📊 Почему ChatBI без семантики путает «выручку» с «оборотом»?Всем привет! На CSDN вышел обзор пяти Data Agent для запросов к БД на естественном языке: FineChatBI, Vanna, DB-GPT, ChatDB и LangChain SQL Agent.Общая задача: дать нетехническим пользователям self-service без ручного SQL.Автор сравнивает не «кто круче», а куда кладут «правду» о данных - в модель, в примеры, в инфраструктуру или в память диалога:🐲 FineChatBI - опирается на семантический слой в BI: метрики, связи таблиц, синонимы. Text-to-SQL идёт от бизнес-терминов («выручка», «регион»), а не от сырых col_12, поэтому меньше путаницы вроде выручка vs оборот.Vanna - тянет контекст из вашей схемы и накопленных пар «вопрос - SQL» через RAG. Сильная сторона - быстрый старт на знакомых датасетах; слабое место - редкие метрики, которых нет в обучающих примерах.DB-GPT - open-source стек под локальный деплой: запросы и данные остаются внутри периметра. Акцент на безопасности и своём железе, а не на облачном API.ChatDB - хранит контекст диалога и знания о схеме в самой БД, а не только в окне чата. Удобно, когда один агент обслуживает разных людей с общей «памятью» о структуре данных.LangChain SQL Agent - собираемый каркас по ReAct: подумал - выполнил SQL - посмотрел результат - уточнил. Максимальная гибкость, но качество сильно зависит от промптов, инструментов и того, кто это настраивает.Главная мысль обзора: точность растёт не от размера модели, а от заранее описанных метрик, связей и синонимов.Используете ли подобных Data Agent в работе с BI? Если да - напишите в комментариях, где они уже помогают.🔗 https://blog.csdn.net/chuer_/article/details/160149811#ChatBI #TextToSQL #FineBI #DataAgent
