OraAI
English 登录 预约产品演示
首页/技术文章与行业洞察/AI 如何自主生成 SQL 并验证结果

核心技术认知

AI 如何自主生成 SQL 并验证数据分析结果?

AI 自主生成 SQL 并验证分析结果,本质上不是让大模型直接根据用户问题编写一段 SQL,然后把数据库返回结果交给 AI 解读,而是建立一套 从业务理解、数据语义识别、SQL 生成、确定性执行到结果验证的 Agentic Data Analysis 闭环机制。

这也是 OraAI 与传统 ChatBI 最大的技术区别之一。

传统 ChatBI 更关注:如何把自然语言转换成 SQL。

OraAI 更关注:AI 是否真正理解了业务问题?生成的 SQL 是否符合业务定义?查询结果是否能够被数据事实验证?最终结论是否有充分证据支持?

OraAI 自主数据分析闭环
  1. 01. Understand用户问题理解与分析目标识别识别业务对象、时间范围、分析维度和决策意图
  2. 02. Discover数据资产发现与语义理解自主发现数据表、字段、关联关系、业务定义及数据样本
  3. 03. Generate分析逻辑推理与 SQL 生成确定指标口径、关联路径、过滤条件及聚合逻辑
  4. 04. Execute确定性 SQL 执行权限校验、SQL 静态检查、数据库执行与结果返回
  5. 05. Verify数据事实与业务逻辑验证独立复算、数据质量检查、口径一致性及异常检测
  6. 06. Explain & Decide分析结论、证据追踪与决策建议输出结论、原因、影响因素、可信度和数据依据

核心原则:AI 负责理解与推理,数据库负责计算,验证机制负责保证结果可信。

一、第一步:AI 如何理解用户问题?

用户通常不会使用数据库语言提问,而是使用业务语言。

例如:

为什么今年第三季度销售额下降了?主要是哪些产品、地区和客户造成的?

这不是一个简单的 SQL 查询问题,而是一个需要自主规划的分析任务。

AI 首先需要将问题拆解为可执行的分析目标。

分析要素AI 需要识别的内容
分析对象销售订单、销售明细、客户、产品
核心指标销售额、订单数量、平均客单价
时间范围今年第三季度
对比基准去年第三季度、今年第二季度
分析维度产品、地区、客户、销售人员
分析目标找出销售下降的主要驱动因素

这里最重要的是:不能让 AI 在没有理解业务定义的情况下直接生成 SQL。

例如,销售额究竟是:

  • 订单含税金额?
  • 实际支付金额?
  • 扣除退款后的净销售额?
  • 扣除折扣、运费后的销售收入?

不同企业对同一个指标可能有不同定义。

因此,OraAI 需要先从数据资产、业务知识和实际数据中识别业务语义,再确定 SQL 的计算口径。

二、第二步:AI 如何自主发现和理解数据?

这是 AI 数据分析中最容易被低估的环节。

企业数据库通常存在以下情况:

  • 多个数据库,多个 Schema。
  • 同一个业务对象分散在不同数据表。
  • 字段名称不规范,甚至只有英文缩写。
  • 表之间存在复杂关联。
  • 数据库字段定义与实际业务含义不一致。
  • 同一个指标可能存在多种计算方式。

AI 需要通过数据发现机制,建立对企业数据的理解。

1. 数据结构发现

首先通过数据库元数据获取:

  • Database / Schema / Table
  • Column / Data Type
  • Primary Key / Foreign Key
  • Index / Relationships
  • Table Comments / Column Comments

例如:

数据表字段初步识别含义
ordersorder_id订单编号
orderscustomer_id客户编号
ordersorder_date订单日期
order_itemsproduct_id产品编号
order_itemsquantity销售数量
order_itemsunit_price商品单价

2. 数据样本理解

仅靠字段名称和数据库注释是不够的。

AI 还需要读取经过权限控制和脱敏处理的样本数据,理解真实的数据分布和业务含义。

例如:

order_status实际样本
1已完成
2已取消
3已退款
4待付款

AI 可能发现:

  • order_status=1 才代表有效销售订单。
  • 退款订单不能直接计入销售额。
  • 订单表中的金额可能包含运费。
  • 商品明细表的金额需要考虑数量和折扣。

这些信息无法仅通过数据库 Schema 完整获得。

3. 自动形成数据语义

AI 将结构信息、样本信息和业务知识结合起来,形成可复用的数据语义资产。

例如:

dataset: sales_analysis

entities:
  - orders
  - order_items
  - customers
  - products

metrics:
  net_sales:
    description: 净销售额
    formula: >
      SUM(quantity * unit_price - discount_amount)
    filters:
      - order_status = 1

dimensions:
  - product_category
  - region
  - customer_name
  - order_date

relationships:
  - orders.order_id = order_items.order_id
  - orders.customer_id = customers.customer_id
  - order_items.product_id = products.product_id
注意:这只是一个示意性语义定义,实际退款、折扣、税费及订单状态口径必须根据企业真实业务验证,不能由模型自行假定。
关键价值:从物理数据结构,转变为 AI 能够理解和使用的业务数据语义。

三、第三步:AI 如何自主生成 SQL?

完成业务理解和数据发现之后,AI 才进入 SQL 生成阶段。

这里建议采用多阶段生成机制,而不是一次性让 LLM 直接生成最终 SQL。

1. 先生成分析计划

例如:

用户问题:为什么第三季度销售额下降?

AI 生成分析计划:

Task: Analyze Sales Decline

Step 1:
计算今年第三季度净销售额。

Step 2:
计算去年第三季度净销售额。

Step 3:
计算同比变化率。

Step 4:
按产品类别拆分销售额。

Step 5:
按地区拆分销售额。

Step 6:
按客户拆分销售额。

Step 7:
识别主要下降贡献因素。

Step 8:
验证分析结果并形成结论。

这一步是将自然语言转化为可执行的分析任务。

2. 生成 SQL

根据已经确定的数据集、指标定义、关联关系和过滤条件,生成 SQL。

例如:

SELECT
    p.product_category,
    SUM(
        oi.quantity * oi.unit_price
        - oi.discount_amount
    ) AS net_sales
FROM orders o
JOIN order_items oi
    ON o.order_id = oi.order_id
JOIN products p
    ON oi.product_id = p.product_id
WHERE
    o.order_status = 1
    AND o.order_date >= '2026-07-01'
    AND o.order_date < '2026-10-01'
GROUP BY
    p.product_category
ORDER BY
    net_sales DESC;

这里要特别强调:

SQL 生成并不是单纯的代码生成,而是业务逻辑的编译过程。

AI 必须确保:

  1. 使用正确的数据表。
  2. 使用正确的关联关系。
  3. 使用正确的指标计算公式。
  4. 使用正确的业务过滤条件。
  5. 避免 JOIN 导致重复计算。
  6. 避免时间范围和聚合粒度错误。

3. SQL 静态验证

SQL 在真正执行之前,必须经过独立的验证层。

验证项目验证内容
SQL 语法SQL 是否符合目标数据库方言
表和字段是否真实存在
JOIN是否存在错误关联或多对多膨胀
聚合GROUP BY 与聚合逻辑是否正确
时间时间范围是否符合分析目标
权限是否超出用户数据访问范围
安全是否存在 UPDATE、DELETE、DROP 等操作
性能是否存在全表扫描或高成本查询

对于企业环境,还需要实施:

  • SELECT-only 执行策略。
  • SQL AST 解析和校验。
  • Tenant / Row-Level Security。
  • Column-Level Security。
  • 查询超时和 LIMIT。
  • 查询审计与执行日志。

SQL 只有通过校验,才允许进入数据库执行阶段。

四、第四步:SQL 执行之后,AI 如何验证分析结果?

这是整个体系中最重要的技术壁垒。

SQL 执行成功,不代表分析结果正确。

例如:

AI 生成了一条语法完全正确的 SQL,但 JOIN 关联错误,导致销售额重复计算。

数据库仍然会正常返回结果。

如果 AI 直接根据这个结果生成分析报告,就会产生非常具有迷惑性的错误结论。

因此,OraAI 需要建立独立的数据验证机制。

1. 第一层:执行结果验证

验证数据库返回的数据是否满足基本要求。

  • 是否返回有效数据?
  • 是否存在 NULL 异常?
  • 是否存在重复记录?
  • 是否存在异常数值?
  • 是否出现不合理的负数?
  • 数据量是否符合预期?

例如:

销售额突然增加 10 倍,但订单数量没有明显变化,就需要进一步检查。

2. 第二层:业务逻辑验证

这是比 SQL 语法验证更重要的一层。

例如:

销售额的计算逻辑为:

NetSales = Σ ( Quantity × Price − Discount )

需要进一步验证:

  • 是否正确排除了取消订单?
  • 是否正确处理退款?
  • 是否重复计算了订单金额?
  • 是否存在一对多关联造成的金额膨胀?
  • 是否使用了正确的时间字段?

AI 需要结合业务定义与真实数据进行验证,而不是只检查 SQL 是否执行成功。

3. 第三层:独立 SQL 交叉验证

这一层建议作为 OraAI 的核心能力。

不要让同一条 SQL 既负责计算,又负责证明自己正确。

应该通过不同的计算路径,对关键结果进行交叉验证。

例如:

销售额验证示例

  1. PATH A路径 A:订单明细汇总按订单明细计算:
  2. PATH B路径 B:订单级独立汇总先按订单汇总,再对订单进行聚合:
  3. CHECK结果一致性检查允许存在符合业务规则的精度误差。
A = Σ ( 数量 × 单价 − 折扣 )  B = Σ ( 订单净金额 )  |A − B| < ε

如果两种计算结果不一致,Agent 不能直接选择其中一个结果,而应该继续检查:

  • JOIN 是否产生重复记录?
  • 订单汇总与明细汇总是否使用相同口径?
  • 是否遗漏退款或折扣?
  • 是否存在不同的数据更新时间?

这里有一个重要原则:

交叉验证必须尽量采用不同的计算路径,而不是让两个 SQL 复用完全相同的错误逻辑。

同时,不同计算路径的一致性也不能绝对证明正确。如果两个路径都依赖了错误的业务定义,还需要与源系统、业务规则或独立对账数据核对。

4. 第四层:数据质量与证据验证

最终需要建立数据质量检查和证据追踪。

验证维度具体机制
完整性检查关键字段缺失
唯一性检查主键及业务键重复
一致性检查跨表数据关系
合理性检查业务数值范围
时效性检查数据更新时间
可追溯性保留 SQL、数据源、执行记录
口径一致性对比指标定义和计算逻辑

验证不通过时,Agent 应进入修正流程,而不是直接输出结论。

五、第五步:建立 Agent 自主纠错循环

真正的 AI-Native 数据分析不能停留在一次 SQL 生成。

它应该具备自主发现错误、分析原因、修正逻辑、重新执行和验证的能力。

例如:

  1. 生成 SQL
    LLM 根据分析计划生成查询语句。
  2. SQL Validator
    检查语法、权限、表关联和聚合逻辑。
  3. 执行 SQL
    由数据库引擎执行,返回结果。
  4. Verification Agent
    检查结果、业务口径和独立复算结果。
  5. 发现问题
    例如 JOIN 重复、退款遗漏或计算口径不一致。
  6. 重新推理和生成 SQL
    修正问题,重新执行并再次验证。
  7. 通过验证
    形成最终分析结论和证据链。
循环应设置最大重试次数、成本预算和失败退出机制。无法解决的问题应明确标记为未验证,而不是强行给出可信结论。

这里还需要注意一个架构问题:

不要让生成 SQL 的 Agent 自己担任唯一的验证者。

建议将职责分离:

Agent / 模块核心职责
Analyst Agent理解问题、规划分析、提出假设
Semantic Layer提供数据语义、指标定义和关联关系
SQL Generator生成 SQL
SQL Validator静态检查、安全与权限校验
Execution Engine确定性执行 SQL
Verification Agent独立复算、验证数据事实和业务逻辑
Reporting Agent生成分析报告和决策建议

这并不意味着每个模块都必须部署为独立的大模型。很多验证工作更适合通过确定性代码、规则引擎和 SQL 实现。

六、映射到 OraAI:应该如何形成技术架构?

结合 OraAI 现有的 Analyst Agent、Semantic Layer、SQL Validator、Value RAG 和 MCP 架构,我建议将整个系统分成五个核心层次。

技术层OraAI 核心组件主要职责
L1 用户理解层Analyst Agent理解问题、分析意图、制定计划
L2 数据认知层Semantic Layer + Value RAG数据发现、语义理解、指标定义、关联关系
L3 SQL 推理层SQL Generator + SQL Validator生成 SQL、检查 SQL、纠正逻辑
L4 确定性执行层Execution Engine数据库连接、权限控制、SQL 执行
L5 验证与决策层Verification Agent + Reporting结果复算、质量验证、证据追踪、决策分析

这里有一个特别重要的设计原则:

LLM 不应该成为数据真实性的最终裁判。

OraAI 应当建立三种不同的责任边界:

  • LLM:理解业务、提出假设、生成分析逻辑。
  • Database:执行 SQL,提供真实查询结果。
  • Verification:通过独立计算、业务规则和数据质量检查验证结果。

建议 OraAI 进一步强化的四个技术壁垒

技术壁垒实现机制核心价值
Autonomous Data DiscoverySchema + Sample + Value RAG不依赖人工预先定义所有数据集
Semantic Reasoning自动识别业务语义和指标口径减少业务理解错误
Deterministic Data ExecutionSQL AST + Validator + Database确保数据执行可控
Independent Result Verification独立 SQL + Data Quality + Evidence减少错误结论和逻辑幻觉

七、与传统 BI、ChatBI 的本质区别

对比维度传统 BIChatBIOraAI
数据准备人工建模预设指标及数据模型AI 自主发现和理解
业务语义人工定义依赖预设语义AI 推理并验证
分析方式固定报表自然语言查询Agent 自主规划分析
SQL 生成人工或固定逻辑LLM 生成多阶段推理生成
数据执行BI 引擎数据库受治理的确定性执行
结果验证人工检查通常以执行成功为主独立复算与业务验证
分析深度描述性分析查询与简单分析诊断、归因与决策支持
知识沉淀指标和报表对话记录可验证的数据语义与知识资产

八、我认为 OraAI 最应该建立的核心技术理念

传统数据分析的逻辑:

人工定义数据模型 → 人工定义指标 → 用户提出问题 → SQL 查询 → 展示结果。

OraAI 的逻辑应该是:

AI-Native Data Analysis

从数据发现到可信决策的自主闭环

01 · Understand
理解业务问题
02 · Discover
自主发现数据
03 · Reason
推理业务逻辑
04 · Generate
自主生成 SQL
05 · Execute
确定性执行
06 · Verify
独立验证结果
07 · Decide & Learn
形成可信决策,并沉淀可复用的语义、知识和分析经验

这里还可以进一步与 OraWork 结合:

  1. OraAI 自主发现企业数据,形成经过验证的数据集和语义资产。
  2. OraAI 将数据分析能力通过 MCP 开放给 WorkBuddy、Codex、Trae Code 等外部 Agent。
  3. OraWork 原生调用 OraAI 的数据能力,完成企业分析和业务工作流。
  4. 分析过程中经过验证的业务知识、指标定义和分析经验,回流企业知识库。
  5. 新的知识和数据语义继续提升后续 Agent 的理解与推理能力。

这样就形成了企业数据、知识、Agent 和业务执行之间的正向循环。

最终定位建议:

我认为 OraAI 不应该把自己定义成一个能够通过自然语言生成 SQL 的 ChatBI 产品。

更准确的技术定位是:

OraAI 是一个 AI-Native 企业数据分析与决策平台,通过自主数据发现、业务语义推理、SQL 生成、确定性执行和独立结果验证,让 AI 能够自主完成从数据理解到可信决策的全过程。

英文可以表达为:

From Autonomous Data Discovery to Verified Business Decisions.

这也是 OraAI 真正区别于单纯使用 Codex、Claude Code 等通用 Agent 配合 SQL Skills 做数据分析的核心所在:不仅能够生成和执行 SQL,还要具备企业级的数据语义、治理、确定性执行和独立验证体系

← 返回技术文章与行业洞察预约产品演示 →