Arilink · 企业智能问数
不是让 AI 会写 SQL，而是让它真正懂你的业务和数据
把业务语义、数据语义、歧义澄清、关系上下文和 SQL 验证放进同一条查询链路。业务人员只管提问，系统负责把问题变成可解释、可核验的数据答案。
数据治理
数据资产
SQL 解析
数据关系发现
语义治理
智能问数
为什么NL2SQL在生产中失败
很多产品 Demo 能跑，一进入企业真实数据就开始不稳定。问题往往发生在模型生成 SQL 之前。
智能问数真正难的，从来不只是“把中文翻译成 SQL”
同一个词，不同部门口径不同
表找到了，JOIN 仍可能连错
不确定时继续猜，比报错更危险
复杂分析，本来就不止一条 SQL
01
02
03
04
“收入”“客户”“库存”“最近”可能有多种定义。模型懂中文，不等于懂你的企业口径。
真实数据库的关系并不总写在外键里。字段名相似，不代表就是正确关联。
当一个业务概念对应多个数据定义时，系统如果悄悄选一个，错误会以“看起来很合理”的方式发生。
筛选、排序、下钻、占比、阈值判断和汇总，需要多步骤编排，而不是一次生成。
可信任的查询链路
用户只问一句话，Arilink 背后完成一条受治理的查询链路
不是直接把问题丢给大模型，而是逐步理解、澄清、定位、验证，再执行和解释。
STEP 01
STEP 02
→
→
→
→
→
STEP 03
STEP 04
STEP 05
STEP 06
意图识别
同义词检索
澄清判断
关系发现
SQL 生成与验证
执行与汇总
把用户语言映射到企业术语和已治理概念。
出现多种定义或边界不明确时，先向用户确认。
获取候选表及关联路径，补足多表查询上下文。
生成 SQL，并检查字段、JOIN、聚合及查询边界。
执行查询并返回摘要、数据、图表及过程信息。
识别查询、对比、排名、趋势、下钻等任务意图。
让 AI 同时懂
“业务在说什么”和“数据里是什么”
双重语义层保障
Arilink 不是把术语解释交给模型临场猜，而是通过业务语义与数据语义建立受治理的映射。
业务语义层
数据语义层
↔
业务语义
数据语义
定义企业自己的指标、维度、术语、公式和适用任务。
把业务指标和维度映射到实际数据表、字段及生效版本。
毛利额 = 销售额 - 成本额
销售额 → table.field
仓库 = 库存分析维度
商品码 → inventory.product_code
统计日期 = 业务查询时间维度
统计日期 → inventory.stat_date
✓
✓
✓
✓
✓
✓
✓
✓
不确定的时候，
先问清楚，再查数据
确认清楚信息是第一位的
歧义是企业数据的常态。Arilink 可以检测一个概念对应多种数据定义的情况，让用户选择正确的数据源或补充说明，再验证执行。
显示当前匹配的表与字段
显示当前匹配的表与字段
提示用户选择正确的数据定义
提示用户选择正确的数据定义
支持补充说明与验证执行
提示用户选择正确的数据定义
确认结果可进入知识补足流程
提示用户选择正确的数据定义
帮我查一下最近日期的发票状态、发票编码和发票金额。
已匹配“发票金额 / 发票状态 / 发票编码”，但“最近日期”存在多种可用定义。请确认本次使用哪个口径：
确认本次口径后，将按该定义执行查询，并在结果“边界”中明确记录。
A · 按业务日期判断最近
B · 按数据入库日期判断最近
数据表间关系正确与否至关重要
工作流程分析
SQL 能生成，
不代表数据表一定连对了
复杂问题，涉及多业务流程，单一SQL难以完成
Arilink 可结合表间关系上下文生成复杂多表查询。接入 Intalink 时，可通过对应数据源获得关系发现结果，为候选关联路径提供额外依据。
Arilink 通过参数提取、工作流路由、条件判断、子流程调用、数据查询和结果组件，把复杂分析拆成可执行步骤。
页面表达遵循当前产品边界：Intalink 提供关系上下文，Arilink 负责自身数据源、语义与查询执行。
✓
✓
✓
发现候选关联路径，而不是只看字段名猜 JOIN
将关系上下文带入 SQL 生成和验证过程
Arilink 仍独立管理自身数据源连接与实际查询
“库存余额最高的仓库里，Top5 商品占总库存多少？这个比例是否过高？”
01
02
参数提取
工作流路由
定位最高仓库
查询 Top5 商品
计算占比
结果汇总
03
04
05
06
识别仓库、商品、Top5、库存余额等条件。
判断需要进入库存结构分析流程。
先查询各仓库库存并排序。
对子流程继续筛选与聚合。
组合查询结果完成比例计算。
通过组件形成数据、图表和总结。
→
→
→
→
→
05
04
03
02
查询结果可验证
查询结果可验证
结果不是一个数字，而是一份可以检查的答案
每一次“没答好”，都可以变成下一次更准确的知识
业务人员可以直接看摘要和图表；数据人员可以继续查看推理、边界、SQL、明细数据和各环节耗时。
通过歧义检测、工单、验证和知识补足，让问题处理过程被记录，并持续完善语义治理。
查询时识别当前语义层无法确定的内容。
记录提交用户、状态、时间与处理过程。
补充正确数据定义、映射或说明。
修改后先验证，确认结果符合预期。
沉淀后的定义用于后续查询与治理。
发现歧义 / 缺失
进入工单
知识补足
验证执行
后续复用
✓
✓
✓
✓
摘要：快速理解结论
推理与边界：知道系统如何理解问题
SQL 与数据：需要时可继续核验
图表与耗时：直接用于分析与排查
→
→
→
→
01
多类型兼容
适配企业已有模型与数据环境
当前平台配置能力覆盖多种 LLM Provider 与主流关系型数据库
LLM Provider
数据源类型
可配置不同模型提供方，用于通用理解与 SQL 相关能力。
支持配置多种关系型数据库，并进行连接管理与健康检查。
OpenAI
智谱 AI
Kimi
Ollama
PostgreSQL
MySQL
Oracle
SQL Server
真实业务场景直接问数查询
用真实业务口径、真实数据关系和真实复杂度，验证 Arilink 是否能理解、澄清、找到关系、生成 SQL 并给出可核验结果。
欢迎免费试用
适合：业务 / IT / 运营 / 财务 / 领导
姓名
*
公司名称
联系方式
*
您的需求
提交
▪ 众多企业的信任 ▪
|
|
|
|
|
|
|
|
▪ 元拓技术分享 ▪
2025
04-21
元拓智能问数AriLink平台是一个基于大模型技术的智能问数产品，旨在通过自然语言输入的简单方式帮助企业领导、业务、IT等人员快速、准确地从海量数据中获取所需信息。其核心功能围绕五个关键部分展开，涵盖了从知识库构建到数据查询与结果展示的完整流程，确保用户能够高效地完成智能问数任务。
2025
04-15
NL2SQL（Natural Language to SQL）是将自然语言自动转换为结构化查询语言（SQL）的技术。其发展始终围绕“降低数据查询门槛”的目标，从规则驱动到AI泛化，逐步成为连接自然语言与结构化数据的重要桥梁。任何技术都不是孤立发展的，NL2SQL技术也从1970S开始时采用的“基于规则与模板”方法，经历了“统计方法、深度学习、预训练模型”几个阶段后，目前主要研究方向是”大语言...
2025
09-11
现在我们正站在大模型技术爆发的奇点时刻。但在这场技术狂欢盛宴背后， 一个关键问题被忽视： 再强大的AI引擎，也需要通过人性化的界面与真实用户产生化学反应。这正是前端开发者与产品经理的价值爆发点。
2025
08-15
随着信息化建设的不断深入，企业和组织在管理、执行及遵循规章制度时，需要一种高效、精准的方式来快速查找到相关条款和内容。为了解决这一问题，采用了Elasticsearch作为全文检索工具，成功实现了对规章制度的智能检索功能。
2025
08-05
在ChatGPT-4.5、Claude 4等大模型重构技术生态的今天，前端开发早已突破"切图仔"的刻板印象。当AI能秒级生成React组件、自动优化页面性能，前端工程师的核心价值正从"技术实现者"转向"体验创造者"——一个能直接对话用户需求、定义产品形态、甚至预判市场趋势的"全栈体验官"。
|
|