告别传统 Text-to-SQL:基于 Spring AI Alibaba 的数据分析智能体 DataAgent 深度解析
前言:AI 数据分析的“最后一公里”
在企业数字化转型的浪潮中,我们发现很多公司依然面临着“数据深渊”:业务人员想看数据,却受限于复杂的 SQL 语法;开发者虽然尝试了 Text-to-SQL,但生成的代码逻辑常有偏差,同时也无法应对复杂的统计分析、根因定位等场景。
DataAgent 应运而生。 这不是简单的指令翻译器,而是我们基于 Spring AI Alibaba 生态构建的一位“虚拟 AI 数据分析师”。它能够像专家一样思考、规划、纠错,并最终输出一份带图表、带逻辑、带深度洞察的行业级报告。
从架构上,DataAgent 是一款基于 Spring AI Alibaba 生态构建的、面向企业级复杂场景的“虚拟 AI 数据分析师”。它通过 Spring AI Alibaba Graph & Agent Framework 构建了一套具备自我规划、工具调用、反思纠错及人类干预能力的数据智能体(Agent),通过 graph、multi-agent 模式将确定性流程与模型推理结合在一起,搭建了一套兼具流程确定性与智能化的数据智能体产品。
一、降维打击:为什么 DataAgent 不止是 Text-to-SQL?
二、视频概览
三、整体架构
四、核心黑科技:DataAgent 是如何解决企业难题的?
我们不只是在写代码,而是在解决企业数据决策中的“深水区”难题。以下是 DataAgent 攻克研发痛点、实现架构突破的几大核心战役。
4.1 人类反馈机制 (Human-In-The-Loop)
遇到问题:担心 AI 智商掉线?一个错误的执行计划可能瞬间拖垮生产库,甚至“一步错步步错”。
解决方案:
入口:运行时请求参数
humanFeedback=true(GraphController→GraphServiceImpl)。数据字段:
agent.human_review_enabled用于保存配置,运行时以请求参数为准。图编排:
PlanExecutorNode检测HUMAN_REVIEW_ENABLED,转入HumanFeedbackNode。暂停与恢复:
CompiledGraph使用interruptBefore(HUMAN_FEEDBACK_NODE),无反馈时进入“等待”,反馈到达后通过threadId继续执行。反馈结果:给 AI 穿上约束衣!同意、修改或驳回,都在你一念之间。让 AI 既有速度,又懂规矩。
4.2 Prompt 动态配置与自动优化
遇到问题:修改一句 Prompt 就要重启系统?不同模型对 Prompt 脾气不同,一套模板走天下根本行不通。
解决方案:
配置入口:
/api/prompt-config/*,数据表user_prompt_config。作用范围:支持按
agentId绑定或全局配置(agentId为空)。Prompt 类型:
report-generator、planner、sql-generator、python-generator、rewrite。自动优化方式:
ReportGeneratorNode拉取启用配置(按priority与display_order排序),通过
PromptHelper.buildReportGeneratorPromptWithOptimization拼接“优化要求”。当前实现重点:报告生成节点已落地优化;其他类型为预留能力。
获得效果: 像配置 Excel 一样调优 AI。运维人员无需重启,即可让 DataAgent 瞬间从“菜鸟分析师”变身“首席架构师”。
4.3 深度 RAG 与混合检索增强
遇到问题: 纯向量检索常召回一堆废话?AI 不认识你的业务缩写?表结构太复杂,AI 搜不到。
解决方案:
查询重写:
EvidenceRecallNode将多轮上下文与用户问题组装为检索指令,调用 LLM 生成standaloneQuery,避免上下文遗漏与歧义。召回通道:
AgentVectorStoreService作为统一入口,默认走向量检索;开启混合检索后走AbstractHybridRetrievalStrategy,将“向量召回 + 关键词召回”进行融合。(用户需要提供混合检索实现。当前默认只支持es)召回过滤:
DynamicFilterService生成基于智能体与知识类型的过滤条件,限制检索范围,避免跨智能体串库。文档类型:业务知识(
business_knowledge)+ 智能体知识(agent_knowledge)两类,按agentId/type元数据过滤后合并为 evidence,注入后续 prompt。关键配置:
sp…