一、项目背景

在数字化转型浪潮下，银行业对数据驱动决策的需求日益迫切，数据已成为支撑业务创新、风险防控与精细化运营的核心生产要素。然而，传统数据分析模式存在多重瓶颈，严重制约数据价值释放，成为银行数字化转型的关键阻碍，具体表现为：

一是语义理解偏差，查询精准度低。传统 NL2SQL 技术直接将自然语言转化为 SQL 语句，在复杂业务场景中，易因业务表述模糊、术语歧义生成错误查询逻辑；且缺乏行业专属语义支撑，对银行业专业术语理解不足，导致查询结果与实际需求偏差，影响决策准确性。

二是用数效率滞后，交互体验不足。业务人员获取数据需依赖 IT 团队开发报表或操作复杂 BI 工具，响应周期长达数天；传统系统多为 “单次查询-单次响应” 模式，不支持多轮交互与一题多问，如追问 需重新完整输入需求，且查询响应时间长，用户体验感差。

三是场景覆盖有限，专业适配不足。传统系统多聚焦单一业务领域指标，无法覆盖财务、风险、监管等全场景需求，业务部门需切换多套工具获取数据；同时缺乏银行业专属词库，非技术背景业务人员因 “技术门槛” 难以自主用数。

为破解上述痛点，推动数据服务从 “技术驱动” 向 “业务驱动” 转型，构建智能指标问数系统建设，以 NL2DSL2SQL 为核心架构，旨在构建 “精准、高效、易用” 的智能问数体系，实现 “人人会用数、时时用数” 的目标。

二、项目方案

1.系统架构

图1.系统架构图

依托行内小江智脑平台，搭建多智能体+工作流编排+多MCP服务的指标问数智能体，实现指标问数全流程智能化和高效化，各层及功能与技术支撑如下：

数据层：根据具体的业务场景指标平台整合财务类、监管类、客户类、风险类、运营管理类、业务类、信息管理类以及同业八类场景指标数据，为指标问答提供基础数据；结合指标数据以及历史业务咨询数据，构建银行业专业词库，并支持词库实时调整、实时生效，为意图理解提供支撑。

引擎层：依托小江智脑平台的Agent管理、工作流编排、MCP服务管理、长期记忆、大模型管理以及A2A管理能力，采用多智能体+工作流编排+多MCP服务协同技术路线，搭建意图澄清引擎（NL2DSL）、SQL转化引擎（DSL2SQL）、指标查询引擎（Doris）以及检索增强引擎（GraphRAG）。

能力层：主要意图澄清、Agent、图表生成包括三大能力，其中意图澄清主要包括错词识别、多意图识别、槽位填充、实体抽取以及多轮交互，将用户意图转化为DSL数据，其中语法树分析主要进行简单查询SQL的生成，提高整体的问答效率；Agent能力主要分为两类，一类是简单查询Agent、聚合查询Agent以及同业查询Agent用于用户意图中查询指标的类型的智能体，一类是DSL2SQLAgent用于将DSL结构化数据转化为SQL；图表生成能力主要包括折线图生成、饼状图生成、柱状图生成以及列表生成。

应用层：智能指标问数，让用户即问即答，快速了解指标数据情况；智能图表可视化，让用户更加直观、多维度的解读数据；意图识别，可以支持不同问答场景，精准解析用户诉求。

2.技术架构

图2.技术架构图

摒弃传统 NL2SQL 直接生成 SQL 的不稳定以及耗时长的问题，采用了NL2DSL2SQL技术架构，通过NLP技术实现分词、实体识别、关系抽取、意图理解MCP服务能力，将用户意图的转化为DSL结构化数据，依托大模型构建的查询操作类型智能体，用于用户查询操作类型判断，对结构化简单查询采用语法树分析方式转化为SQL，而对复杂业务查询依托大模型构建DSL2SQL智能体将DSL转化为SQL，以此降低DSL2SQL的平均耗时，并以Doris数据库为底座，构建指标查询MCP服务，提高数据查询的效率。

三、创新点

图3.智能问数工作流

1.多智能+工作流编排+MCP协作，实现查询精准与高效双提升

采用 NL2DSL2SQL 技术架构，先通过 NLP 技术构建意图澄清 MCP 服务，精准识别用户自然语言中的查询需求，将模糊或不完整的表述转化为标准化 DSL 语言数据，解决传统 NL2SQL 在复杂业务场景下语义理解偏差以及交互差的问题，并支持错词识别、多轮交互以及一题多问的场景。在此基础上，构建简单查询、聚合查询、同业查询三个智能体，针对不同问答类型实现需求精准提取，根据指标问答类型差异化匹配处理方式，对结构化查询采用语法树分析拆解逻辑，而对复杂业务查询启用 DSL2SQL 智能体自动生成精准 SQL，最终依托 Doris 数据库构建的指标查询 MCP 服务，实现查询响应时间从平均 18S 降至 6S，大幅提升数据获取效率。

图4.智能问数案例

2.多场景指标覆盖 + 多维度可视化，赋能业务全链路数据洞察

以业务需求为导向，覆盖财务指标、风险指标、业务指标、客户指标、运营管理指标、信息管理指标、监管指标及同业指标八大类业务场景，累计支持约 1000 个指标的数据问答需求，为不同业务部门提供精准数据支撑。同时，支持图表多维度可视化展示功能，可自动根据数据类型生成折线图、饼图、列表等多种图表，将枯燥的数字转化为直观的业务洞察，助力业务人员快速识别数据趋势、定位问题根源，为产品优化、营销策略调整、风险防控等决策提供可视化依据。

3.专属词库构建，夯实业务语境精准理解基础

针对银行业务术语专业性强、语境复杂的特点，系统专项维护银行业专属专业词库，涵盖银行名称类、机构名称类、产品名称类、日期类、通用类等多个维度，累计收录词汇约 10000 条。通过将专属词库与意图识别算法深度融合，智能体可精准理解业务人员的 “行话” 与特殊表述，避免因术语歧义导致的查询偏差，显著提升问答专业性与准确率，让非技术背景的业务人员也能轻松通过自然语言获取精准数据，真正实现 “人人会用数、人人能用好数”。

4.用户行为驱动迭代，构建 “数据反馈 - 模型优化” 闭环

引入用户行为埋点机制，实时收集用户在问答交互过程中的数据，包括查询语句、意图识别结果、满意度评价等信息，形成完整的用户行为数据集。基于这些数据，可精准定位意图识别算法的薄弱环节，针对性优化算法模型，持续提升查询意图匹配准确率。这种 “数据反馈 - 模型优化” 的闭环机制，能够不断适应业务人员的使用习惯与需求变化，逐步实现从 “被动响应查询” 到 “主动预判需求” 的升级，推动系统向 “更懂业务、更贴需求” 的方向持续进化，切实提升用户操作体验与业务支撑能力。

四、技术实现特点及优势

1.架构解耦，稳定性高

NL2DSL2SQL 架构通过 DSL 中间层分离业务语义与数据逻辑，避免传统 NL2SQL 直接生成 SQL 的 “黑箱” 问题，当底层表结构或业务规则变化时，仅需修改 DSL 定义，无需调整所有查询逻辑，稳定性高；同时支持多数据源兼容，新增数据源时无需重构架构，适配性强。

2.查询高效，成本可控

结合指标问数的查询类型，采用语法树分析+DSL2SQL智能体方式，实现DSL转化为SQL，并依托Doris 数据库实现亿级指标数据查询响应时间平均耗时控制在 6S 以内，实现 “效能提升、成本下降” 的双重目标。

3.交互友好，易用性强

支持多轮交互、一题多问、错词识别等功能，用户交互体验感好；图表的可视化展示，让用户更加直观的，多维度的了解数据，业务人员无需专业分析技能即可获取洞察，用数门槛显著降低。

4.持续优化，适配性强

用户行为反馈闭环使系统能动态适配业务变化，每轮迭代可针对性解决实际痛点；同时专属词库可随业务拓展持续扩容，确保系统始终贴合业务发展需求，避免 “上线即固化”。

五、项目过程管理

项目遵循的敏捷开发理念，分三个阶段推进：

一阶段建设（2025年8月-V1.0）：完成智能指标问数智能体搭建，上线意图澄清 MCP 服务、DSL2SQL智能体、指标查询服务、图表生成MCP服务功能；初步构建 6000 条专属词库，支持错词识别、多轮交互、一题多问场景，涵盖财务、风险、业务、客户、运营管理、信息管理、监管及同业八大类业务场景指标，并支持图表可视化展示，满足基础用数需求。

二阶段迭代（2025年9月-V2.0）：完善新增查询操作类型识别智能体，并新增语法树分析模块，实现简单查询的DSL转化SQL，以及DWS查询到Doris查询的迭代优化，实现指标问数平均响应时间的提升；专业词库扩容至 10000 条。

三阶段持续优化（2025年10月）：收集用户历史问答数据，优化近义词库，进一步提高意图问答准确性。

六、运营情况

智能指标问数系统正式上线以来，项目团队基于敏捷开发理念完成两轮版本迭代优化，已覆盖财务指标、风险指标、业务指标、客户指标、运营管理指标、信息管理指标、监管指标及同业指标八类指标场景，累计支持约 1000 个指标的数据问答需求；已维护涉及银行名称类、机构名称类、产品名称类、日期类、通用类等不同维度的银行业专属专业词库约 10000 条。截至目前系统累计响应用户指标查询超 1500 次，响应时间由平均18S提升到平均6S，意图识别准确率达85%，并支持错词识别、一题多问以及多轮交互等，并提供图表多维度可视化展示，助力用户直观洞察数据价值。实时收集用户问答交互数据，通过数据反馈持续优化意图识别算法模型，不断提升查询意图匹配准确率，进一步优化用户操作体验，推动系统向 “更懂业务、更贴需求” 的方向持续进化。

七、项目成效

1.查询效能与精准度双突破

截至目前，系统累计响应用户指标查询超 1500 次，依托语法树分析技术与Doris数据库的高效存储与计算，查询平均响应时间从平均 18S 提升至 6S，效率提升 67%；依托构建的银行专业词库以及不断优化，意图识别准确率达 85% 以上，支持错词识别、一题多问、多轮交互以及复杂查询（如多维度聚合分析），有效解决 “查询不准、响应慢” 的痛点，满足业务部门的用数需求。

2.业务支撑能力全面提升

已覆盖八类指标场景，具体包括财务指标、风险指标、业务指标、客户指标、运营管理指标、信息管理指标、监管指标及同业指标，累计支持约 1000 个指标的数据问答需求，并提供图表多维度可视化展示功能，助力用户直观洞察数据价值。

3.专业度与用户体验优化

已维护涉及银行名称类、机构名称类、产品名称类、日期类、通用类等不同维度的银行业专属专业词库约 10000 条，为精准理解业务语境、提升问答专业性奠定坚实基础，并支持错词识别、一题多问以及多轮交互等，有效满足日常数据查询需求。并且新增用户行为埋点机制，可实时收集用户问答交互数据，通过数据反馈持续优化意图识别算法模型，不断提升查询意图匹配准确率，进一步优化用户操作体验，推动系统向 “更懂业务、更贴需求” 的方向持续进化。

八、经验总结

智能指标问数系统建设的核心经验在于，始终以传统数据分析的 “语义偏差、效率低、场景窄、迭代慢” 四大痛点为导向，通过技术与业务的深度融合破解问题：以 NL2DSL2SQL 架构创新实现语义与数据解耦，采用多智能体、工作流编排与多 MCP 服务设计，保障系统稳定性与扩展性，为效能提升奠定基础；构建银行业专属词库与全场景指标体系，精准适配指标用数需求，真正降低非技术人员用数门槛；采用 “快速上线、小步快跑” 的敏捷迭代模式，分多个阶段聚焦核心目标逐步优化功能，降低建设风险并确保系统贴合实际需求；同时依托用户行为埋点机制构建 “数据反馈 - 算法优化” 闭环，持续优化意图识别精准度，提升用户的满意度。