DECISION 01
一期要覆盖所有报表需求，还是先验证管理者问数？
先服务管理者的高价值问数需求
聚焦打通自然语言取数链路，先稳定满足高价值诉求，暂不把产品扩展成通用 BI。
为什么这样判断
安检进度、风险分布等数据查询是运营管理者的高频需求，同时管理者的问数诉求价值更高；在项目前期，打通链路、提升稳定性，可以为后续横向扩展奠定坚实基础。
带来的结果
形成边界清晰、可验证、可扩展、可持续优化的 MVP 范围。
返回项目总览
项目档案
燃气安检智能问数Agent
我的角色AI 产品经理
30 秒项目结论
面向企业管理人员的智能问数产品，把自然语言问题转成受权限约束、可校验的查询结果，并支持指标解释与多轮追问。
要解决的问题
燃气安检数据分散，临时取数依赖数据团队；管理者难以快速追问、跨层级比较并下钻定位异常。
直接用户
- 企业管理人员
- 安全与运营管理角色
01 / KEY DECISIONS
产品能力，
藏在决策里
这里不复述功能列表，而是记录当时面对什么问题，选择怎么解决，以及为什么这样选择。
DECISION 02
如何降低模型只凭业务语言猜表、字段和字段值的风险？
用元数据知识约束 SQL 生成
通过元数据构建对底层数据库的理解，同时配合用户语言等信息，为模型提供可消费的结构化数据上下文。
为什么这样判断
用户语言与底层数据结构之间存在巨大鸿沟，模型需要的不是用户的自然语言，而是执行查询所需的数据口径。
带来的结果
将模型生成约束在可控范围内，SQL 生成正确率达到 85.9%。
DECISION 03
出现问题时，如何归因和持续优化？
构建全链路评测体系和上线后纠错回流能力
按智能体链路构建多层指标，出现问题时从后往前依次排查定位原因；支持用户在线纠错，并把纠错过程沉淀为高价值样本。
为什么这样判断
单一成功率无法定位失败原因；智能体产品上线后仍然需要业务数据进行持续迭代。
带来的结果
完善评测体系和数据闭环，使智能体可评测、可诊断、可持续优化。
DECISION 04
作为数据产品，怎么让用户信任输出结果？
构建多层信任维护机制
上线前，通过评测和链路优化提升任务成功率；上线后，提供结果解释和纠错能力。
为什么这样判断
量化智能体效果，让用户在使用前对其能力有具体感知；结果可解释能力让用户明白数据从哪里来，出现错误时也能即时纠正。
带来的结果
90% 以上的准确率提升使用意愿；结果释义增强用户对输出的信任，纠错机制让产品更加可控。
Agent execution map
从问题判断到反馈沉淀
先判断请求是否可答、是否越权，再组织生成 SQL 所需的业务上下文；数据库校验只负责发现结构问题，语义正确性仍需结果评测。
意图与权限
识别问数、澄清或拒答，并约束可查询的组织范围。
输出：可执行请求知识召回
分别召回指标口径、业务字段与过滤条件真实值。
输出：召回信息上下文构建
合并、补齐、结构化并过滤召回信息，整理成模型可消费的上下文。
输出：结构化上下文SQL 生成
结合问题、元数据、权限与会话状态生成查询。
输出：候选 SQL校验与修正
使用 EXPLAIN 发现表、字段与结构错误，失败后最小修正。
边界：不证明业务语义执行与结果
执行通过校验的查询，并把数据整理成可解释结果。
输出：问数答案反馈沉淀
记录用户纠错与失败样本，进入后续评测和优化。
回流：高价值样本
02 / RESULTS & STATUS
可量化的结果
在上线前，量化智能体性能，提高用户对产品的信任度。
SQL 生成正确率
67/78（85.9%）- 指标说明
- 78 个进入 SQL 生成链路的离线测试样本
全链路结果准确率
119/132（90.2%）- 指标说明
- 132 个高价值问题的全链路离线测试样本
边界与下一步验证
BOUNDARIES & NEXT STEPS
边界与下一步计划
明确边界
- 目前仅在一定程度上解决了取数慢、穿透难的问题，归因难的痛点尚未解决。
- 产品一期仅覆盖部分高频问题，不承诺回答任意企业数据问题。
下一步计划
- 业务上：增加支持问题归因能力，扩展支持的业务语义范围。
- 功能上：增加长期记忆功能，如情景记忆和语义记忆。
- 用户体验上：提高响应速度和回答专业性，依赖纠错机制和用户记忆持续优化智能体性能。
OPEN TO OPPORTUNITIES
如果您感兴趣，
我们可以从一次对话开始
邮箱：
guoq_667@163.com
公开主页仅保留邮箱。完整简历可在建立联系后提供。