业务故事站
P1 AIP

AIP · 智能分析平台

对标 Palantir AIP 的智能分析平台：用一句话查数，AI 帮你把自然语言翻译成 SQL、执行并推荐图表。当前为可演示的 MVP 最小链路（意图识别 → RAG → Text2SQL → 执行 → 可视化 → 审计），并带完整的管理后台（用户 / 角色权限 / 审计 / 系统设置）。本页用场景故事带你认识它擅长什么、怎么调整、边界在哪里。

实现状态：部分实现 · 约 60% MVP 业务分析师 销售总监 数据工程师 IT 管理员 NLQ Text2SQL 12 个主题 · 41 个故事

能 / 不能速览

✅ AIP 能做
  • 一句话自然语言查数：明细、聚合、分组、多表关联（单数据源内）
  • 完整链路透明：意图 / 置信度 / SQL / 结果表格 / 图表推荐 / RAG 上下文
  • 数据源接入：注册、测试连接、导入元数据（MYSQL / SQLSERVER / POSTGRESQL / SQLITE）
  • 管理后台：用户 / 角色 / 权限 / 审计日志 / 系统设置，admin 与业务面强隔离
  • 每次 NLQ 查询写审计日志（NLQ_QUERY），"谁查了什么"可回溯
⛔ AIP 做不了
  • 多轮上下文记忆：每句查询独立，追问须把条件说全
  • 知识问答：问"什么是 X"仍返回占位提示（知识库已接入 RAG 通道，但独立问答入口未做）
  • 跨数据源 JOIN / Agent 框架 / 多智能体（不在 MVP）；工作流编排已实现但无循环 / 并行 / 人工审批等高级节点
  • 数据源级隔离与 RLS 行级过滤（深度权限配置由旧 chatBI 管理台承接）
  • Text2SQL 依赖外部 LLM，无 key / 离线时生成不了 SQL

适用角色

  • 业务分析师：核心使用者，用自然语言自助查数、核对口径，不再等临时报表。
  • 销售总监 / 业务经理：消费聚合结论（总金额、订单量、月度对比），看图表即可。
  • 数据工程师：接入数据源、导入元数据、排查"查不到 / 查不对"的地基问题。
  • IT 管理员：用户 / 角色 / 权限 / 审计 / 系统设置的治理闭环。

核心能力（能做什么）

智能查询（/chat）

自然语言取数入口：意图识别 → RAG → Text2SQL → 执行 → 可视化一条链，自带三个示例问题。

NLQ 链路

意图识别（关键词规则）+ RAG（关键词匹配元数据目录）+ Text2SQL（LLM 生成 <SQL>/<EXPLANATION>）+ SQL 执行（最多 100 行）。

数据源管理（/datasources）

注册 / 测试 / 导入元数据 / CRUD，演示源 aip_demo_warehouse（SQLite）开箱即用。

图表推荐

按结果列类型推荐 chart_type（line / bar / pie / metric_card），失败回退 table，前端一键出图。

管理后台（/admin/*）

用户管理、角色与权限、审计日志、系统设置，全部仅 admin 角色可访问。

审计与治理

NLQ_QUERY 全量落审计（query / sql / rows / result），支持按用户 / 事件 / 时间过滤追查。

工作流自动化（/admin/workflows）

8 类节点连 DAG + 手动 / cron / Webhook 三触发，节点失败自动重试，执行三表留痕。

评测与监控（/admin/eval · /admin/monitoring）

106 条黄金用例评测 EA/EM/SV + 回归检测；/metrics Prometheus 端点 + 三类健康探针。

知识库（/knowledge）

目录 / 文档 / 版本 / 分块四层模型 + 语义关键词混合检索，作为 RAG 通道注入业务口径。

OAG 对象路

查数注入 Foundry 对象指标口径（rag_channels_used=["oag"]）；动作代理 validate / execute 走通对象操作。

快速上手

把演示数据源跑通只要四步（端口 18080，登录 admin / admin1）：

  1. 登录：打开 http://127.0.0.1:18080，用 admin / admin1 登录（JWT，未登录访问受保护页面会跳转 /login）。
  2. 确认数据源：进入"数据源管理"（/datasources），确认 aip_demo_warehouse（SQLite）已注册，可点"测试连接"验证。
  3. 导入元数据：对该数据源执行"导入元数据"，把 orders / customers / products 的表结构灌入 table_schemas / column_schemas。
  4. 智能查询：进入 /chat，输入"查询所有订单"或点示例问题，看意图 / SQL / 结果表格 / 图表推荐。

做得好的场景

AIP 最擅长"单数据源、结构化演示数据、直白问法"下的即问即答：
  • 30 秒出报表：从提需求等 IT 排期 1~3 天，到一句话 30 秒出数，明细与聚合都覆盖。
  • 链路全透明：意图 / 置信度 / SQL / RAG 上下文全部返回，结果不对可自查、可解释，不是黑盒。
  • 治理闭环可演示：账号、角色、权限、审计齐全，能向前来参观的人讲清"谁查了什么、谁能查什么"。

限制与不足

明确的边界，选型前先知道：
  • 理解能力有限：意图识别是关键词规则，RAG 是关键词匹配非向量，口语化 / 省略句命中率不稳定。
  • 单源执行：一次只查一个数据源（默认第一个活跃源），无跨源 JOIN；MVP 无 Agent 框架、无多智能体、无工作流编排。
  • 依赖外部 LLM：Text2SQL 需配置 API key（deepseek-v4-flash 经平台 LLM 网关），无 key / 离线时链路中断。
  • 治理边界：数据源列表对所有已登录用户可见，NLQ 不自动应用 RLS 行级过滤；深度权限配置走旧 chatBI 管理台。
  • 演示数据会重置：aip_demo_warehouse 每次启动重建，订单日期相对启动时刻生成，人工改动会还原。

主题列表

P1 AIP 4 个故事
NLQ 入门：第一次自然语言查数
从"查询所有订单"到聚合统计与追问改条件，看懂一句话取数的完整链路。
业务分析师 NLQ Text2SQL 可视化
P1 AIP 4 个故事
复杂分析：聚合、多表与排查
月度对比、三表关联、组合过滤，以及答案不对时用 SQL / 意图 / RAG 上下文排查。
业务分析师 聚合 多表关联 问题排查
P1 AIP 4 个故事
数据源接入：注册、测试与导入元数据
接入一个数据源并让它可被 NLQ 查询的完整"地基"路径。
数据工程师 数据源 元数据 SQLite
P1 AIP 4 个故事
安全治理：角色、权限与审计
账号生命周期、最小授权与"谁在何时查了什么"的审计闭环。
IT 管理员 RBAC 审计 治理
P1 AIP 3 个故事
LLM 网关与模型路由
多 Provider 路由、降级链与成本观测，看 LLM 调用如何被统一治理。
IT 管理员 LLM 网关 降级
P1 AIP 4 个故事
意图识别与 RAG 检索
NLQ 怎么理解你的问题：意图标签、置信度与 RAG 上下文构造。
数据工程师 意图识别 RAG 检索
P1 AIP 3 个故事
管理后台：用户、角色与设置
管理后台的操作地图：用户、角色权限、审计日志与系统设置。
IT 管理员 管理后台 系统设置 运维
P1 AIP 3 个故事
能力边界与限制
哪些场景别指望 AIP、哪些问法会踩坑，以及如何绕开这些限制。
业务分析师 边界 限制 落地
P1 AIP 3 个故事
工作流自动化：把查数变成自动跑的流水线
8 类节点连成 DAG，手动 / cron / Webhook 三触发，节点失败自动重试，全程可回看。
运营经理 工作流 cron Webhook
P1 AIP 3 个故事
知识库：让 AI 查数时"懂业务口径"
把业务规则、指标口径写进知识库，自动分块、版本管理、混合检索并注入 NLQ 查询。
数据工程师 知识库 版本 RAG
P1 AIP 3 个故事
OAG 对象路：对实体对象查数、操作
AIP 与 Foundry 本体联动：对象路注入指标口径，动作代理透传对象 validate / execute。
业务分析师 OAG 本体 动作代理
P1 AIP 3 个故事
多智能体编排：让多个角色 Agent 一起做分析
归因、辩论、多视角评估交给一个"角色 Agent 分析小组"：LLM 拆任务、按角色分派、四策略执行、融合成报告。
业务分析师 多智能体 编排 结果融合

常见问题

AIP 和 Foundry 是什么关系？

AIP 负责"自然语言查数"，Foundry 是语义层地基：AIP 的查询准确率来自 Foundry 的对象与指标口径。当前 MVP 的 AIP 自带演示数据源即可独立演示，与 Foundry 的语义层联动在后续版本打通。

不会 SQL 能用 AIP 吗？

能。业务分析师只需要在 /chat 输入一句话，SQL 由平台生成；返回里同时展示 SQL 供核对，但不需要你写。数据工程师负责把数据源和元数据准备到位。

查询结果可信吗？

每次返回都带意图、置信度、SQL 与 RAG 上下文，建议对重要数字核对一次 SQL。意图识别是关键词规则、Text2SQL 由 LLM 生成，MVP 不做自动自修正，结果异常时按"意图 → RAG 上下文 → SQL"三步排查。

怎么体验？

启动 AIP 后端（端口 18080），用 admin / admin1 登录。演示数据自动就绪：aip_demo_warehouse 数据源（SQLite，orders / customers / products）。建议先看"NLQ 入门：第一次自然语言查数"。

与 Palantir AIP 的价值差异在哪？

Palantir AIP 是数月部署、数百万美元起步的决策操作系统；LightAIP 用 Go 原生实现同样的"本体论 + 治理"理念，单机可跑、数小时上手，信创就绪（可对接 DeepSeek 等国产 LLM），把"AI 接入被治理的业务世界"做成可演示、可验收的增量。

产品小结

一句话：AIP 是把"一句话查数 → 意图识别 → RAG → Text2SQL → 执行 → 可视化 → 审计"收进同一平台、并带完整管理后台的智能分析 MVP。它让业务用自然语言消费数据、让 IT 用角色与审计管理数据，链路全透明可排查。记住边界：规则式理解、单源执行、依赖外部 LLM、数据源级隔离未落地——这些都是下一步的增量空间。