一、从 ChatBI 的火爆说起

ChatBI 无疑是当下数据分析领域最热门的话题之一——让业务用户用自然语言提问，系统自动出图出表，实现“从无到有”的数据探索与分析，这个场景确实很酷，也很有价值
但冷静下来想一想：ChatBI 真的覆盖了企业数据需求的全部吗？

实际上，企业数据系统中占比最大、最不可替代的，是那些报表系统中已经做好的固定报表——销售周报、库存月报、管理层核心指标看板，这些逻辑固定、口径统一、定期更新的报表，承载着日常运营中绝大部分的数据输出需求，它们在 AI 时代也需要 AI 赋能
比如在固定报表的使用过程中，对已有数据进行再查询和筛选，是极其高频的场景：物流系统想查“上周发往华北的订单”，地铁票务系统想查“6 号线上午 9 点到 12 点的进站刷卡情况”，人力资源系统想查“一季度技术部迟到和加班情况”
这些高频需求，ChatBI 是无能为力的
因为 ChatBI 是针对数据从无到有的问数和简单做表，而再查询筛选是针对已有的固定报表从有到精的再次分析，是两个完全不同的场景

在 AI 时代，如何给这些“存量”的固定报表加上 AI 自然语言查询筛选能力就成了一个很值得探讨的问题

二、传统方案：参数模板的困境

在 AI 出现之前，解决固定报表灵活筛选需求的主要手段是参数模板——设计好下拉框、日期选择器、输入框等一系列控件，用户通过点选来设置筛选条件，
这个方案能用也够用，但是弊端也非常明显：
• 不够灵活：用户只能在预设控件范围内操作，想查什么得看模板里有什么
• 体验臃肿：参数一多，模板就变得密密麻麻，用户要在大量控件中找到自己想要的，操作体验极差
• 维护成本高：每新增一种筛选维度，技术人员就要改一次模板
最关键一点是，在 AI 时代下，它不够智能了，不能对话查询筛选

三、接入 AI 最直接的思路：LLM 生成 SQL

用 AI 解决这个问题，最直接的想法自然是：用大语言模型将用户的自然语言翻译成 SQL，去执行查询
虽然 LLM 生成 SQL有幻觉困扰，主流测评显示，最聪明的大模型，在编写 SQL 的任务上也只有不到 70% 的正确率，但现在的场景是固定报表的数据范围已经被限定在已知数据集上，筛选本质上只是生成 WHERE 子句，难度降低了很多，理论上准确率应该相当高

确实，场景简单了，准确率也挺高，但准确率高并不等于就能实用
对于企业级应用来说，即使准确率达到 90%，剩下 10% 的不确定性依然不可接受——因为业务用户无法挑出这些错误，纯 AI 大模型方案始终无法彻底规避“幻觉”问题，即使简单场景下准确率很高，也难以胜任严肃的企业场景
想象一下：财务人员查询“上季度华东区销售收入”，AI 误将“华东”的范围理解错误，生成错误查询和错误数据，而用户毫无察觉地拿着这份数据去做了汇报——这是任何企业都无法容忍的风险

四、润乾报表创新的架构：“规则引擎主导 + LLM 辅助”

面对“LLM 直接生成 SQL”的可靠性困境，专业报表厂商润乾提出了值得借鉴的思路：不让大模型直接生成 WHERE 子句，而是让它只做擅长的事——理解自然语言并将其规范化；最终的 SQL 生成交给确定性的规则引擎来完成

这套架构的核心工作流程如下：
第一步：自然语言输入
用户在报表界面上直接输入汉语命令，比如“查询上周发货到华北的订单”

第二步：LLM 规范化
LLM 将用户的自然语言理解并规范化为结构化的汉语描述，例如规范为“发货日期大于等于 2026-03-30 且小于等于 2026-04-05，且城市属于北京、天津、张家口、石家庄、秦皇岛”

第三步：用户确认（解决幻觉的关键步骤）
规范后的汉语命令直接展示给用户，如果转换有错误，用户当场就能发现并拒绝，比如城市里出现了沈阳 大连等东北城市
第四步：规则引擎生成 SQL
确认无误后，由确定性的规则引擎将规范化后的条件翻译为准确的 WHERE 子句，执行查询并刷新报表数据
这套架构的关键设计思想在于：将 LLM 的“幻觉”风险隔离在用户可见、可纠正的规范汉语命令层面，不让它渗透到最终的 SQL 生成环节，既享受了 AI 的灵活性，又保证了结果的确定性

五、架构之外的几点技术考量

1. 数据安全与合规
在这个架构中，LLM不直接接触任何数据，只负责自然语言到规范化描述的转换，这意味着敏感数据不会流入大模型服务，大大降低了数据安全与合规的风险
2. 与现有系统的集成方式
这种方案的核心优势之一是低侵入性——不改报表、不改模板，只是给用户多了一个“说话”的入口，对于已有大量存量报表的企业来说，这意味着无需推倒重来，就可以让现有报表获得 AI 能力
3. 成本是否可控
LLM 只负责规范自然语言，涉及的推理较少，产生的 Token 费用就在可控范围内，有能力或者要求的企业，甚至可以在内部部署私有小参数模型来承担这一翻译任务，需要的硬件成本和人员成本也远比常规大模型要低很多

六、总结：AI 增强的正确姿势

回到最初的问题：如何给已有报表系统增加 AI 语言查询能力？
技术上的答案或许是润乾报表这种新型的“规则引擎主导 + LLM 辅助”的架构思路——让 AI 做它擅长的事情（理解自然语言），让确定性系统做它擅长的事情（生成准确查询），两者各司其职
但更深层的答案是：不是取代，而是增强；不是推倒重来，而是锦上添花
ChatBI 的火爆让很多人觉得数据分析的终极形态就是“问一句，出答案”，但实际应用中，固定报表依然会长期存在——它们承载着企业运营的确定性输出需求，让这些报表变得更智能、更好用，让业务人员可以用最自然的方式与数据对话，这才是 AI 赋能固定报表的正确姿势
当然，这也只是 AI 赋能固定报表的一个场景，更多的探索，还需要技术人员和报表厂商们共同推进