引言

随着大语言模型（LLM）的爆发，ChatBI（对话式商业智能）成为数据分析领域的热门方向。用户仅需用自然语言提问，系统即可自动生成SQL并返回可视化结果。在众多技术路线中，NL2DSL2SQL（自然语言 → 领域特定语言 → SQL） 因其在可控性、准确性和可维护性上的优势，正被越来越多的产品采用。本文将梳理采用该路线的典型ChatBI产品，分析其市场成熟度，并探讨技术开发中的关键点。

一、什么是NL2DSL2SQL？

• NL2DSL：将用户自然语言问题转化为领域特定语言（DSL）。DSL通常由产品自定义，用于描述查询意图、指标、维度、过滤条件等，例如JSON或类SQL的结构化表达。
• DSL2SQL：将DSL进一步翻译为可执行的SQL，由底层查询引擎执行。

相比直接NL2SQL，该路线优势明显：

1. 降低歧义：DSL作为中间层，约束了语义空间，LLM只需生成结构化的中间表示，减少直接生成复杂SQL的语法错误。
2. 易于校验与优化：DSL可被人工审查、修改，并可注入业务规则（如指标口径、权限）。
3. 与语义层解耦：DSL可与现有语义模型（如LookML、Cube.js）对接，复用已有指标定义。

二、采用该路线的主要产品及成熟度

目前，严格公开宣称“NL2DSL2SQL”的产品并不多，但许多ChatBI在架构上实际采用了类似思想。以下基于公开资料和行业调研归纳典型代表：

1. 网易有数 ChatBI

• 技术路线：借助自研的NL2DSL引擎，将问题转为“查询DSL”，再基于语义层生成SQL。DSL包含指标、维度、过滤、排序等元素。
• 市场成熟度：已在网易内部及多个外部客户落地，支持多轮对话、自动纠错，成熟度较高，属于国内第一梯队。

2. 数势科技 SwiftAgent

• 技术路线：采用“指标平台+NL2DSL”架构，用户问题先映射到指标平台的DSL（指标、维度、时间范围等），再生成SQL查询底层数据仓库。
• 市场成熟度：专注金融、零售等行业，产品化程度高，已获得多家头部客户，成熟度中等偏上。

3. 观远数据 ChatBI

• 技术路线：基于“语义层+LLM”实现，先将自然语言转为观远特有的分析DSL（类似JSON），再解析为SQL。DSL支持复杂的计算逻辑和权限控制。
• 市场成熟度：在零售、消费行业有较多案例，产品迭代较快，成熟度中等。

4. 微软 Power BI Copilot

• 技术路线：虽然官方未明确使用“NL2DSL2SQL”术语，但其架构包含“语义模型”层。Copilot将用户问题转为对语义模型的操作（可视为一种DSL），再由DAX或SQL执行。可认为是该路线的变体。
• 市场成熟度：依托Power BI庞大生态，已全面商用，成熟度极高，但中文场景支持相对较弱。

5. Tableau Pulse / Ask Data

• 技术路线：Ask Data将自然语言转为可视化查询（VizQL），VizQL可视为一种DSL，再生成底层查询。Pulse则更强调指标监控。
• 市场成熟度：全球范围内成熟度高，但Ask Data已逐步被Pulse取代，且对复杂SQL的支持有限。

6. 百度 Sugar BI ChatBI

• 技术路线：基于文心大模型，先解析为查询意图DSL，再生成SQL。强调与百度智能云生态集成。
• 市场成熟度：在国内有一定客户基础，成熟度中等。

7. 其他

• 帆软 FineChatBI：采用“ FineDSL ”中间层，支持指标、维度、过滤等，已发布多个版本，成熟度逐步提升。
• 火山引擎 DataLeap ChatBI：内部使用NL2DSL2SQL，结合数据地图和语义层，目前主要在字节内部及部分外部客户试用。

三、市场成熟度总览

| 产品 | 技术路线明确度 | 商用程度 | 行业覆盖 | 成熟度评级 |
|------|--------------|---------|---------|-----------|
| 网易有数 ChatBI | 高 | 广泛商用 | 多行业 | 高 |
| 数势科技 SwiftAgent | 高 | 商用 | 金融、零售 | 中高 |
| 观远数据 ChatBI | 中高 | 商用 | 零售、消费 | 中 |
| Power BI Copilot | 变体 | 全球商用 | 全行业 | 极高 |
| Tableau Pulse | 变体 | 全球商用 | 全行业 | 高 |
| 百度 Sugar BI | 中 | 商用 | 国内多行业 | 中 |
| 帆软 FineChatBI | 中 | 逐步商用 | 国内多行业 | 中 |
| 火山引擎 DataLeap | 高 | 内部+试用 | 互联网 | 中低 |

NL2DSL2SQL路线在国内市场已进入商业化早期，头部产品在特定行业有标杆案例；国际市场则多以大厂生态的变体形式存在，成熟度更高但技术术语不统一。

四、技术开发关键点

若企业计划自研采用该路线的ChatBI，需重点关注以下环节：

1. DSL设计

• 需平衡表达力与简洁性。DSL应覆盖指标、维度、过滤、排序、时间粒度、同环比等常见分析操作。
• 建议采用JSON Schema，便于LLM生成和代码校验。

2. NL2DSL的Prompt工程与微调

• 使用Few-shot示例引导LLM输出合法DSL。
• 可基于业务数据微调小型LLM（如7B模型），提升意图识别准确率。
• 引入意图澄清机制，多轮对话中补全缺失信息。

3. DSL2SQL的编译器

• 将DSL转换为SQL时，需适配不同数据库方言（MySQL、PostgreSQL、ClickHouse等）。
• 支持语义层映射：例如DSL中的“销售额”自动替换为SQL中的SUM(price*qty)。
• 内置SQL优化器，避免全表扫描。

4. 语义层与元数据管理

• 构建统一的指标平台，定义原子指标、派生指标、维度、权限。
• DSL应引用语义层中的唯一ID，而非硬编码表名。

5. 结果校验与反馈闭环

• 对生成的DSL进行语法和语义校验（如指标是否存在）。
• 引入用户反馈按钮（“结果是否正确”），持续优化模型。

6. 性能与缓存

• 常用问题的DSL可缓存，避免重复LLM调用。
• 对LLM进行异步调用和流式输出，提升交互体验。

五、

NL2DSL2SQL在ChatBI中正成为一种务实的选择：既利用了LLM的语义理解能力，又通过DSL中间层保证了可控性和可维护性。目前，国内市场以网易有数、数势科技等为代表的产品成熟度较高，而国际巨头如微软、Tableau则以变体形式实现了大规模商用。技术开发的核心挑战在于DSL设计、语义层建设与LLM调优——这绝非纯算法问题，而是工程、数据与业务的深度结合。随着语义层标准化和LLM能力提升，该路线有望成为ChatBI的主流架构。