贝壳商机平台利用NL2SQL技术优化指标查询

快速阅读: 门店商机管理助手推出，采用Chat交互与GUI可视化结合模式，提供实时业务指标咨询、数据解读及策略建议，助力店东优化管理流程，提升商机转化率，推动业绩增长。

门店商机管理助手是专为店东设计的智能化管理工具。该工具整合门店经纪人在作业过程中的关键指标数据，并结合客户沟通场景的深度数据挖掘，实现多维度对比分析，精准定位业务薄弱环节。基于数据分析结果，系统输出针对性建议和举措，帮助店东有效管理经纪人，优化作业流程，提升专业服务能力，提高商机转化率，推动门店业绩增长。

门店商机管理助手采用“Chat 交互 + GUI 可视化”混合模式，支持智能对话引擎提供实时业务指标咨询、数据解读及策略建议，如经纪人作业优化方案、客户沟通话术指导等。同时，图形用户界面打造可视化数据看板，直观展示经纪人作业过程指标，如商机、转化、客户解读等。这种“对话式交互 + 可视化分析”的双引擎模式，帮助店东兼顾动态决策的灵活性与数据管理的精准性，实现从“数据洞察”到“业务优化”的全流程效率提升。

在门店商机管理助手中，作业指标查询是核心能力模块，依托商机指标平台构建的标准化数据底座，实现指标建模、加工到数据存储的标准流程。作为工具的数据根基，指标平台不仅提供指标数据，还提供指标字典和元数据定义。作业指标查询功能结合 Chat 智能交互引擎，系统自动响应自然语言查询指令，如“查询门店转带看率周环比”，并输出优化建议，形成“数据查询 – 智能分析 – 策略生成”的闭环能力，确保店东基于精准数据驱动业务决策，夯实商机转化的过程管理。

### 作业指标查询 – NL2SQL 通用方案对比

NL2DSL 通过语义解析将自然语言查询转换为中间层领域特定语言（DSL），再由 DSL 映射生成目标 SQL 语句。例如，自然语言“查询 Q2 XX 门店带看量 Top10 的经纪人”转换为自定义 DSL 后，生成对应 SQL 语句。

NL2SQL 则直接将自然语言查询映射为数据库操作语言（DML），即原生 SQL 语句。例如，自然语言“查询 2025 年 6 月商机量超过 100 的经纪人”直接生成 SQL 语句。

### NL2SQL 实践

#### 3.1 方案选择

在构建自然语言查询能力的过程中，我们选择了基于 NL2SQL 技术方案，主要基于以下考虑：

1. **应用场景灵活**：自然语言查询具备良好的通用性和可扩展性，用户可以通过一句话完成复杂查询，如“查询昨天北京 ccc 门店的带看量”、“近 7 日转化率趋势”等，无需深入了解字段、表结构和查询语法。

2. **良好基础设施支撑**：商机指标平台基于 Apache Doris 数据仓库构建，具备统一的数据存储引擎、清晰的指标字段映射、标准化的数据维度和简化的 JOIN 逻辑，极大提升了 NL2SQL 方案的实施可行性和准确率。

#### 3.2 难点及解决方案探索

##### 3.2.1 难点

– **自然语言复杂性**：NL2SQL 准确率问题，如何准确定位多张表的多个字段？

##### 3.2.2 解决方案探索

1. **增强语义理解**

– **指代消歧**：系统结合当前查询上下文、字段使用频率、实体别名等方式进行判别，例如“查询昨天谁的商机量最多”解析为“查询昨天哪个经纪人的商机量最多”。

– **多轮对话承接与补全**：对于多轮查询，系统需承接历史语义补全主体和指标上下文，如用户首次提问“查询张三商机量”，后续接着问“那他最近 7 天趋势呢？”。

– **错误纠正与引导推荐**：当用户提问超出系统支持指标集合或维度组合时，系统反馈建议，如“暂不支持‘业绩波动指数’指标，可查询‘门店业绩总额’、‘门店环比增长率’等”。

2. **提升 SQL 生成准确率**

– **构建指标知识库**：为每个业务指标维护其名称、口径定义、所依赖字段、所属表、维度限制等信息，系统通过召回相关指标生成 SQL 模板。

– **处理衍生指标**：维护计算公式，解析依赖字段及所属表信息，生成 SQL 语句。

– **时间格式规范化**：将用户自然语言中的模糊时间统一转换为 Doris 兼容时间格式。

– **Few-shot 示例增强**：构建覆盖常见场景的问题-SQL 对，以 few-shot 方式加入 Prompt，提升大模型泛化能力与结构一致性。

3. **SQL 风险控制**

– **类型限制**：仅支持 SELECT 语句执行，禁止更新、插入、删除操作，防止 SQL 注入与数据污染。

– **语法与语义校验**：执行前进行 SQL 语法解析与语义验证，确保所有字段在表结构中存在、语义逻辑合理。

– **默认限制与提示**：时间范围控制，若用户未明确限定时间段，系统默认设置最近 7 天或当月范围；结果数量控制，若查询未设置 LIMIT，系统自动添加 LIMIT 100 以限制数据返回量。

– **查询计划分析与反馈**：系统调用 Doris EXPLAIN 语句分析执行计划，若出现全表扫描、索引缺失等问题，给予提示并建议优化查询方式。

4. **MCP Server 支持 – 降低维护成本**

– 基于上述方案实现 workflow 执行流程，简化人工拆解和编排工作。

LLM与MCP Server通过工具链协同和任务流程优化，显著提升了NL2SQL的性能和可靠性。LLM将人为任务拆解流程自动化，通过COT方式拆解和执行任务。

MCP Server提供多种工具，提升SQL生成质量和取数逻辑：

– `get_schema`：提供Doris表结构信息，帮助NL2SQL准确映射用户意图到字段。

– `sql_query`：执行SQL，返回查询结果。

– `sql_valid`：通过语法和语义校验，确保生成的SQL合法且安全，防止无效查询或SQL注入。

– `sql_explain`：分析SQL执行计划，识别潜在性能瓶颈，并建议优化策略。

MCP Server结合LLM的Function Calling+ReAct和Chain-of-Thought能力，优化SQL生成策略：

– Function Calling：LLM通过调用MCP Server的工具接口，动态获取元数据和校验结果，提升生成准确性。例如，LLM调用Schema接口确认字段类型，确保时间格式正确。

– COT：通过分步推理，LLM自动调整SQL生成策略。例如，面对复杂查询，COT将其分解为子任务，提高查询质量。

– 性能优化：结合执行计划分析，自动添加性能优化条件，避免低效查询。

LLM与MCP Server的结合，将人为任务拆解流程自动化，通过COT方式实现自动化分步推理，有效解决了NL2SQL中的语义理解、表关联和查询优化难题，实现了从自然语言到高效SQL的智能转换。

为了全面测评NL2SQL的可靠性，我们参考了业内通用评价体系：精确匹配率和执行正确率。

– 精确匹配率（EM）：衡量生成的SQL是否与标准答案完全一致。这是一个严格的度量标准，但并不总是反映实际效果。

– 执行正确率（EX）：只要两个查询在相同输入下产生相同的输出结果，就被视为成功。这种方法更能体现功能上的等效性。

以上评价体系都不能更精准地测评NL2SQL的准确率。为了提高EM，我们将SQL拆解成多个模块进行对比分析，达到SQL逻辑一致的效果，最终得到测评结果。

我们设计了多样化的评测集，全面覆盖商机指标查询场景，包含问题构建和Golden SQL构建。

– 问题构建：评测集分为三类查询，覆盖简单到复杂的场景：

– 简单查询：明确的时间、指标和维度，代表基础查询需求。

– 中难度查询：涉及指标环比、指标趋势、Top排行等，需处理复杂逻辑。

– 语义问题查询：包含指代消歧和模糊问题，测试语义理解能力。

– Golden SQL构建：为每个查询提供标准SQL，需验证其准确性和性能。Golden SQL存储在评测集中，作为评测基准。

NL2SQL评估通过SQL模式对比算法进行对比，判断SQL执行的逻辑是否相同，并通过SQL执行引擎判断SQL的执行结果是否符合预期。只有两个完全一致才符合要求，否则将进行人工评估。最终，系统和人工评估结果显示，在商机指标查询场景中，准确率可达93%。

LLM与MCP Server通过工具链协同（Schema感知、SQL验证、执行计划分析）和任务流程优化（Function Calling、COT），显著增强了NL2SQL在商机指标平台中的性能和可靠性。COT方式将人为任务拆解流程自动化，解决了语义理解、表关联和查询优化难题。语义对齐（指代消歧、纠错提示、领域知识补充）、准确率提升（指标知识库、衍生指标、时间规范化、Few-Shot）和SQL风险控制（注入防控、性能优化）确保了查询的准确性、安全性和高效性。NL2SQL评测通过多样化的评测集（简单查询、中难度查询、语义问题查询）和模块化拆解（SELECT、FROM、WHERE等），结合EM（精确匹配率）、EX（执行正确率）和模块准确率，精准验证了系统的性能，综合准确率达93%。相较于NL2DSL，NL2SQL开发成本低、生态成熟，完美适配单一Doris集群、指标直接映射的场景。

为进一步提升NL2SQL的适用性，我们计划在以下方向持续探索：

1. 指标RAG（Retrieval-Augmented Generation）：

– 目标：构建更智能的指标检索和生成机制，通过RAG技术增强LLM的上下文理解能力。

– 实现：将指标知识库与向量数据库结合，基于用户查询检索最相关指标、表结构和计算公式，动态注入LLM的提示词。

– 价值：RAG可减少对预定义规则的依赖，增强对复杂指标和动态口径的处理能力，适配多变业务场景。

2. NL2SQL模型微调：

– 目标：通过领域特定数据微调LLM，提升商机指标查询场景的适配性。

– 实现：收集更多用户查询-SQL对数据集，结合评测集中的复杂查询（如环比、Top排行、语义问题），优化指代消歧、术语解析和SQL生成质量。

– 价值：微调后的模型将更精准理解业务术语和复杂逻辑，提升EM和EX指标。

3. COT对复杂查询任务的拆解和执行：

– 目标：进一步优化COT推理，处理更复杂的查询场景（如多表关联、嵌套子查询、动态口径）。

– 实现：通过设计更细粒度的COT模板，将复杂查询拆解为更小的子任务，并结合MCP Server的工具链动态调整执行策略。