ChatBI 不止 Text2SQL，加上多维分析才算全链 AI+ 商业智能
如今，“用大白话分析数据”成了 BI 领域的热门趋势。但市面上许多“chatBI”方案，能力往往止步于 Text2SQL——也就是听懂一句话、查出一张表。比如你说“展示华东区上季度销售”，它能返回数据，这当然有用，可真正的分析才刚刚开始：怎么算增长、怎么排名次、怎么看趋势……这些关键步骤，依然需要回到传统界面去拖拽设置。
为什么会这样？
因为，对大多数基于 LLM 的 ChatBI 方案而言，Text2SQL 的准确性尚未解决，还顾不上琢磨后半截。面对业务场景中的语义歧义、行业特定用语以及复杂的数据模型关联，LLM 即使在注入领域知识后，仍可能生成看似合理实则错误的 SQL，存在难以完全避免的“幻觉”现象。因此，许多方案将首要资源集中于提升查询环节的可靠性，而尚未稳健地覆盖后续的分析交互。
而且，既使想做多维分析，也会发现无从下手。多维分析是个“动作序列，是一连串的交互操作：先按什么分组、再对什么汇总、如何排序、是否计算衍生指标……这些步骤之间存在逻辑依赖和状态传递，且高度依赖具体的 BI 工具上下文。但是，现实中缺乏大量公开、高质量、标准化的“BI 操作 - 自然语言”配对训练数据，以数据驱动的 LLM 方案也就难以可靠复现整个分析流程。因此，许多方案选择先攻克相对明确的“查询”环节，而将更复杂的分析交互留给用户手动完成。
润乾 BI 选择了一条更为务实的路径。它基于已在 Text2SQL 场景中得到验证的润乾 NLQ 规则引擎（ 万字长文解析 Text2SQL 破局，兼得灵活复杂准确 ），将“自然语言转精准操作”的能力，从数据查询无缝延伸至后续的多维分析阶段。这套机制不依赖概率生成“猜测”，而是依靠规则与语义库进行精准匹配，从而将用户的自然语言分析意图，“翻译”成一系列稳定、可执行的操作指令。这不仅从根本上杜绝了“幻觉”，确保了结果的确定性，也使得系统能够可靠地处理复杂的分析逻辑，实现了从“问数据”到“操作数据”的全链条自然语言交互。
这才是全链的 ChatBI。
润乾 BI 的自然语言分析模块，已覆盖数据呈现、计算、排序、格式化等关键环节。指令设计贴近业务直觉，响应迅速且结果确定。
现在，只需输入一句汉语指令，就能直接驱动报表变化。下面，让我们通过具体场景，抢先体验这种“说人话，做分析”的流畅感。
先从 NLQ（自然语言查询）开始，得到查询结果：
接下来针对这个结果做进一步分析，点击“新建报表”，进入多维分析界面：
下面我们通过汉语命令来指挥数据分析工作。
【注】传统拖拽分析的方式仍然支持
点击
按钮调出输入框，可以看到下面的帮助有很多丰富功能。
生成分组报表
我们首先来生成一个分组报表（按省份和年份汇总订单金额）。在输入框中输入：
表头 客户省 签单年
点击执行，立即就得到了一张分组报表。
上面报表的指标部分不太符合我们预期，需要进一步调整，输入：
删除订单编码 签单日期 发货日期 收货日期 客户城市名称
将多余的列删除。
接着调整订单金额的汇总方式为求和，输入：
订单金额求和
得到的分组报表默认会显示明细，可以通过命令隐藏掉。输入：
不显示明细
修改表头名称，分别执行两条命令：
客户省改为省份
签单年改为年份
这样我们就得到了一张基于省份和年份分组汇总订单金额的汇总表。
排名
接下来使用命令做跨行组运算，这里想针对订单数量做排名：
订单金额 降序排名 命名为 “订单排名”
这里新命名的“订单排名”需要加引号，因为“排名”属于内置的关键词，如果不加引号会发生冲突。非关键词可以直接写，不用引号。
默认是针对所有行做的排名，还可以针对不同层次排名，比如想计算省内排名，输入：
在省份范围内 订单金额降序排名 命名为 “省内排名”
环比
使用命令还可以做很多其他跨行组运算，环比、同比、占比、累计、序号等。与排名类似，实现环比可以输入：
订单金额 比例环比 命名为 “环比”
同样可以计算省内环比：
在省份范围内 订单金额 比例环比 命名为 “省内环比”
通过简单的命令轻松完成了复杂的跨行组运算。
外观控制
接下来要调整一下报表的外观。我们想把“订单金额”改为人民币显示格式，输入命令：
订单金额显示为货币格式
调整环比显示为百分比格式，输入：
省内环比显示为"#0.00%"
还想突出显示大于 2000 的订单金额小计为红色，在报表区域选中“订单金额小计”，让命令作用在订单金额列上，然后输入：
大于2000红色加粗
类似的，前景色、背景色、字体等属性都可以通过命令设置。
通过这个例子可以看到，润乾 BI 的 Chat 命令已经支持比较复杂的条件形式。
数据过滤
支持了条件形式，我们还可以做数据过滤，也就是多维分析中常见的切片 / 切块。过滤订单金额超过 3000 的命令：
过滤 订单金额大于3000
多个条件还可以组合使用， 比如：
过滤 订单金额大于1000 且 发货日期晚于2023年12月31日
排序
对数据排序，输入：
排序 省份升序，年份降序
可以针对多列进行排序。
行列转换
多维分析的旋转操作也可以用命令完成，输入：
上表头 年份
把年份放到上表头，形成交叉表。
还可以进行行列互换，输入：
左表头年份，上表头省份
统计图
通过命令还可以生成各种类型的统计图及配色方案，输入如下命令：
柱形图 分类 省份 系列 订单金额
就得到了下面按省份统计订单金额的柱形图。
想要更改统计图的配色，输入命令：
梦幻极光
就得到了对应的配色方案
如果还想更改统计图类型，可以直接输入：
条形图
我们暂列这些，更多的命令及功能欢迎体验。
润乾 BI 的这套自然语言交互能力，延续了与 NLQ 一脉相承的规则引擎技术路线（而非依赖 LLM）。这带来了一个显著特点：极高的准确性与可靠性，从根本上杜绝了“幻觉”。相应地，系统需要接收相对规范、结构清晰的指令方能完美执行，例如“订单金额 降序排名 命名为‘订单排名’”。
不过，这也意味着一定的局限性，要求用户输入的语句有一定规范性，而不能随意使用完全口语化的命令。不过，BI 分析的操作空间本身有限且明确，使用规范语句带来的限制并不严重，很快就能熟悉掌握，和充满歧义、极度自由的自然语言相比，规范指令反而能带来准确无歧义、表达简洁高效的优点。
当然，对于不熟悉命令规范的新手，这还是会有一些使用门槛。为此，润乾 BI 内置了智能帮助体系。在输入框中键入时，系统会进行实时关键词过滤，动态联想并展示最相关的命令范例和完整参数提示，引导用户快速形成有效指令。
比如当输入到 “降序排名” 时会出现跨行运算提示，以及该命令需要的后续参数（命名为、数据项）。
再比如输入“表头”，则会直接出现可以使用的数据项。
这意味着，无需记忆复杂语法，通过提示和参考，可以快速掌握“如何说”，从而将分析意图转化为有效的指令。对于熟悉业务的用户而言，这一过程非常直观自然。
润乾 BI 已能通过自然语言指令，全面驱动包括复杂筛选、多级排序、分组汇总、计算衍生指标（如排名、环比、占比）、单元格格式调整以及图表生成在内的所有核心分析操作。
这套自然语言操控能力为实现与大型语言模型（LLM）的深度协同奠定了理想的基础。一个清晰的演进路径是：将润乾 BI 的这套自然语言命令，作为可被 AI Agent 精准调用的“分析 API”。
LLM 能够充分发挥其“高级翻译官”与“任务规划师”的作用。当用户提出一个综合性、口语化的业务问题，例如：“分析一下我们上月在各区域的销售表现，找出问题并给出建议”，LLM 可以轻松地将其理解并分解，转化为一系列润乾 BI 可直接、精确执行的规范指令：
过滤签单年月是 202509 或是 202510
表头 区域 签单年月
订单金额求和
排序 签单年月升序
在客户省范围内 订单金额 比例环比 命名为 “环比”
环比小于 5% 红色加粗
这种结构清晰、语义明确的规范语句，对 LLM 而言，远比生成复杂的 JSON/XML 等程序化接口更为直接和友好。这一协同模式，完美融合了 LLM 在泛化理解、意图分解与逻辑规划方面的优势，以及润乾 BI 在分析操作执行上的绝对确定性与可靠性。更重要的是，LLM 生成的这一系列步骤，对于业务用户而言是可理解、可确认的，发现不合理时还可以即时修改，彻底打破了传统 AI 黑箱的局限。这使得处理复杂、多步骤的分析任务变得既高效灵活，又全程可信、可控。
ChatBI 的真正内涵，远不止于 Text2SQL。润乾 BI 让你用说话的方式直接操控报表，就像指挥一个懂业务的助手。不搞虚的，专注解决你每天实际要用的分析动作，让数据跟着你的话走，决策自然更轻松。
