AskTable 是基于大模型驱动的下一代数据智能平台，致力于用 AI 重塑人和数据的交互体验。它不再只是数据查询工具，更是综合了分析师、开发者与设计师能力的智能体。其核心价值在于显著降低门槛，激发企业全员的数据生产力。
1.1 核心能力（Core Capabilities）
- •AI 问数：支持用自然语言直接发问，AI 智能理解数据意图，自动返回结果。
- •AI 生成 SQL：将业务语言转为标准、可执行的 SQL 语句，适配 20+ 种数据库。
- •AI 生成 Report：一键生成包含表格、图表和文字解读的分析报告，适用于业务复盘与汇报。
- •AI 辅助数据分析：通过 AI Canvas 等创新特性，助力复杂业务场景的深度洞察。
1.2 核心概念（Core Concept）
AskTable 是企业级的 AI 数据智能体平台（AI Table Agent Platform），提供自然语言驱动的数据分析服务。其系统架构从用户和管理员两个视角设计，满足“随时随地用数据”和“安全可管控”两层诉求。
1.2.1 用户视图
面向日常数据使用者，强调简单易用与高效交互。支持网页、微信、飞书、钉钉、小程序、APP 等多端使用。包括：
- •对话（Chat）：通过聊天界面自然语言提问，如“上季度营收情况”，系统自动生成 SQL 并反馈结构化结果。
- •报告（Report）：基于提问结果，自动生成标准化分析报告，综合表格、图表和解释文本。
无需任何数据库、BI 工具经验，即可流畅完成“提问-分析-报告”的全链闭环。
1.2.2 管理员视图
为保障企业级需求，提供全面的配置与管控能力：
- •业务知识（Knowledge）：管理企业术语、规则、上下文，提升问答业务相关性。
- •元数据大脑（Meta Brain）：统一表结构、字段、血缘等元信息管理，自动生成 SQL 的元数据基础。
- •数据（Data）：对接 Excel、数据库、数据仓库等多源异构数据。
- •Bot（AI 数据助手）：支持“数据-知识-角色”灵活绑定，定制场景化问答与分析。
- •角色（Role）：细分权限边界，实现按部门/业务角色精准授权。
- •策略（Policy）：配置字段级权限、脱敏、查询频率等，保障合规与安全。
- •项目（Project）：按业务线/部门集中组织资源与权限，便于管理。
总结：
AskTable 以用户视图释放“易用性”，以管理员视图保障“可控性”，实现了高效与高安全的最佳平衡。
AskTable 采用模块化设计，确保复杂 IT 环境下高可用、高扩展性。
2.1 核心系统模块
- •AT Web：前端应用，提供极简直观的交互界面。
- •AT Server：核心服务器，实现业务逻辑编排和分发。
- •AT SQL Database：存储系统元数据，兼容 PostgreSQL 协议。
- •AT Search Engine & Vector Database：强大的搜索与向量数据库，支撑检索增强生成（RAG）能力，保障 AI 检索精准。
- •AT Observer：全链路观测服务，助力监控与性能分析。
2.2 外部集成体系
- •业务系统接入：支持 ERP、MES、CRM 等主流企业系统集成。
- •数据源支持：兼容 MySQL、PostgreSQL、达梦、StarRocks 等主流及国产数据库。
- •办公协同：原生集成飞书、钉钉、企业微信等 IM，以及 Tableau、帆软等 BI 工具。
- •算力与大模型：支持 Qwen、DeepSeek 等主流模型，适配华为、NVIDIA GPU 算力资源。
AskTable 技术体系自上而下可分为 4 层：
3.1 Core Abilities （能力入口层）
面向用户，聚焦场景与体验。如智能问数、查询分析、可视化等都可一键操作。支持数据挖掘、自动报告、洞察推送，并灵活嵌入钉钉、飞书等企业生态。
3.2 AI Engines （AI 分析大脑）
核心智能，负责将用户自然语言问题自动化转为数据分析任务。内置语义理解、Agent 决策、多步推理、SQL/Python 生成与执行、洞察提取等能力。实现“理解-计划-生成-解读”的端到端闭环。
3.3 Core Tech （智能基础设施层）
用多数据源中间件统一数据库访问，隐藏异构底层细节。支持元数据智能发现、数据知识图谱自动构建、权限细分管理、监控与追踪，支撑海量业务无缝接入。
3.4 Data Foundation （数据地基）
高效可靠的数据与缓存存储体系。以 MySQL/PostgreSQL 为核心，结合 Qdrant 向量库、Meilisearch 全文检索系统、结果缓存与代码缓存、DataFrame/文件/报告等持久化能力，保障数据安全、高速可用。
理解 AskTable 的工作链路，有助于企业更好地培训员工、高效落地数据智能。
- •用户提问（User Question）：提交自然语言数据需求（如“查询 2024 年 Q1 销售额”）。
- •元数据检索（Meta Retrieval）：
- •Accessable Meta：基于权限、策略筛选可用数据范围；
- •Relevant Meta：智能检索需要的业务逻辑、表结构、指标解释与上下文。
- •生成与改写（Generation & Rewrite）：
- •AI 首次生成 SQL 语句，并结合个性化偏好/历史习惯自动改写、优化查询。
- •结果输出：返回结构化数据表或可执行代码（Python/SQL），并自动生成解读与可视化报告。
每一步都可配置、可观测，支持人工校验与调整，兼顾智能化与可控性。
AskTable 的核心理念为“提供上下文，而非控制（Context, not Control）”，即通过高质量的语境和知识，驱动智能决策。
5.1 双层记忆模型
AskTable 采用创新性的双层记忆框架，将数据分析过程中的“即时语境”与“长期知识”有机结合。
| 维度 | Context (即时记忆) | Trained Knowledge (长期知识) |
|---|
| 本质 | 运行时加载的“即时世界” | 训练入模型的“企业世界观” |
| 技术 | RAG, Vector DB, Context Orchestration | Transformer, MoE, Fine-tuning, LoRA |
| 特点 | 灵活更新、敏感、个性化强 | 深层理解、表达一致、稳定可靠 |
5.2 三大知识支柱
- •Session（即时语境）：实时捕捉用户意图、场景、身份、数据状态。
- •Knowledge（企业知识）：积累企业长期业务规则、指标与术语库。
- •Preference（决策偏好）：定义报表格式、结果样式、权限范围等，提高自动决策的个性化。
6.1 提示词工程（Prompt Management）
通过“任务分解（Task）-模型优化（Model）-输出格式（Output）-版本管理（Version）”等体系，AskTable 精细打磨 Prompt，保证 AI 可解释与高一致性的产出。
6.2 容错与闭环
- •支持 AI 事实检查（Fact-checking），并结合“人工环路（Human-in-the-loop）”实施高风险任务复核。
- •全流程关注相关性、完整性、可信度三性原则（Relevance、Completeness、Trustworthiness）。
- •优先保障“上下文质量 > LLM 算法优化 > 微调”，强调实用环境中高质量数据语境的重要性。
AskTable 让每一个人都拥有自己的“AI 数据助手”。从查询、分析到管理，打造企业级数据智能落地的坚实基座。欢迎体验、交流、共同推动数据智能新范式！
