引言

隨著大語言模型（LLM）的爆發，ChatBI（對話式商業智能）成為數據分析領域的熱門方向。用戶僅需用自然語言提問，系統即可自動生成SQL并返回可視化結果。在眾多技術路線中，NL2DSL2SQL（自然語言 → 領域特定語言 → SQL） 因其在可控性、準確性和可維護性上的優勢，正被越來越多的產品采用。本文將梳理采用該路線的典型ChatBI產品，分析其市場成熟度，并探討技術開發中的關鍵點。

一、什么是NL2DSL2SQL？

• NL2DSL：將用戶自然語言問題轉化為領域特定語言（DSL）。DSL通常由產品自定義，用于描述查詢意圖、指標、維度、過濾條件等，例如JSON或類SQL的結構化表達。
• DSL2SQL：將DSL進一步翻譯為可執行的SQL，由底層查詢引擎執行。

相比直接NL2SQL，該路線優勢明顯：

1. 降低歧義：DSL作為中間層，約束了語義空間，LLM只需生成結構化的中間表示，減少直接生成復雜SQL的語法錯誤。
2. 易于校驗與優化：DSL可被人工審查、修改，并可注入業務規則（如指標口徑、權限）。
3. 與語義層解耦：DSL可與現有語義模型（如LookML、Cube.js）對接，復用已有指標定義。

二、采用該路線的主要產品及成熟度

目前，嚴格公開宣稱“NL2DSL2SQL”的產品并不多，但許多ChatBI在架構上實際采用了類似思想。以下基于公開資料和行業調研歸納典型代表：

1. 網易有數 ChatBI

• 技術路線：借助自研的NL2DSL引擎，將問題轉為“查詢DSL”，再基于語義層生成SQL。DSL包含指標、維度、過濾、排序等元素。
• 市場成熟度：已在網易內部及多個外部客戶落地，支持多輪對話、自動糾錯，成熟度較高，屬于國內第一梯隊。

2. 數勢科技 SwiftAgent

• 技術路線：采用“指標平臺+NL2DSL”架構，用戶問題先映射到指標平臺的DSL（指標、維度、時間范圍等），再生成SQL查詢底層數據倉庫。
• 市場成熟度：專注金融、零售等行業，產品化程度高，已獲得多家頭部客戶，成熟度中等偏上。

3. 觀遠數據 ChatBI

• 技術路線：基于“語義層+LLM”實現，先將自然語言轉為觀遠特有的分析DSL（類似JSON），再解析為SQL。DSL支持復雜的計算邏輯和權限控制。
• 市場成熟度：在零售、消費行業有較多案例，產品迭代較快，成熟度中等。

4. 微軟 Power BI Copilot

• 技術路線：雖然官方未明確使用“NL2DSL2SQL”術語，但其架構包含“語義模型”層。Copilot將用戶問題轉為對語義模型的操作（可視為一種DSL），再由DAX或SQL執行?？烧J為是該路線的變體。
• 市場成熟度：依托Power BI龐大生態，已全面商用，成熟度極高，但中文場景支持相對較弱。

5. Tableau Pulse / Ask Data

• 技術路線：Ask Data將自然語言轉為可視化查詢（VizQL），VizQL可視為一種DSL，再生成底層查詢。Pulse則更強調指標監控。
• 市場成熟度：全球范圍內成熟度高，但Ask Data已逐步被Pulse取代，且對復雜SQL的支持有限。

6. 百度 Sugar BI ChatBI

• 技術路線：基于文心大模型，先解析為查詢意圖DSL，再生成SQL。強調與百度智能云生態集成。
• 市場成熟度：在國內有一定客戶基礎，成熟度中等。

7. 其他

• 帆軟 FineChatBI：采用“ FineDSL ”中間層，支持指標、維度、過濾等，已發布多個版本，成熟度逐步提升。
• 火山引擎 DataLeap ChatBI：內部使用NL2DSL2SQL，結合數據地圖和語義層，目前主要在字節內部及部分外部客戶試用。

三、市場成熟度總覽

| 產品 | 技術路線明確度 | 商用程度 | 行業覆蓋 | 成熟度評級 |
|------|--------------|---------|---------|-----------|
| 網易有數 ChatBI | 高 | 廣泛商用 | 多行業 | 高 |
| 數勢科技 SwiftAgent | 高 | 商用 | 金融、零售 | 中高 |
| 觀遠數據 ChatBI | 中高 | 商用 | 零售、消費 | 中 |
| Power BI Copilot | 變體 | 全球商用 | 全行業 | 極高 |
| Tableau Pulse | 變體 | 全球商用 | 全行業 | 高 |
| 百度 Sugar BI | 中 | 商用 | 國內多行業 | 中 |
| 帆軟 FineChatBI | 中 | 逐步商用 | 國內多行業 | 中 |
| 火山引擎 DataLeap | 高 | 內部+試用 | 互聯網 | 中低 |

NL2DSL2SQL路線在國內市場已進入商業化早期，頭部產品在特定行業有標桿案例；國際市場則多以大廠生態的變體形式存在，成熟度更高但技術術語不統一。

四、技術開發關鍵點

若企業計劃自研采用該路線的ChatBI，需重點關注以下環節：

1. DSL設計

• 需平衡表達力與簡潔性。DSL應覆蓋指標、維度、過濾、排序、時間粒度、同環比等常見分析操作。
• 建議采用JSON Schema，便于LLM生成和代碼校驗。

2. NL2DSL的Prompt工程與微調

• 使用Few-shot示例引導LLM輸出合法DSL。
• 可基于業務數據微調小型LLM（如7B模型），提升意圖識別準確率。
• 引入意圖澄清機制，多輪對話中補全缺失信息。

3. DSL2SQL的編譯器

• 將DSL轉換為SQL時，需適配不同數據庫方言（MySQL、PostgreSQL、ClickHouse等）。
• 支持語義層映射：例如DSL中的“銷售額”自動替換為SQL中的SUM(price*qty)。
• 內置SQL優化器，避免全表掃描。

4. 語義層與元數據管理

• 構建統一的指標平臺，定義原子指標、派生指標、維度、權限。
• DSL應引用語義層中的唯一ID，而非硬編碼表名。

5. 結果校驗與反饋閉環

• 對生成的DSL進行語法和語義校驗（如指標是否存在）。
• 引入用戶反饋按鈕（“結果是否正確”），持續優化模型。

6. 性能與緩存

• 常用問題的DSL可緩存，避免重復LLM調用。
• 對LLM進行異步調用和流式輸出，提升交互體驗。

五、

NL2DSL2SQL在ChatBI中正成為一種務實的選擇：既利用了LLM的語義理解能力，又通過DSL中間層保證了可控性和可維護性。目前，國內市場以網易有數、數勢科技等為代表的產品成熟度較高，而國際巨頭如微軟、Tableau則以變體形式實現了大規模商用。技術開發的核心挑戰在于DSL設計、語義層建設與LLM調優——這絕非純算法問題，而是工程、數據與業務的深度結合。隨著語義層標準化和LLM能力提升，該路線有望成為ChatBI的主流架構。