本文详细介绍了基于 QoderWork Agent Skill 的 NL2SQL 系统在高德超大规模数仓中的两阶段架构演进、知识工程方法及落地效果。
📝 详细摘要
文章首先回顾了高德数据驱动运营中产运同学的取数痛点以及数仓的复杂性，接着详细描述了 V1 版本按业务域拆分的独立 Skill 方案及其暴露的五个结构性问题（用户安装成本高、路由天花板低、表规模扩充加剧域间冲突、维护成本指数膨胀、后续扩展不便）。随后介绍了 V2 版本的四层架构：L1 域路由层（确定性规则表）、L2 知识加载层（按需加载域知识）、L3 标准工作流层（六步统一流程）、L4 公共服务层（日期计算、安全约束等共享逻辑），并解释为何选择确定性两级路由而非 RAG。知识工程部分阐述了六节知识卡片标准、半自动化文档产出流程、知识分层与变更频率对齐以及 AI‑Friendly 标准分评估体系。文中还介绍了质量保障机制（评测驱动迭代、DDL 一致性监控、用户反馈闭环），并总结了五条核心设计原则：确定性优于模糊性、按需加载优于全量灌入、知识分层对齐变更频率、标准化优于自由发挥、评测驱动优于经验判断。最后给出落地成效：三个业务方向落地，NL2SQL 准确率超过 90%，智能问数场景覆盖率超 90%，相比传统人工取数流程提速 30 倍以上。
💡 主要观点
- V1 按业务域拆分的独立 Skill 暴露五个结构性问题。 包括用户自行判断安装 Skill 的认知负担、基于 description 的语义路由上限低、表规模扩大导致域间冲突、概念模糊导致跨域查询不可行、公共逻辑在多个 Skill 中重复维护导致成本指数增长以及新增域或调整域边界时迁移成本高。
💬 文章金句
- 我们基于 QoderWork Agent Skill 构建了一套 NL2SQL 智能取数系统，系统定位很明确：以元数据为权威、以规则为约束、以 LLM 为规划器、以 ODPS 为执行引擎。
- 第一，业务术语的语义重叠让 embedding 相似度不可靠。‘收入’在广告域指广告投放收入，在业财域指财务结算收入——这两个 ‘收入’ 的 embedding 几乎一模一样，但对应的表和口径完全不同。
- 二级路由（{domain}/DOMAIN.md，~100 行/域） 负责域内选表。每个域的 DOMAIN.md 包含以下内容：域边界定义（什么属于/不属于本域）、可用表清单及迁移状态、常见问题到推荐表的映射、选表优先级链（ADS > DWS > DWD）、跨域边界指引。
- 知识质量是一个模糊的概念，我们需要把它量化。‘AI‑Friendly 标准分’是我们设计的知识质量评分体系，从字段覆盖率、口径完整度、SQL 模板覆盖率、场景标注率、路由规则完备度五个维度对每个域的知识库打分。
- 截至 2026 年 4 月底，系统在三个业务方向落地，均采用同一套架构设计，统一迭代。在能力指标上，多个业务方向的 NL2SQL 准确率超过 95%。
📊 文章信息
AI 初评：92
来源：阿里技术
作者：阿里技术
分类：人工智能
语言：中文
阅读时间：38 分钟
字数：9422
标签： NL2SQL, Agent Skill, 大模型, 知识工程, 数据仓库