Crispin's Blog

基于百炼平台构建贷款业务 Text-to-SQL 智能问答 Agent

技术实践
About 11 min read ( 108 Words )
Reads

背景

在贷款业务中，运营团队每天需要高频查询各类数据指标：放款量、逾期率、客群分布、渠道转化……传统模式下，每一次数据需求都要经历”提需求 → BI → 手写 SQL → 导出结果”的漫长流程，单次耗时 5~10 分钟，遇到复杂多表关联甚至更久, 效率特别低下。

因为本身我有后端背景，而且自己也感兴趣，并且最后需要在 xxx Editor 上构建一个”智能问答”组件，所以这个任务就被我接下来了。

整体架构

1
2
3
4
5
6
7
8
9
10
11
用户（钉钉 / xxx 页面）
        │
        ▼
  百炼 Agent API
        │
  ┌─────┼──────┐
意图识别  SQL生成  图表渲染
  │       │       │
澄清追问 安全校验 卡片/组件推送
        │
   业务数据库

核心链路：意图识别 → SQL 生成 → 安全校验 → 查询执行 → 可视化反馈

入口不止一处——既可以通过钉钉 Robot 对话触发，也可以在 xxx Editor 搭建的运营页面中直接嵌入”智能问答”组件，拖拽即用，零门槛接入，特别好使，哈哈。

一、Agent 工作流设计

利用百炼平台的 Workflow 能力，将整个问答过程拆解为以下节点：

节点 职责
意图识别 判断用户是在查放款数据、逾期数据还是客群分析
参数补全 对模糊时间范围（”上个月”、”最近一周”）自动澄清
SQL 生成 调用 LLM 结合 Schema 上下文生成 SQL
安全校验 语法规则 + 字段白名单双重拦截
查询执行 沙箱环境执行，返回结构化结果集
图表渲染 动态生成图表，输出至钉钉卡片或 Quark 组件

多轮对话机制让模糊意图变得可处理，而不是直接报错：

1
2
3
4
5
6
用户：查一下最近的放款情况
Agent：请问您想查哪个时间段？（今天 / 本周 / 本月）
用户：本月
Agent：需要按渠道拆分吗？
用户：是的，按渠道
Agent：[生成图表] 本月各渠道放款金额如下 ↓

二、Text-to-SQL 工程优化

Schema 上下文构建

贷款业务涉及 30+ 张核心表，字段命名风格不一、指标口径各异，直接交给模型效果很差。我们为每张表构建了结构化的 Schema 描述，明确字段含义与业务口径：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
SCHEMA_CONTEXT = """
表名: table_A（贷款订单表）
字段说明:
  - loan_id: 贷款订单ID
  - user_id: 借款人ID
  - apply_amount: 申请金额（元）
  - approve_amount: 审批金额（元）
  - loan_date: 放款日期
  - channel: 获客渠道（APP/H5/线下）
  - product_code: 产品编码
  - status: 订单状态（1-放款中 2-还款中 3-已结清 4-逾期）

指标口径:
  - 放款量 = COUNT(loan_id) WHERE status IN (2,3,4)
  - 放款金额 = SUM(approve_amount) WHERE status IN (2,3,4)
  - 逾期率 = COUNT(status=4) / COUNT(status IN (2,3,4))
"""

Few-Shot 示例库

针对贷款业务高频查询场景，沉淀典型 NL→SQL 样本，引导模型对齐业务语义：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
FEW_SHOT_EXAMPLES = [
    {
        "question": "查本月各渠道放款金额",
        "sql": """
            SELECT channel, SUM(approve_amount) AS loan_amount
            FROM table_A
            WHERE DATE_FORMAT(loan_date, '%Y-%m') = DATE_FORMAT(NOW(), '%Y-%m')
              AND status IN (2, 3, 4)
            GROUP BY channel
            ORDER BY loan_amount DESC
        """
    },
    {
        "question": "最近7天逾期率趋势",
        "sql": """
            SELECT loan_date,
                   ROUND(SUM(status=4) / COUNT(*) * 100, 2) AS overdue_rate
            FROM table_A
            WHERE loan_date >= DATE_SUB(CURDATE(), INTERVAL 7 DAY)
            GROUP BY loan_date
            ORDER BY loan_date
        """
    }
]

经过 Schema 上下文 + Few-Shot 双重优化，复杂查询的 SQL 生成准确率从 **60% 提升至 90%**左右。

三、安全校验机制

贷款数据高度敏感，SQL 执行前设置两道防线：字段黑名单拦截身份证、手机号等 PII 字段，关键字过滤阻断一切写操作。

1
2
3
4
5
6
7
8
9
10
11
12
FIELD_BLACKLIST = {"id_card", "mobile", "bank_card", "password"}
DANGEROUS_KEYWORDS = {"DROP", "DELETE", "UPDATE", "INSERT", "TRUNCATE", "ALTER"}

def validate_sql(sql: str) -> tuple[bool, str]:
    sql_upper = sql.upper()
    for kw in DANGEROUS_KEYWORDS:
        if kw in sql_upper:
            return False, f"包含禁止操作: {kw}"
    for field in FIELD_BLACKLIST:
        if field in sql.lower():
            return False, f"包含敏感字段: {field}"
    return True, "ok"

四、工具执行与图表渲染

Python Custom Tool

在独立沙箱中执行 SQL，并将结果集动态渲染为图表：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
import pandas as pd
import matplotlib.pyplot as plt
from sqlalchemy import create_engine, text

def execute_query_and_render(sql: str, chart_type: str = "bar") -> dict:
    df = pd.read_sql(text(sql), create_engine(DB_URL))

    fig, ax = plt.subplots(figsize=(8, 4))
    df.plot(kind=chart_type, ax=ax, marker="o" if chart_type == "line" else None)

    img_path = f"/tmp/chart_{uuid4().hex[:8]}.png"
    plt.tight_layout()
    plt.savefig(img_path)
    plt.close()

    return {"data": df.to_dict(orient="records"), "chart": img_path}

钉钉交互卡片

将图表和数据表格封装为钉钉 ActionCard，运营同学在手机端即可直接查看，并支持一键导出：

1
2
3
4
5
6
7
8
9
10
11
{
  "msgtype": "action_card",
  "action_card": {
    "title": "📊 放款数据报表",
    "text": "![chart](${chart_url})\n\n${data_table}",
    "btns": [
      { "title": "导出 Excel", "actionURL": "${export_url}" },
      { "title": "继续追问", "actionURL": "${bot_url}" }
    ]
  }
}

xxx Editor 组件化接入

除钉钉 Robot 外，我们将 Text-to-SQL Agent 进一步封装为 xxx Editor 低代码组件。运营人员在搭建数据看板或活动页面时，直接从组件库拖拽”智能问答”模块到任意位置，无需任何开发介入，即可在页面内嵌入完整的自然语言查数能力。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
// xxx 组件注册
export default defineComponent({
  name: "TextToSQLWidget",
  props: {
    placeholder: { type: String, default: "请输入您想查询的数据，例如：本月各渠道放款金额" },
    defaultChartType: { type: String, default: "bar" },
  },
  setup(props) {
    const query = ref("");
    const result = ref(null);

    async function handleQuery() {
      result.value = await callBailianAgent({ query: query.value });
    }

    return () => (
      <div class="text-to-sql-widget">
        <Input v-model={query.value} placeholder={props.placeholder} onPressEnter={handleQuery} />
        {result.value && <ChartRenderer data={result.value} chartType={props.defaultChartType} />}
      </div>
    );
  },
});

组件对外暴露 placeholder 和 defaultChartType 两个配置项，编辑器内可视化调整，真正做到拖拽即用、配置即得。

五、系统集成与稳定性

完整调用链路： 钉钉 Robot / 业务页面 → 百炼 API → 业务数据库

关键保障措施：

  • SSO 鉴权：通过钉钉 userId 映射企业内部权限，不同角色只能查看授权范围内的数据
  • 异常熔断：SQL 执行超时（>10s）自动降级，返回友好提示并触发告警
  • 查询限流：单用户每分钟最多 10 次，防止数据库压力过大
1
2
3
4
5
6
7
8
@circuit_breaker(timeout=10, fallback="查询超时，请稍后重试或联系数据团队")
@rate_limit(max_calls=10, period=60)
def safe_execute(sql: str, user_id: str) -> dict:
    check_permission(user_id, sql)
    valid, msg = validate_sql(sql)
    if not valid:
        raise ValueError(msg)
    return execute_query_and_render(sql)

效果对比

指标 上线前 上线后
单次查询耗时 5~10 分钟 平均 30 秒
SQL生成准确率 60% 90%
运营查数占比 ~10% ~85%
BI介入次数 每日 20+ 次 每日 2~3 次

总结

这套方案的核心价值在于打通了从自然语言到数据洞察的完整链路，并通过多端接入降低了使用门槛。
虽然本身难度不高，因为很多组件和能力百炼平台都已经提供了，但在实际落地过程中，还是给了我不少启发：

  • Schema 上下文 + Few-Shot：解决业务语义理解难题，是准确率跃升的关键
  • 多轮对话澄清：让模糊意图变得可处理，交互体验更接近真人分析师
  • 安全校验前置：在贷款敏感数据场景下守住安全底线
  • 组件化：将 AI 能力下沉为低代码积木，运营团队拖拽即用，彻底消除技术门槛

后续计划引入查询语义缓存（相同意图直接命中缓存）和定时报表订阅（关键指标自动推送），不过这都是后话了。

AI Agent Text-to-SQL 阿里云百炼 钉钉 xxx Editor 数据分析