数据分析 Agent 如何支持「对话式分析「

数据分析 Agent 如何支持「对话式分析「

配图（无描述）

1️⃣ 考察意图

面试官想看你能否让数据分析像聊天一样自然——用户不需要写 SQL 或操作 BI 工具，用自然语言层层深入分析。

2️⃣ 标准答

对话式分析的核心是"上下文继承 + SQL 增量修改 + 智能引导"：

• 上下文继承：保留最近 5 轮查询的 SQL + 结果摘要。用户说"按品类拆分"时，Agent 从历史中找到上月销售额的 SQL，在其基础上添加 GROUP BY category
• SQL 增量修改：不是从零生成新 SQL，而是用 sqlglot 解析前一个 SQL 的 AST，修改特定节点（如添加 GROUP BY / WHERE 条件 / JOIN 表）。比从零生成准确率高 20%+
• 智能引导：每次结果后建议 2-3 个"下一步分析方向"。如查完"销售额"→建议"按品类拆分"/"对比上月"/"TOP10客户"
• 可视化联动：对话中自动生成图表。用户说"画个趋势图"→Agent 生成折线图
• 回溯能力：用户可以"回到第3步看那个数据"→Agent 恢复第3轮的查询结果

3️⃣ 答题模板

"上下文继承5轮+SQL增量修改（AST级修改比从零生成准确率高20%）+智能引导（每次建议2-3个下一步）+可视化联动+回溯能力。核心：对话式分析不是'每次从零开始'而是'在前序结果上增量深入'。"

4️⃣ 高频追问

追问：SQL 增量修改具体怎么实现？

用 sqlglot 解析前一个 SQL 为 AST → 定位修改节点（如 SELECT 列表添加 category、添加 GROUP BY category）→ 重新生成 SQL。比让 LLM 从零生成新 SQL 准确率高 20%，因为保留了前序查询的正确部分。如果增量修改失败（AST 操作复杂），回退到从零生成

5️⃣ 避坑

• ❌ "每轮对话独立生成SQL" → ✅ "独立生成丢失上下文（'按品类拆分'无法理解）。需要上下文继承+SQL增量修改。"

6️⃣ 简历呼应

• 用 LangChain + sqlglot 实现对话式分析原型，测试增量修改 vs 从零生成的准确率差异
• "Conversational Text-to-SQL" (Flores et al., 2023)