近期在QCon全球软件开发大会上，阿里云智能集团瓴羊高级技术专家王璟尧以「从数据到决策：AI驱动的Quick BI架构设计与实践」为主题，系统阐述了大模型如何从底层架构到用户体验，全面推动Quick BI从「数据执行」迈向「智能决策」，深入解析了Quick BI在自研领域模型与通用大模型协同融合下，构建AI与BI深度集成的技术路径，为智能BI的发展提供了实践范式。
01
技术范式跃迁：
从「取数工具」到「决策智能体」
“所有产品都值得用大模型重做一遍，BI产品也不例外。”
王璟尧认为，大模型打通了自然语言与数据语言之间的鸿沟，催生出智能搭建（Copilot）、智能问数（ChatBI）、洞察分析（Insight）、决策智能（Decision Intelligence）等多种能力形态。从数据连接到分析决策，BI的每一个环节都具备被大模型重塑的可能。而要打造真正意义上的企业级智能BI，关键在于构建“通用大模型 + 企业私域数据 + BI工具”三位一体的技术架构，实现认知智能与业务理解的深度融合。
*大模型驱动的业务落地方向
在实践中，瓴羊基于成熟的大模型平台，训练出专注BI领域的专属模型，并结合全面的产品能力，构建出AI与BI深度融合的最佳路径。
在智能搭建方面，Quick BI 通过微调NL2API指令识别系统，将大模型作为自然语言与前端API之间的“中介”，用户输入指令即可完成高频、复杂的交互操作。
在洞察分析方面，Quick BI 通过内置算法、大模型解读与外部Agent接入的完善，助力用户深入理解数据趋势、识别指标异动，并追溯背后的业务逻辑，实现从“看见数据”到“看懂数据”的跨越。
在智能问数方面，Quick BI 则实现了轻量模型与通用大模型的灵活协同：基础问答由小模型快速响应，关键节点则引入大模型深度推理，确保语义理解准确、问数体验自然，让“问数据”真正变得如与人对话般自然、高效。
“我们对大模型的态度是开放的，会同时使用通用模型和领域模型，将他们放置到最合适的位置上。”
王璟尧表示，瓴羊通用大模型与自研领域模型的混合流程设计，可以“让模型能知道怎么跟BI系统打交道”，“让BI系统能读懂模型的返回”，同时借助强大的产品能力基座，让AI与BI“双剑合璧”，释放数据真正的价值。
*通用大模型与自研领域模型的混合流程设计
为了实现更强的数据分析与交互能力，Quick BI还聚焦BI Agent，依据任务规划->工具选择->工具使用->任务拆解后的递归执行->最终反馈生成的逻辑，探索更多数据智能场景的扩展与落地。
*BI+Agent：更多BI领域的工具
02
工程架构设计：
如何让大模型听懂企业数据语言？
作为 Quick BI 在大模型驱动下的智能化落地产品集合，智能小Q确定了企业级、开放性、多场景、拓展性四大标准，融合了建模、分析、加速、渲染四大核心引擎，分层构建起从底层 BI 引擎基座、自研领域模型层，到 AI 中间层与应用层的完整架构体系，为智能BI的规模化部署与复杂场景适配奠定了坚实基础。
“架构设计上，Quick BI 实现了从 NL2DSL 到 NL2SQL2DSL，再到混合模型的逐步演进，可谓是吸收各个路线的优势。”
王璟尧指出，即使用户问出相对复杂的问题，智能小Q也可以经过模型的复杂链路处理，发给查询引擎进行取数，确保语义理解的专业性与稳定性。这一工程链路解决了传统NL2SQL面临的关键问题，保障了问数功能的可用性、可信度与交互性。
03
算法黑箱破局：
拆解复杂任务，让智能更安全可控
大模型驱动的数据分析不是一锤定音的“黑盒”，而是可规划、可拆解、可干预的“任务链”。在最重点的NL2SQL算法领域，Quick BI 面临挑战主要集中在以下三个方面：1）自然语言的模糊性，需要进行精确化映射；2）语言的结构化，需要结构和逻辑整体正确；3）用户输入信息的不完整性，需要结合隐藏信息进行补充。
*NL2SQL算法的挑战
为应对这些挑战，瓴羊Quick BI在模型训练前对目标效果进行了明确定义与系统化预演，从源头构建“好助手”的能力画像。
“理想的数据分析助手不仅要具备‘有效’、‘准确’的风格，还应具备一气呵成处理复杂任务的能力。”
在王璟尧看来，在大模型层面必须拥有高度稳定的基础表现、专业贴合的分析思维，以及良好的任务规划与自我矫正能力，确保用户在可理解、可参与的流程中实现高质量的数据洞察与决策支持。
这一从“问数”到“答策”的智能跃迁，关键在于领域大模型的深度训练。只有为模型输入足够多维、足够准确的信息——包括任务描述、表字段信息、企业知识库、历史样例等，才能使其生成符合 Quick BI 风格的抽象 SQL 代码，让自然语言真正成为高效的数据分析工具，推动智能 BI 从执行工具走向决策智能体。
*一个问数问题的大模型旅程
然而，随着问数场景日益复杂、用户意图愈加多元，基于DSL语义的训练样本构建成本不断攀升。为此，Quick BI 推出了基于 BI 引擎的 NL2SQL 算法，借助丰富的算子函数、可组合的多步计算逻辑、灵活的增强SQL语法以及高质量样本数据，构建起稳定可控的语义转化机制，极大降低了训练与推理门槛。
“我们并非直接认知世界，而是通过语言结构去理解它。”
现场，王璟尧还引用了维特根斯坦的观点所言，认为大模型只有构建起一套清晰、简洁、稳定的“分析语言”，模型才能有效认知数据逻辑、输出精准指令，基于BI引擎的NL2SQL算法满足了这一需求，“它既能巧妙利用通用模型的能力，又能大大降低训练样本的准备成本，串联起复杂查询意图到取数流程”，真正让智能 BI 具备「听得懂、答得准、推得深」的关键能力。
04
场景价值爆发：
多智能体协同的BI未来
当前，大模型驱动的 Quick BI 已在快消、零售、饮品等多个行业实现落地突破，智能能力逐步走向业务一线。
“智能小Q可以在SaaS版本上自助购买和开通，几乎零门槛使用，同时也支持私有化部署和交付。”
据王璟尧介绍，在某饮品行业客户的实践中，Quick BI 通过模型能力强化与指标体系扩展，将问数准确率从 65% 提升至 92%，验证了其在真实业务场景下的智能分析与精准决策能力。
随着 AI 与 BI 的深度协同不断推进，诸如数据现状感知、问题诊断归因、方案知识调用等原本割裂的能力，正在大模型的统筹下实现有机整合、智能联动。
当 BI 不再只是查询与报表的工具，而成为真正可理解业务、可指导行动的「数据智能体」，瓴羊Quick BI 正在通过技术架构的重构与产品能力的延展，推动智能 BI 向更高阶形态演进。最终，将“人人都是数据消费者”的愿景，转化为企业数字化转型的现实生产力。
