试通过。审核过程需要人工介入，只有审核通过后才能发布程序。

  
  

• 伪装为 Agent 的输入：人工输入被设计成类似 agent 的角色，遵循与其他 agent 相同的输入输出协议。这样，在人工干预的环节，依然能够与编排流程保持一致，确保整体流程的连贯性。

  
  

• 控制输入的有效性：每个 agent 都有输入控制环节（preCheck），可以判断和限制用户输入是否符合预期，决定是否继续执行下一步。若输入不符合预期，可能会被拦截，避免对流程造成干扰。

  
  

• 意图理解与澄清：用户的输入可能会不清晰或含糊，系统在意图识别后提供问题澄清，确保分析的准确性。

  
  

• 二次分析与修改：用户在数据分析过程中可以基于初步结果做二次分析，或修改已经生成的分析条件。比如，生成的报表或看板中的指标维度可以供用户做进一步修改。

  
  

• SQL 补全：用户在写 SQL 代码时，可以获得类似 GitHub 补全的功能，系统会建议补全的 SQL 代码，用户可以选择接受建议，或继续手动修改 SQL。

  
  

5. Agent 提升 - 对话上下文

意图识别的挑战

• 用户的多样性问法：用户提问时常用的语言比较随意，可能有各种不同的表达方式，这使得意图识别变得更加复杂。

  
  

• 历史信息的复杂性：在多轮对话中，随着信息的不断积累，历史对话的长度和复杂度也逐渐增加。大量的历史信息可能带来问题，例如长文本问题和 Token 限制（每次对话的字符数限制），这些会影响模型的处理能力。同时，这也容易导致幻觉问题，模型返回与实际情况不符的信息。

  
  

减少意图候选的复杂性

• 精简意图类别：为了提高意图识别的准确性，可以通过减少可能的意图类别来简化模型的判断范围。这样可以避免分类过多导致的误判，并提高分类的准确度。

  
  

• 场景导向的意图识别：在不同的数据分析场景中，系统需要告知用户可能的操作意图。例如，用户可能需要执行的任务包括编写 SQL 语句、查找数据表、或者解读分析结果等。根据场景来指导意图识别，可以有效缩小识别范围。

  
  

意图辅助理解

• 简化问题和意图改写：对于一些模糊或者复杂的用户提问，系统可以通过正则和其他处理手段进行问题改写，将问题转化为更简洁和标准的形式，从而提高意图识别的准确度，并作出快速反应。

  
  

历史对话信息的提取与优化

• 从历史对话中提取关键信息：多轮对话中的信息量很大，系统会通过不同的 agent（处理单元）将关键的、有效的信息从历史对话中提取出来。这样做可以帮助精简历史信息，避免无关数据对后续操作造成干扰。

  
  

• 减少无效信息：每个 agent 在响应用户请求时，会分析返回的历史信息，过滤掉无效的部分，只保留关键信息。这一过程通过编排和工程优化来实现，帮助系统处理更简洁的数据，从而减少幻觉问题，确保后续对话和决策更加准确。

  
  

优化后的效果

• 通过精简意图候选集、优化正则匹配、以及提取关键信息，系统能够减少无效信息的干扰，增强意图识别的准确性。这不仅提升了模型的效率，也有效降低了长文本、Token 限制和幻觉问题对系统性能的影响。

  
  

6. Agent 提升 - Text2SQL 落地的准确性

自然语言到 SQL 的生成问题

• 元数据不准确或缺失：如果元数据存在问题，如数据不准确或缺失，生成的 SQL 可能会出错。

  
  

• 幻觉问题：生成的 SQL 可能包含虚构字段、缺失字段，或者生成的 SQL 存在语法错误等问题，导致无法执行。

  
  

• 杜撰字段问题：生成的 SQL 中可能包含不相关的或不适用的字段，导致 SQL 执行出错。

  
  

方案设计：高频查询与候选集的优化

• 高频查询中的指标答案：为了提高准确性，可以从高频的查询中提取已经验证过的高质量指标，用来作为生成 SQL 时的参考。这些指标生成的 SQL 具有更高的准确性。

  
  

• 常用表的候选集：在查找表时，系统会使用用户常用的表和字段作为候选集。这些表和字段被认为是用户最常操作的，因此在生成 SQL 时，系统会优先考虑它们。

  
  

• 数据预览和抽样：在生成 SQL 时，可以对数据进行格式查询和抽样，确保字段类型（例如日期格式）被正确识别，避免因数据格式问题导致错误的判断。

  
  

迭代执行与 SQL 可执行性校验

• 生成后校验 SQL 的可执行性：在生成 SQL 之后，系统会对 SQL 进行校验，确保其可执行。如果生成的 SQL 无法执行，系统会回到生成阶段，进行调整，直到生成有效的 SQL。

  
  

7. Agent 提升 - Text2DSL（拖曳分析条件）

DSL 转换问题与解决方案

• 自然语言到 DSL 的转换困难：自然语言到 DSL 的转换存在一定的难度，尤其是对于拖拽分析条件的理解。DSL（Domain Specific Language）是一个协议语言，用于描述数据分析条件，通常包括指标、维度、过滤条件、时间范围等。

  
  

• 解决方案：引入中间层：为了解决自然语言到 DSL 的直接转换困难，系统引入了 SQL（中间层）。这个中间层将自然语言转化为 SQL，再从 SQL 转换为 DSL，最后将 DSL 转换为前端指令，便于用户在数据分析工具中进行查询。

  
  

SQL 到 DSL 的转换流程

• SQL 解析和转换：在生成 SQL 后，系统会解析 SQL，将其转化为类似语法树的结构。这个过程中，系统会对 SQL 进行处理，提取出维度、指标、过滤条件、时间条件、排序字段等信息。

  
  

• 单层和多层 SQL 处理：
  单层 SQL：如果 SQL 是单层的，系统会进行 group by、having、where 等处理，提取出维度和指标，并应用过滤条件。
  多层 SQL：对于包含子查询的 SQL，系统会将每一层的字段通过别名连接起来，并最终生成完整的查询结构。
• 虚拟字段的使用：当 SQL 中包含特定平台的自定义函数或复杂逻辑时，系统会生成虚拟字段，用 SQL 语句来描述这些指标，并在查询时回填相应的数据。

  
  

DSL 层的设计

• DSL 结构：DSL 的设计主要包括指标、维度、过滤条件、时间条件、排序和限制条件等。此外，DSL 还封装了复杂的操作，如指标过滤、窗口函数、同比、环比等。

  
  

引入中间层的引申思考

• 引入中间层的好处：当从自然语言直接生成目标结果变得困难或效果较差时，引入中间层（如 SQL）可以使得系统更加灵活和高效。通过先将自然语言转化为 SQL，再从 SQL 转化为 DSL，最终生成前端指令的方式，能够更好地适应不同的数据产品和复杂的数据分析场景。

  
  

• 无损转换的挑战：在设计中间层时，要确保每一层的转换过程尽量无损，以避免在多次转换中丢失信息。例如，如果每一层都产生一定的损耗（如 0.9 的转化率），最终的结果将显著降低。系统需要在每一层的转换中尽量避免这种信息丢失，以确保最终结果的高质量。

  
  

8. 数据服务层的设计与实现

• SQL 类服务：这部分负责处理 SQL 相关的任务，包括解析、格式化和查询计划的生成。这使得系统可以动态地生成并执行 SQL 查询。
• 指标 HeadlessBI：该服务管理高质量的统一指标，确保分析的结果一致且准确。它支持基于用户定义的指标和维度进行查询，并提供有效的 SQL 表达形式。此外，它还能够识别并选择合适的数据源，确保查询效果最佳。
• 图表服务：图表相关的服务负责图表配置与推荐。当用户选择展示数据时，系统会推荐最适合的图表形式，如趋势图、饼图、柱状图等。这些服务减少了用户手动选择图表类型的复杂度，并提供了智能推荐。

9. 数据场景的抽象与意图识别

• 意图识别的增强：针对复杂数据查询的场景，系统会通过更智能的方式来识别用户意图。例如，如果用户询问某个指标（如腾讯视频 DAU），系统会根据当前的场景决定是生成 SQL 查询、展示一个图表还是直接给出数据分析结果。这个过程通过抽象不同的数据场景（如仪表盘、表格分析等）来增强意图识别的智能性。

  
  

• 数据场景抽象：不同的数据产品和平台可能有不同的数据展现形式，如仪表盘、表格等。系统通过抽象这些场景，帮助用户更自然地理解和使用数据分析功能，提升整体的用户体验。例如，用户不仅仅是提问数据结果，系统还能够根据用户的需求自动选择最合适的展示方式（表格、图表等）。

  
  

10. 对话式协议与数据交互

流式协议的应用：数据服务不仅支持传统的同步查询，还引入了流式协议以增强交互体验。常见的流式协议包括：

• SSE（Server-Sent      Events）：适用于需要一次请求多次响应的场景。例如，用户在文字生成 SQL 的过程中，系统会按找表、生成 SQL、SQL 解读等步骤返回。

• WebSocket：适用于双向通信的场景，如 SQL 补全过程中的实时反馈。用户在输入 SQL 时，系统可以根据用户的输入即时反馈相关信息或补全建议。

11. 监控与调试

• 监控链路：除了整体的统计监控外，系统还特别注重对每次请求的过程进行详细的耗时监控，确保在查询过程中及时发现和排查问题。通过监控每个环节的执行情况，能够更快速地定位性能瓶颈或出现错误的地方。

  
  

• 执行请求的追踪排查：为了便于后续的排查问题，系统会记录和输出执行请求的详细信息，帮助开发人员在出现问题时进行分析和调试。

  
  

12. 接入方式

• SaaS 服务：用户可以通过 SaaS 方式直接接入数据平台进行访问和处理。这样的设计减少了集成的复杂度，提升用户对 AI 应用一致性体验。

  
  

• 数据产品的接入方式：为了支持更多数据产品和平台的智能化改造，OlaChat 提供了多种接入方式，包括：

  页面组件：用户通过网页组件直接与 OlaChat 交互。

  API 接口：对于开发者或系统集成商，API 接口提供了更灵活的集成方式。

  独立部署：对于涉及敏感或隐私数据的场景，系统提供了独立部署的方式，确保数据安全和隐私。

• 云原生部署：OlaChat 已支持云原生部署。

05

未来规划

1. SQL IDE 的原生体验

• 目标：打造原生的 SQL 开发环境（IDE），让用户在编写 SQL 的过程中有更加流畅、智能和高效的体验。SQL IDE 是很多数据分析师和开发者日常使用的工具，因此优化这一工具至关重要。

  
  

• 深耕 SQL 场景：优化和增强用户在 SQL（可能指特定的 SQL 查询或分析环境）的使用体验，使之更加符合实际需求，减少学习曲线和成本，提升效率。

  
  

2. 数仓智能化

• 数据主题理解：通过深入理解数据主题，使得数据仓库（数仓）更加智能化。例如，系统可以自动识别数据弧中不同数据的主题，进而为用户提供更相关的分析建议。

  
  

• 任务链路推荐：在用户进行任务设计和数据开发时，系统能够自动推荐常见的任务链路，尤其是对于那些重复性开发的任务。通过智能推荐，减少用户的重复思考和开发，提升工作效率。

  
  

• 异常代码识别：系统能够识别那些看似可以通过编译，但在实际执行中可能会遇到的代码问题（比如，数据分布不均可能导致的性能瓶颈或者执行错误），并给予用户及时的提醒和修复建议，避免用户陷入隐性 bug 中。

  
  

3. 标注质量和效率的提升

• 自动化标注：在数据分析过程中，数据标注是非常重要的部分。系统希望通过自动化手段提升标注的质量和效率。通过自动化，能够提升数据标注的规模化效应，同时减轻人工标注的工作量。

  
  

4. 画布形态的引导式数据分析

• 引导用户分析旅程：在数据分析的过程中，系统会通过画布形态逐步引导用户的分析思路。用户一开始可能有一个大概的问题，系统会推荐多个方向或步骤，帮助用户逐步构建完整的数据分析流程。

  
  

• 并行推荐与分析：系统将支持数据的多路并行处理，并提供多种分析引导和推荐。这不仅能帮助用户发现更多可能的分析路径，还能在复杂的分析过程中，提供更多的决策支持。

  
  

5. 短期内的规划总结

• 短期内，以上这些规划将集中在优化用户在数据分析过程中的体验，包括 SQL IDE 的升级、数据仓库智能化的推进等方面。通过这些改进，系统能够更好地支持数据开发与分析工程师的工作，提高分析效率，并带来更加智能化的分析体验。

  
  

问答环节

1. 指标查询覆盖不全的解决方案

• 微调模型：首先，生成的 SQL 是基于微调的混元大模型（例如在现有大模型的基础上进行微调），从而确保模型在特定场景中的表现更好。
• 补全引导：针对用户输入的复杂 SQL，系统会逐步引导用户进行局部补全。比如在多层 SQL 查询中，系统会分层次地引导用户补全各层的 SQL 语句，最终生成完整的正确 SQL 查询。

2. 智能化 BI 的知识梳理和数据标注

• 领域知识：需要标注业务领域的知识，特别是数仓的主题层，即数据仓库中各个主题的具体定义。
• 数据源和 SQL 标注：除了业务知识外，还需要对原始数据字段、库表和 SQL 查询进行标注。
• 流程与模型训练：通过对这些标注数据进行系统化梳理和训练，可以帮助模型理解和应用这些标注数据，进而提升BI智能化的能力。

3. 前端指令层的解释

• 前端指令层：前端指令层用于处理不同平台的特定需求和约束。例如，某些平台可能会校验权限，或限制某些指标是否可以展示在某些位置。通过将这些平台的规则封装成指令层，可以确保统一的指令逻辑适应不同的平台要求。
• 数据场景与映射：针对不同产品和平台的数据场景，系统会进行映射或转换。例如，在进行数据展示时，不同平台可能有不同的数据场景定义，因此需要在系统中进行灵活的配置和映射。

4. 如何适配多个产品平台而不进行定制开发

• 通用性设计：为避免对每个平台进行完全的定制开发，系统会设计通用的框架和钩子（回调机制），使得各个产品可以根据自己特有的需求，灵活地实现必要的自定义功能，而不需要修改通用的系统逻辑。

5. 与 DBGBT 的对比

• 不同的专注点：本系统主要面向数据分析领域，尤其是在分析场景和数据仓库构建方面具有优势，而 DBGBT 更侧重于特定的数据处理和生成领域。
• 架构和通用性：本系统的架构偏向于通用数据处理，能够适应不同的数据分析和数据仓库的构建需求，相比之下 DBGBT 可能在某些方面较为专注。