AI 加持下的自助报表还能这么做！
在软件项目里，“报表需求”从来都是个让开发团队头疼的难题。客户的业务在变，报表需求也在变：今天要按地区汇总，明天要按产品线细分，后天又得对比同期数据。每一次变化落到开发团队头上，就是一轮新的数据查询、接口开发和界面调整，项目利润就这样一点一点被消耗掉。
为了摆脱这种困境，很多厂商尝试引入自助报表工具。但市面上的方案，通常是重型 BI 系统的部件，集成起来需要处理权限对接、数据同步一堆麻烦事；而且操作逻辑也比较复杂，用起来并不方便。投入不小，效果却不理想。
有没有更务实的办法？
润乾报表的思路：提供能轻松嵌入业务系统的自助报表模块，并加入自然语言交互能力，让自助报表制作像对话一样简单，真正将报表任务交付给最终用户。。
润乾报表嵌入应用；规则引擎实现自然语言制作报表（NLR）；AI 大模型作为智能助手，支持口语化输入并协助规划制表任务；两者结合，让 AI 真正为人所用。
为集成而生的自助报表
润乾报表的优势之一在于良好的集成性。它不是一个独立部署、单独访问的庞大系统，而是一个轻量的“报表能力引擎”，可以通过组件形式深度嵌入到 CRM、ERP、OA 等业务系统内部。
用户无需跳出熟悉的业务界面，即可在某个功能模块旁直接发起报表设计与查看。与业务流一体的体验，解决了“不好集成”的痛点，让自助报表能被自然用起来。
汉语对话，扫清使用障碍
我们最希望的做表方式是：描述完我想要的效果，发给系统就能自己实现，然后有什么不合适的地方再调整。这就是润乾报表 NLR 模块的工作机制。
在这个过程中，AI 是得力的助手。润乾报表引入 LLM 来增强自然语言交互能力，同时保留规则引擎的稳定可控，既有智能，又有底气。
一步一看，随想随做
很多情况下，用户是一步一步构建报表，每步都能观察结果、确认无误后再继续。润乾报表支持通过汉语命令分步操作，每一步都实时响应。
第一步：筛选关键数据
筛选订单金额大于 2000 的大订单，输入如下命令：
过滤 订单金额大于 2000
这样就可以轻松完成过滤。
由于输入的命令要符合 NLR 规范，而有时我们的输入可能没有那么标准，那样就查不出来了。比如输入：
找一下订单金额过 5000 的
这时可以使用“LLM 规范”功能，将口语化的表达转换成规范问句。
规范后的语句再执行就能顺利得到查询结果了。
“LLM 规范”功能对 LLM 的要求不高，市面上小参数模型就能胜任，成本很低，因为它只负责把“人话”转成规则引擎能理解的规范句式，不涉及复杂的推理。
第二步：分组汇总
按照省份和年份汇总大订单金额。新增命令，先分组，输入：
表头 客户省 签单年
同样，这里也可以输入“按省份和年份分组”，然后使用 LLM 规范将其转换成规范语句。
添加汇总指标项，新增命令：
订单金额求和
第三步，计算关键指标
计算每个省每年的订单金额环比增长率，新增命令：
在客户省范围内 计算订单金额比例环比 命名为订单环比
设置环比显示格式，点中报表中的环比列所在单元格（任意格），新增命令：
显示为 "#0.00%"
第四步，突出特殊数据
将增长率超过 100% 的订单环比突出显示，点击订单环比列任意格，新增命令：
大于 1 红色加粗
最后只想保留订单金额超过 10000 的行，新增命令：
隐藏 签单年 订单金额 小于 10000
隐藏没必要的报表行。
就这样，用户通过一步步的命令（配合 LLM 规范来降低输入门槛），就能轻松完成一张销售分析报表。熟练后可以直接输入规范命令，零延迟；偶尔遇到口语输入，用 LLM 规范转一下也很方便。
智能规划，一次到位
能不能一次到位，一句话描述需求，系统自动拆解成多步命令？没问题，这就是“LLM 规划”。
“LLM 规划”可以将一个复杂的报表任务，自动拆分成多个规范命令，然后一次性或分步执行。用户只需要用口语说出想要的结果，系统负责“动脑子”规划路径。
比如我们输入：
只要订单金额超过 5000 的数据，然后按省份和年份分组汇总订单金额，再计算省内金额比例环比，环比以百分比显示，金额按货币格式
点击规划，得到了这样的拆分结果：
【拆分步骤总数：7】
【步骤 1：表头设置 | 左表头 发货省 签单年】
【步骤 2：数据过滤操作 | 过滤 订单金额 大于 5000】
【步骤 3：聚合计算 | 订单金额 求和】
【步骤 4：组内跨行计算 | 在 发货省 范围内 计算 订单金额 比例环比 命名为 省内金额比例环比】
【步骤 5：明细字段显示控制 | 隐藏全部明细】
【步骤 6：外观格式与样式设置 | 位置 订单金额 显示为 "#,##0.00"】
【步骤 7：外观格式与样式设置 | 位置 省内金额比例环比 显示为 "#0.00%"】
同时左侧命令面板上出现了这些命令：
这里注意设置显示格式的命令：“位置 订单金额 显示为 xxx”，用到了“位置”参数，用于指定要设置的目标位置。而前面执行单个命令（“显示为 xxx”）时通过鼠标点击已经选定了“位置”，所以省略了这个参数。
规划完成后，可以点击“全部执行”，一次性得到结果报表：
分组汇总、环比计算、显示格式都一次性算完设置好了。当然，如果不想全部执行，也可以逐条执行、观察中间结果，规划后的命令面板支持灵活控制。
规划可能不完美，但你可以轻松调整
AI 虽然强大，但并非 100% 准确，这就是所谓的“幻觉”问题。规划的步骤有时可能不符合预期：比如分组顺序不对、计算指标名称有偏差、过滤条件遗漏等。
不过没关系。润乾报表的规划结果是完全透明、可读、可编辑的。系统生成的每一条命令都是规范的“人话”，用户可以：
删除多余的步骤
修改某条命令的参数（比如把“大于 5000”改成“大于 10000”）
插入新的命令
调整命令的执行顺序
然后重新执行，或者继续用口语追加调整。例如，规划生成的报表已经出来了，但只想看 2025 年的数据，可以继续输入：
隐藏 2025 年以外的行
然后执行命令就可以了。
这种“AI 规划 + 人工调整”的模式，既发挥了 AI 的智能，又保留了人的控制权，比让 AI 直接生成黑盒的报表要可靠得多。
总结一下：
用 LLM 规划：一句话生成完整报表框架，再做微调即可。
不用 LLM 规划：熟手可以自己分步输入命令（配合 LLM 规范降低输入门槛），同样能完成复杂报表。
强烈推荐使用 LLM 规划，它能将报表制作效率提升一个新台阶。
扩展能力：从自由数据查询（NLQ）开始
上述 NLR 能力让用户能对“已有”的数据集制作报表。而有时，做表的第一步是准备数据——这份数据可能并不存在于任何预制数据集中。为此，润乾报表提供了与之无缝衔接的 NLQ（自然语言查询）能力。
NLQ 允许用户在其授权数据范围内，用汉语直接向数据库发起查询。例如：“订单金额超过 2000 的订单信息、明细数、客户名称和城市”。系统会基于预先配置的“业务词典”，自动理解业务术语、智能关联多表、精确筛选数据，并计算出每个订单的明细条目数，生成可直接用于制表的数据列表。
业务词典将业务术语与数据库表、字段和计算逻辑精确映射，从机制上避免了大模型的“幻觉”。同时，所有查询严格受限于用户权限，保障数据安全。
通过 NLQ 获得的数据集，可立即作为新报表的起点，直接使用前述 NLR 能力进行进一步加工（如分组汇总、计算环比等），形成从“自由取数”到“灵活制表”的完整自然语言报表解决方案。
硬核优势：可控、可靠、私域
· 完全透明，可审计：系统生成的每一步命令都是可读的“人话”（如“过滤 订单金额 大于 5000”），用户可查看、修改、删除、重排。不是黑盒，每一步都有据可查，满足企业审计要求。
· 低幻觉，结果可信：LLM 只负责口语翻译和任务拆解，核心计算由规则引擎执行，输出确定，词典映射清晰。你得到的不是“AI 猜的结果”，而是按明确逻辑算出来的数据。
· 易于私域部署，数据不出域：可部署在企业内网，满足严苛合规要求。NLR 支持不依赖 LLM 工作，熟手直接输命令，规则引擎跑在普通 CPU 上，零 Token 费用，无需 GPU；即使采用 LLM 规范或规划，所需模型能力也远低于通用大模型，私有化成本可控。
一句话：看得见、改得动、信得过。既有 AI 的便捷，又有工程的可控。私域安全，成本厚道。
对软件厂商的切实价值
集成润乾报表这套既能深度嵌入、又具备自然语言交互能力的模块，为软件厂商带来两大可量化的价值：
降低长期成本：易集成 + 对话式分析，让最终用户真正实现自助报表，开发团队从零散需求中彻底解放。
提升产品竞争力：当竞品还在“生拉硬拽”制表时，你的用户已经在系统内通过对话即时获得分析结果，体验的代差就是竞争壁垒。
报表需求的持续产生，是业务动态发展的自然结果。软件厂商的关键任务不是消除需求，而是将满足需求的成本降到最低。润乾报表正是这样一套务实的工具组合：以优异的集成性无缝嵌入现有产品，以听得懂人话的交互方式让业务用户真正用起来。
在 AI 技术喧嚣的当下，这种聚焦于解决具体问题、降低综合成本、提升产品可销售性的务实路径，或许正是广大软件厂商在竞争中构建自身护城河所需要的。
这么强悍的功能，是不是很贵？
恰恰相反！润乾报表三万元随便用的版本就已经完整包含了自然语言报表分析（NLR）能力。用一个几乎可以忽略的成本，就能换来开发团队的彻底解放、客户满意度的显著提升、以及产品竞争力的实质性跃升。这笔账，怎么算都太值了。
