2025年Agentic BI：打造你的数据智能助理报告.pdfVIP

AgenticBI数据智能助理

帆软-李仁敏

2025/10/28

目录

010203

问数精度资产检索智能报告

LLM3.0架构如何提升裸用精度告别繁琐搜寻，AI赋能资产定位智能分析看板，一键生成洞察报告

01问数精度篇

LLM3.0架构如何提升裸用高精度

产品技术演进：数据→洞察→行动

Level1:DataChatbotLevel2:InsightReasonerLevel3:DataAgent

大语言模型（LLM）的通用语义利用大语言模型（LLM）的思维数据洞察+业务运营知识

理解能力→准确识别用户的数据链（CoT）能力+专业知识（know-how）→具体的执行

查询和知识库问答（KBQA）意（know-how）将复杂的分析拆动作

图解为可行动的计划通过长期的持续经验进行自主学

统一的对话入口；通过意图分类分步执行，获取关键指标，结合习和自我完善

进行路由专业知识进行解读，并提供最终

的洞察Action=LLM（Insight,KH）

AskDataKBQA

Insight=LLM（Data,KH）Insight=LLM（Data,KH）

Semanticunderstanding

ContentgenerationAskDataKBQA

AskDataKBQA

Semanticunderstanding

在ChatBI的早期探索中，有几个难题：ContentgenerationSemanticunderstanding

Ctenteneraon

ongti

•系统需要通过大量“黑话”配置才能Chain-of-Thought

Chain-of-Thought

听懂业务语言，但这带来了巨大的管

理负担；LLM的演进：

•另一方面，即使用户