引言：智能问数解决什么问题

智能问数是沈管家AI数字员工的核心功能模块之一。它解决的是企业数据查询的“最后一公里”问题：业务人员不懂SQL，IT排期太慢，数据藏在多个系统的数据库里取不出来。智能问数让业务人员用日常口语直接查询数据——说一句“上月华东区销售额最高的五个客户”，系统自动转化为SQL，跨库拉取数据，生成可视化图表。

本教程将完整演示智能问数的配置流程：从业务场景定义、数据库连接、业务术语库配置，到测试查询和异常排查。完成配置后，业务人员即可用自然语言查询企业数据，无需等待IT排期。

下面是智能问数从配置到使用的整体流程：

前置条件

开始配置前，请确认以下条件：

1. 已完成沈管家账号注册和企业认证，或已完成私有化部署。
2. 已登录管理控制台，具备“数据源管理”和“术语库管理”的配置权限。
3. 已准备至少一个可连接的测试数据库（MySQL、Oracle 或 InfluxDB），并已获取连接信息（主机地址、端口、数据库名、账号、密码）。
4. 已了解目标数据库的基本表结构和字段含义——这步需要DBA或熟悉业务的IT人员配合。

一、业务场景定义：先想清楚要查什么

配置智能问数的第一步不是技术操作，而是明确业务场景。智能问数的效果高度依赖场景定义的清晰程度。

1.1 明确查询需求

先回答三个问题：谁在查（车间主任、销售主管、财务专员）、查什么数据（产量、销售额、库存、设备状态）、查询频率多高（每天、每周、临时）。

以制造业典型场景为例：

• 查询人：车间主任
• 查询内容：3号产线的OEE、产量、设备故障率
• 数据来源：MES（产量）、SCADA（设备状态）、ERP（计划生产时间）
• 查询频率：每天早会前查询

1.2 确定涉及的数据表和字段

与DBA配合，梳理出每个查询场景涉及的数据表和字段。以OEE查询为例：

数据来源	表名	关键字段	用途
MES	production_records	line_id, output_qty, record_date	产量数据
SCADA	equipment_status	device_id, run_time, downtime, status_date	设备运行时长与停机时长
ERP	work_centers	center_id, line_name, planned_time	计划生产时间

梳理完成后，OEE计算公式为：可用性 × 性能 × 质量，其中可用性 = 运行时长 / 计划生产时间，性能 = 实际产量 / 理论产量，质量 = 合格品数 / 总产量。

1.3 记录典型查询语句

整理3-5条典型的自然语言查询语句，作为后续测试的基准。例如：

• “3号产线昨天的OEE是多少？”
• “上月华东区销售额最高的五个客户？”
• “当前库存低于安全线的原材料有哪些？”
• “最近一周哪条产线的故障停机时间最长？”

这些语句将用于验证术语库映射和查询准确率。

二、数据库连接配置：接入MySQL/Oracle/InfluxDB

2.1 进入数据源管理

在管理控制台左侧导航栏选择“数据源管理”，点击“添加数据源”。

2.2 MySQL接入

选择数据库类型“MySQL”，填写连接信息：

配置项	说明	示例
数据源名称	自定义，建议用系统名称	“MES生产数据库”
主机地址	数据库服务器内网IP或域名	192.168.1.100
端口	MySQL默认3306	3306
数据库名	目标数据库名称	mes_production
用户名	数据库账号	butler_readonly
密码	数据库密码	（输入后加密存储）

权限建议：为智能问数单独创建一个只读账号，避免AI的查询操作误写数据。如果业务场景需要写操作（如更新工单状态），需单独授权对应表的写权限。

2.3 Oracle接入

选择数据库类型“Oracle”，填写连接信息。相比MySQL，Oracle接入需要额外填写：

配置项	说明	示例
连接方式	选择SID或Service Name	Service Name
SID/Service Name	Oracle实例标识	ORCLPDB1
Schema	目标Schema名称	ERP_USER
字符集	通常保持默认，特殊场景需调整	UTF-8

Oracle的SQL方言与MySQL不同——分页用ROWNUM或FETCH FIRST而非LIMIT，字段名通常大写。沈管家会自动适配方言，但术语库配置时需注意字段名大小写与Oracle实际存储一致。

2.4 InfluxDB接入

时序数据库InfluxDB的接入与关系型数据库差异较大：

配置项	说明	示例
连接方式	选择InfluxDB版本（1.x或2.x）	2.x
组织	InfluxDB 2.x的Organization	factory_ops
Bucket	数据存储桶	scada_metrics
Token	API访问令牌	（由InfluxDB管理端生成）

InfluxDB使用类SQL语法（InfluxQL/Flux），沈管家在子查询分发时会自动适配方言。在术语库中配置字段映射时，需注意InfluxDB的field和tag区别——tag用于筛选条件，field用于计算值。

2.5 测试连接与Schema爬取

填写完成后点击“测试连接”。系统会尝试连接数据库，验证网络可达、认证通过。连接成功后自动进入“Schema爬取”阶段——系统读取目标数据库的元数据（表名、字段名、字段类型、主外键关系），构建Schema知识图谱。此过程对大型数据库可能需要数分钟。

爬取完成后，可在“Schema预览”中查看系统识别到的表和字段清单，确认爬取结果是否完整和准确。

三种数据库的接入流程对比如下：

三、业务术语库配置：让AI听懂车间口语

业务术语库是智能问数配置中最关键、也是最需要花精力的环节。它决定了AI能否将业务人员的口语准确映射到数据库字段。

3.1 进入术语库管理

在管理控制台中选择“术语库管理”，点击“新建术语映射”。

3.2 配置字段级映射

将业务口语词映射到具体的表和字段。以制造业场景为例：

示例一：将“效率”映射到OEE字段

配置项	内容
业务术语	效率
映射类型	字段映射
目标数据源	MES生产数据库
目标表	production_records
目标字段	oee_percentage
同义词	OEE、设备综合效率、稼动率

示例二：将“开动率”映射到设备运行率字段

配置项	内容
业务术语	开动率
目标数据源	SCADA数据库
目标字段	machine_utilization_rate
同义词	设备开动率、运行率、运转率

示例三：将“产线”映射到表关联字段

配置项	内容
业务术语	产线
目标字段	line_name
同义词	生产线、制造单元、机台、工位

3.3 配置同义词映射

同义词映射让AI理解“3号线”“三号线”“3号产线”“LINE-3”指的是同一对象。在术语库中为每个业务实体配置同义词组。

以“华东区”为例，可能出现在不同表中的值有：“华东”“East China”“EC”“华东大区”。需要在同义词配置中将这些变体映射到统一的语义标签。

3.4 配置聚合规则

部分查询需要聚合计算。例如“销售额”可能指向订单明细表中金额字段的求和，而非单条记录。在术语库中需配置：

配置项	内容
业务术语	销售额
目标字段	order_amount
聚合方式	SUM
分组维度	按客户、按区域、按时间

3.5 术语库维护建议

术语库配置不是一次性工作。建议在企业内部建立术语库维护机制：新业务上线、系统表结构变更、员工新口语习惯出现时，及时更新映射关系。术语库的质量直接决定智能问数的准确率——术语库映射越完善，AI越能准确理解业务人员的口语。

术语库的配置层次如下：

四、测试查询：从自然语言到SQL到图表

4.1 进入智能问数测试

在管理控制台选择“智能问数”，进入测试界面。输入准备好的测试语句。

4.2 测试单表查询

先测试简单的单表查询，验证数据库连接和字段映射是否正确：

输入：“3号产线昨天的产量是多少？”

系统执行链路：

1. 口语消歧：“昨天”→“2026-08-17”，“产量”→output_qty字段
2. SQL生成：SELECT output_qty FROM production_records WHERE line_name = '3号线' AND record_date = '2026-08-17'
3. 执行查询，返回结果
4. 生成图表

4.3 测试跨库查询

再测试涉及多套数据库的复杂查询：

输入：“3号产线昨天的OEE是多少？”

系统执行链路：

1. 从MES查询产量数据
2. 从SCADA查询运行时长和停机时长
3. 从ERP查询计划生产时间
4. 按OEE公式关联计算
5. 返回可视化结果

在结果页面可查看生成的SQL语句。建议与DBA一起检查SQL的正确性——表关联路径是否准确、字段映射是否正确、方言适配是否合适。

4.4 测试归因分析

测试数据异常时的归因分析能力：

输入：“最近一周3号产线的OEE趋势，为什么周二下降了？”

系统返回OEE趋势图，并自动下钻分析——周二OEE下降的主因是设备故障增多（可用性下降），具体是哪台设备、什么类型的故障。检查归因分析是否准确、解释是否合理。

智能问数的执行链路如下：

五、异常处理：查询失败时的排查方法

5.1 查询结果为空

可能原因：术语映射错误、筛选条件过于严格、数据源中确实无匹配数据。

排查步骤：

1. 检查系统生成的SQL，确认WHERE条件是否正确。
2. 在术语库中检查映射关系，确认“昨天”映射的日期是否正确、“3号线”映射的字段值是否与实际数据一致。
3. 直接到目标数据库中手动执行SQL，验证数据是否存在。

5.2 SQL生成报错

可能原因：字段不存在、表名拼写错误、跨库关联路径缺失。

排查步骤：

1. 检查Schema爬取是否完整——目标表是否出现在Schema预览中。
2. 检查术语库映射的目标表名和字段名是否与实际数据库一致。
3. 检查跨库关联关系是否已配置——如果术语库中没有定义MES和SCADA的关联字段，跨库查询会失败。

5.3 查询超时

可能原因：查询数据量过大、跨库聚合在引擎层执行负载过高、目标数据库性能瓶颈。

排查步骤：

1. 检查生成的SQL是否包含分页限制（LIMIT/ROWNUM）。如果查询语句是全量扫描，需在术语库或查询参数中增加分页保护。
2. 检查跨库查询的聚合逻辑，将聚合操作尽量下推到各数据源本地执行。
3. 检查目标数据库自身的响应性能，确认是否存在慢查询或锁表。

5.4 结果不准确

可能原因：同义词映射冲突、聚合规则配置错误、跨库关联字段配置错误。

排查步骤：

1. 对比系统生成的SQL与DBA手工编写的SQL，找出差异点。
2. 检查同义词映射是否存在冲突——同一术语被映射到多个字段。
3. 检查聚合规则是否正确——是否遗漏了分组维度、使用了错误的聚合方式。

查询失败时的排查流程如下：

总结

智能问数配置的完整流程可以概括为五步：定义场景、连接数据库、配置术语库、测试查询、持续优化。其中术语库配置是最关键也最需要持续投入的环节——它不是一次性配置完成后就一劳永逸的，而是随着业务发展和员工口语习惯变化需要不断完善的工程。

对于首次配置的企业，建议从一个简单场景开始，跑通全流程后再扩展到更多场景。一个术语映射清晰、数据库连接稳定的单场景智能问数，比十个配置粗糙的多场景查询更有实际价值。

（本文为沈管家AI数字员工产品配置教程，操作步骤基于产品通用流程整理，具体界面和配置项以实际版本为准。）