大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。



小华是市场部的业务员，对SQL一窍不通。以前要分析数据，他只能提需求给数据团队，然后苦等几天。

现在，他只需对着ChatBI说：”“。

于是，系统立刻启动了：

1️⃣ 知识召回：RAG（检索增强⽣成）技术迅速从知识库中匹配相关信息，了解”渠道”、”获客成本”、”转化率”在公司数据体系中的定义和存储位置。

2️⃣ 信息提取：系统自动识别出查询意图是要分析”各渠道获客成本”和”转化率”的相关性，并确定时间范围为”上个月”。

3️⃣ SQL转换：DeepSeek大模型将自然语言转换为标准SQL，安全校验后，查询指令精准送达Doris数据库。

4️⃣ 智能可视化：系统判断这是典型的相关性分析场景，自动选择散点图展示，并在右侧添加了pearson相关系数，让小张一目了然。

整个过程不到一分钟，小张惊讶地看着面前生成的数据图表，不禁感叹：”这简直是啊！”

今天，我们就一起来实现一个简易版的，快速体验其中的纷纷扰扰 ⬇️

传统数据分析的困扰着无数企业：。数据仓库建好了，业务人员却不会用；报表做出来了，洞察难以直观表达；分析结果有了，决策者还要等半天!

Doris+DeepSeek V3组合拳的出现，正如一把利剑，直指这些痛点。

你还记得那些等待Hive查询结果喝完一整杯咖啡的日子？而Doris让数据查询速度提升了10倍以上，同时保持了优秀的扩展性，支持。其独特的，让复杂查询也能在亚秒级完成，这正是。即使面对千亿级数据，分析依然如丝般顺滑。

那么，这会就会有小伙伴提出疑问，

这套组合不仅技术先进，更是极致性价比的体现，并且都以开源著称：

方案主要分为4个模块：

1. 用户自然语言交互层

你说人话，系统能听懂。

就好比和真人聊天一样，可以直接用大白话提问。比如：“”，系统不需要你写代码或记指令，你说人话它就能接住。

2. DeepSeek V3 模型处理层

系统的。这个大脑主要干5件事：

1️⃣ 知识召回：先翻自己的知识库，比如“销售额”对应数据库里的哪个字段

2️⃣ 理解意图：拆解你的问题，知道你想查“最高”而不是“平均”

3️⃣ Text2SQL：把问题翻译成数据库能懂的查询语句（比如生成 ）

4️⃣ 动态Prompt组装：灵活调整问题的，好比，把零散的信息（）打包成清晰的指令，让大模型干活不懵圈

5️⃣ 安全把关：检查生成的SQL会不会拖垮数据库，或者有没有危险操作，像保安一样守门

3. Apache Doris数据层

超能的大仓库：

1️⃣ 专门存海量数据（比如亿条销售记录），支持。

2️⃣ 类似Excel但更强大，几十人同时问“不同区域销量”也能。

3️⃣ 适合，老板临时要报表也不卡壳。

4. 智能可视化BI层

数据变成：

1️⃣ 把冷冰冰的数据变成柱状图、折线图，一眼看懂趋势

2️⃣ 自动标注重点，比如高亮显示异常下跌的月份

3️⃣ 像智能助手一样告诉你：“华南区Q1增长300%，建议增加库存”

确定好方案后，即刻开撕代码。

环境准备

1. Doris环境

如果已经有Doris集群，直接用即可。

若当前还没Doris环境，可以参考Doris官方文档，基于Docker或本地化快速部署搭建一套Doris集群 🔗 ：

2. DeepSeeek环境

由于DeepSeek V3本地Ollama部署只有，故而选择了用API形式。

本文选用的是火山引擎平台（）：

3. Python环境

本次使用的Python版本是，相关的包都可以畅通无阻的install（建议用conda管理py环境）：

4. Ollama环境

本次用到的embeddings model依旧是。

需要本地安装Ollama，然后进行启动并安装对应包即可：

代码实现

经过一臻和老崔七七四十九秒的编写调试，完整代码如下：

代码解析

代码经过精简，很多block没有进行过多地细化深入。主要是为了让大家能够快速熟悉Doris+DeepSeek V3体验ChatBI的完整流程，后续可以结合自己需求，按模块进行调整应用。

代码主流程如下：

主要分为和。

1. Application Initialization

主要行为：

1️⃣ 确认向量化知识库路径是否正常

2️⃣ 作用好比是一个智能的文档整理员，它的工作流程可以简单理解为：收集文档 -> 拆分内容 -> 转换格式() -> 建立索引（基于本地向量化数据库）。

整个过程相当于：。这样后续问答时，LLM就能像图书管理员一样快速找到相关知识了！

2. User Interaction Flow

好比BI端，负责：搭建对话窗口 -> 设置应答规则 ->  ->  -> 智能问答，其中核心：

1️⃣ 记忆管理 ，主要是记录思考过程并捕捉最终答案。

2️⃣ 组装AI助手 ，主要是基于LLM Agent机制准备工具包和，再把工具包和LLM组装成具备决策能力的AI助手。

相当于给LLM装了个”工具选择器”：遇到问题时，先自动判断该查知识库还是查数据库，再调用相应工具获取信息，最后整理成人类能理解的回答。

其它说明

1. 测试文件

主要导入了1个md文件()：

🔗 Doris版本最新发布文档：

2. 提示词

构建agent chain时，prompt提示词这块值得一提：

大家结合应用时可以个性化调整 ⬆️

3. ChatBI应用场景

ChatBI的企业级应用，通常可以归纳为三个递进式的智能场景：

1️⃣ 智能问答查数据：好比给大家配了个”数据助手”，用户用大白话提问（比如”上个月哪个区域卖得最好？”），系统通过的语义理解能力，自动关联数据库中的区域、销售额等字段，秒级生成精准查询结果。这层能力覆盖了80%的日常数据需求，让不会写代码的业务人员也能自助查数。

2️⃣ 对话式做报表：在查数基础上，系统会像设计师一样主动给建议——知识图谱能识别”销售额趋势”需要折线图，”区域对比”适合柱状图。用户只需在自动生成的图表草稿上微调颜色、排序，就能快速组装出。这种”“的模式，比传统拖拽式BI效率提升5倍以上。

3️⃣ 深度分析找规律：当用户追问”为什么某区域销量突降？”，知识图谱会联动供应链、市场活动等多维数据，自动生成归因报告。更高级的场景还能预测下季度业绩、识别异常波动风险。这相当于给企业配备了24小时在线的”数据分析师”，用。

本文Demo只实现了1️⃣ 智能问答查数据 中的部分模块。真正去企业级落地，还需要结合，类比为一种的映射机制，但两者的对应关系并非简单的库表结构，而是通过语义网络实现的深层知识关联。简而言之，需要实现：

实体映射：自然语言中的名词 → 知识图谱的节点（类似数据库主表）⬇️

关系映射：自然语言中的谓语 → 知识图谱的边（类似关系型数据库外键）⬇️

语境映射：语言隐含逻辑 → 图谱的子图结构（类似数据库视图）⬇️

知识更新：语言的新表述 → 图谱的Schema扩展（类似DDL语句）⬇️

验证机制：语言生成结果 → 图谱的约束检查（类似数据库事务）✅

代码编写调试完后，来对比下结果。

首先，由于借助了进行UI化，所以在启动程序的时候，需要在终端输入如下命令进行启动：

执行对应的命令后，程序会在电脑默认浏览器中打开一个BI交互端：

随后，我们先基于测试的本地文件进行一个简单测试：

结果正确，和Doris官方文档介绍的一样。

接着，我们来试试简易版的场景：

结果正确，和Doris的库表信息一致！

，数据分析的大门向所有人敞开。从此，数据不再是技术专家的专属领地，而是每位成员的智能助手。

曾经，我们苦苦等待报表生成，辛苦解读数据含义；如今，我们只需一句话，数据便会主动。

下次当你还在为复杂SQL挠头时，不妨想想：也许是时候让AI成为你的数据分析搭档了。毕竟，科技的意义，？

至此，体验完成。后续将会结合，发布Doris ChatBI企业应用级的完整版，敬请期待！