智能问数系统

BladeX大约 19 分钟aidataset

BladeX AI 智能问数分析平台

智能问数概述

BladeX AI智能问数分析平台是一个企业级的自然语言数据查询与可视化系统，支持用户通过自然语言提问自动生成SQL、执行查询并生成可视化图表。平台基于Java Spring框架构建，结合大语言模型（LLM）的语义理解能力，将自然语言转化为精准的数据库查询，实现"对话式"数据分析体验。

核心能力

自然语言转SQL：基于LLM将用户问题智能转化为标准SQL查询语句
多数据库适配：支持MySQL、PostgreSQL、Oracle、SQL Server、MariaDB、达梦等主流数据库
智能可视化：AI自动推荐图表类型并生成ECharts配置，支持9种图表
SQL安全校验：内置SQL安全验证机制，仅允许SELECT查询，防止数据篡改
业务术语匹配：支持企业自定义术语库，提升专业领域查询准确性
智能仪表盘：支持将查询结果持久化为可复用的数据仪表盘

1. 什么是智能问数

1.1 智能问数核心概念

智能问数定义

智能问数（Data Intelligence）是基于大语言模型和数据库结构感知技术的企业级数据查询系统。它能够理解用户的自然语言提问，结合数据库表结构、字段信息、表关联关系和业务术语，自动生成精准的SQL查询语句，执行查询并将结果以可视化图表形式呈现，让非技术人员也能轻松进行数据分析。

智能问数的核心价值包括：

自然语言理解：将用户的口语化提问转化为结构化的数据库查询
数据库结构感知：自动解析表结构、字段类型、表关联关系，生成语法正确的SQL
智能图表推荐：根据查询结果的数据特征，AI自动推荐最适合的可视化图表类型
上下文连续分析：支持历史问题上下文，实现连续追问和深度数据分析

1.2 技术架构设计

BladeX AI智能问数平台采用双层架构，业务层负责配置管理和数据持久化，引擎层负责核心问数逻辑：

1.3 核心组件介绍

组件名称	技术实现	主要功能
IntelEngineService	问数引擎服务	统一编排SQL生成、执行和可视化流程
SqlGenerationExecutor	SQL生成执行器	调用LLM将自然语言转化为SQL
SqlExecutionExecutor	SQL执行执行器	执行SQL查询并返回结构化数据
VisualizationExecutor	可视化执行器	生成ECharts图表配置
ChatCompletionExecutor	大模型调用执行器	统一处理LLM调用逻辑
BladeIntelContext	问数上下文	贯穿整个流程的状态和数据载体

2. 问数引擎核心流程

2.1 统一问数流程

流程编排

智能问数引擎采用流水线式的执行架构，将一次完整的问数请求分解为SQL生成、SQL执行和可视化配置生成三个阶段，由IntelEngineService统一编排调度。

统一问数接口

// 统一问数请求
BladeIntelRequest request = BladeIntelRequest.builder()
    .intelligenceId(1L)                    // 问数配置ID
    .question("各部门本月销售额对比")         // 用户自然语言问题
    .historyQuestions(historyList)          // 历史问题（可选）
    .chartType("column")                   // 指定图表类型（可选）
    .build();

// 统一问数响应
BladeIntelResponse response = intelEngineService.intelligentQuery(request);
// response 包含：sql, tables, chartType, chartConfig, intelData, rowCount, executionTime

2.2 问数上下文

上下文设计

BladeIntelContext是贯穿整个问数流程的核心数据载体，存储了从配置信息到中间结果的所有必要数据，并内置了SQL加解密能力，确保SQL在传输过程中的安全性。

public class BladeIntelContext {

    private ApiCryptoProperties cryptoProperties;  // 加密配置
    private AiDataIntelligence intelligence;       // 问数配置
    private DatabaseSchema databaseSchema;         // 数据库结构信息
    private List<AiDbTemplate> templates;          // SQL模板列表
    private List<AiTerminology> terminologies;     // 术语列表
    private List<AiTerminology> matchedTerminologies; // 匹配到的术语
    private String question;                       // 用户问题
    private List<String> historyQuestions;          // 历史问题列表
    private String generatedSql;                   // 生成的SQL（加密存储）
    private String chartType;                      // 图表类型
    private String chartConfig;                    // 图表配置JSON
    private SqlExecutionResult executionResult;    // SQL执行结果
    private Boolean includeData;                   // 是否填充数据到图表配置

    // SQL加解密：明文SQL自动加密存储，获取时自动解密
    public void setPlainSql(String plainSql);      // 设置明文SQL并自动加密
    public String getPlainSql();                   // 获取自动解密后的明文SQL
    public String getEncryptedSql();               // 获取加密SQL（用于外部传输）
    public void setEncryptedSql(String sql);       // 设置加密SQL（从外部接收）
}

2.3 大模型调用执行器

统一调用入口

ChatCompletionExecutor是所有LLM调用的统一入口，负责提示词构建、请求发送、响应处理等核心逻辑。各业务执行器通过传入不同的IntelPromptBuilder实现差异化的提示词策略。

// 提示词构建器接口
public interface IntelPromptBuilder {

    // 构建系统提示词（定义AI角色和规则）
    String buildSystemPrompt(BladeIntelContext context);

    // 构建用户提示词（包含数据库结构、问题等）
    String buildUserPrompt(BladeIntelContext context);

    // 获取响应格式配置（如JSON Schema约束）
    default ResponseFormat getResponseFormat(BladeIntelContext context) {
        return null;
    }
}

调用流程：

由业务执行器传入上下文和提示词构建器
构建系统提示词和用户提示词
获取响应格式配置（支持JSON Schema约束输出）
调用LLM获取响应内容
返回原始文本内容，由业务执行器解析

3. SQL生成引擎

3.1 SQL生成流程

SQL生成能力

SQL生成是智能问数的核心环节，通过精心设计的提示词工程，将用户的自然语言问题、数据库结构信息、业务术语和SQL模板等上下文信息传递给大语言模型，生成符合目标数据库规范的标准SQL查询语句。

// SQL生成执行器核心流程
public class SqlGenerationExecutor {

    public SqlGenerationResponse execute(BladeIntelContext context) {
        // 1. 调用LLM生成SQL（通过SqlGenerationPromptBuilder构建提示词）
        String content = chatCompletionExecutor.execute(context, promptBuilder, this.getClass());

        // 2. 解析LLM返回的JSON响应
        // 响应格式：{ "success": true, "sql": "SELECT ...", "tables": [...], "chart-type": "column" }
        return parseResponse(content, context);
    }
}

SQL生成响应

public class SqlGenerationResponse {
    private String sql;            // 生成的SQL语句（AES加密）
    private List<String> tables;   // 涉及的表名列表
    private String chartType;      // AI推荐的图表类型（可选）
}

3.2 提示词工程

提示词设计

SQL生成提示词由系统提示词和用户提示词两部分组成。系统提示词定义AI的角色、规则和输出格式；用户提示词包含具体的数据库结构、SQL模板、业务术语和用户问题。

系统提示词核心规则：

只能生成SELECT查询语句，严禁生成增删改操作
生成的SQL必须符合目标数据库的语法规范
禁止使用SELECT *，必须明确列出字段名称
聚合函数字段必须指定有意义的英文别名
时间字段根据用户意图自动格式化
支持图表类型识别和推荐

用户提示词结构：

### 数据库结构信息：
【数据库标识】 数据库名称
【数据库类型】 MySQL
【表结构】
# 表名: orders (订单表)
[
  (id:bigint, 主键),
  (order_no:varchar, 订单编号),
  (amount:decimal, 订单金额),
  (create_time:datetime, 创建时间),
]

【表关联】
- orders.user_id → users.id (一对多)

### SQL模板参考（仅供参考）：
1. 查询月度销售汇总
   SQL: SELECT DATE_FORMAT(create_time, '%Y-%m') AS month, SUM(amount) AS total ...

### 业务术语解释：
- 销售额: 订单金额的总和，对应orders表的amount字段

### 历史问题记录：
1. 查询本月各部门销售额

### 用户问题：
各部门本月销售额对比，用柱状图展示

3.3 术语匹配引擎

术语匹配

TerminologyExecutor负责根据用户问题自动匹配相关的业务术语。通过术语名称和内容关键词的模糊匹配，将匹配到的术语注入提示词中，帮助LLM准确理解业务概念。

public class TerminologyExecutor {

    /**
     * 匹配相关术语
     * 支持术语名称匹配和内容关键词匹配
     */
    public List<AiTerminology> execute(String question, List<AiTerminology> terminologies) {
        List<AiTerminology> matched = new ArrayList<>();
        for (AiTerminology terminology : terminologies) {
            // 检查术语名称是否出现在问题中
            if (question.contains(terminology.getName())) {
                matched.add(terminology);
                continue;
            }
            // 检查术语内容中的关键词是否出现在问题中
            String[] keywords = terminology.getContent().split("[,，、\\s]+");
            for (String keyword : keywords) {
                if (question.contains(keyword.trim())) {
                    matched.add(terminology);
                    break;
                }
            }
        }
        return matched;
    }
}

4. 数据库结构管理

4.1 数据库结构模型

结构感知

智能问数引擎通过DatabaseSchema模型完整描述目标数据库的结构信息，包括数据库类型、表结构、字段信息和表关联关系。这些信息是LLM生成正确SQL的关键依据。

// 数据库结构模型
public class DatabaseSchema {
    private Long dbId;                         // 数据源ID
    private String dbName;                     // 数据源名称
    private DatabaseType dbType;               // 数据库类型
    private List<TableSchema> tables;          // 表结构列表
    private List<TableConnections> connections; // 表关联关系列表
}

// 表结构模型
public class TableSchema {
    private String tableName;                  // 表名
    private String tableComment;               // 表注释
    private List<FieldSchema> fields;          // 字段列表

    // 字段结构
    public static class FieldSchema {
        private String fieldName;              // 字段名
        private String fieldType;              // 字段类型
        private String fieldComment;           // 字段注释
        private Boolean isPrimaryKey;          // 是否主键
        private Boolean isNullable;            // 是否可为空
    }
}

// 表关联关系模型
public class TableConnections {
    private String sourceTable;                // 源表名
    private String sourceField;                // 源字段名
    private String targetTable;                // 目标表名
    private String targetField;                // 目标字段名
    private String type;                       // 关系类型：one-to-one、one-to-many、many-to-many
}

4.2 多数据库类型支持

数据库适配

平台通过DatabaseType枚举统一管理不同数据库的差异化特性，包括字段转义符、SQL语法规范等，确保生成的SQL在目标数据库上可正确执行。

数据库类型	类型代码	左转义符	右转义符	SQL特性
MySQL	mysql	`	`	LIMIT分页、DATE_FORMAT时间格式化
PostgreSQL	postgresql	`"`	`"`	LIMIT/OFFSET分页、TO_CHAR时间格式化
Oracle	oracle	`"`	`"`	ROWNUM分页、TO_CHAR时间格式化
SQL Server	sqlserver	`[`	`]`	TOP/OFFSET-FETCH分页、FORMAT时间格式化
MariaDB	mariadb	`	`	兼容MySQL语法
达梦	dm	`"`	`"`	兼容Oracle和MySQL语法

public enum DatabaseType {
    MYSQL("MySQL", "mysql", "`", "`"),
    POSTGRESQL("PostgreSQL", "postgresql", "\"", "\""),
    ORACLE("Oracle", "oracle", "\"", "\""),
    SQL_SERVER("Microsoft SQL Server", "sqlserver", "[", "]"),
    MARIADB("MariaDB", "mariadb", "`", "`"),
    DM("DM", "dm", "\"", "\""),
    OTHER("Other", "other", "", "");

    /**
     * 转义字段名（自动添加对应数据库的转义符）
     */
    public String escapeField(String fieldName) {
        return escapeLeft + fieldName + escapeRight;
    }
}

5. 可视化图表系统

5.1 图表类型体系

可视化能力

BladeX AI智能问数平台支持9种主流图表类型，覆盖数据展示、对比分析、趋势追踪、占比分析等常见数据可视化场景。图表配置基于ECharts标准，由LLM根据查询数据特征自动生成。

public enum ChartType {
    TABLE("table", "表格"),       // 适合详细数据展示
    COLUMN("column", "柱状图"),   // 适合类别对比
    BAR("bar", "条形图"),         // 适合横向对比
    LINE("line", "折线图"),       // 适合趋势展示
    PIE("pie", "饼图"),           // 适合占比展示
    SCATTER("scatter", "散点图"), // 适合相关性分析
    RADAR("radar", "雷达图"),     // 适合多维度对比
    FUNNEL("funnel", "漏斗图"),   // 适合流程转化分析
    GAUGE("gauge", "仪表盘");     // 适合指标展示
}

图表类型选择指南

数据场景	推荐图表	适用说明
明细数据查看	表格（table）	展示多字段的详细数据记录
分类数量对比	柱状图（column）	纵向对比不同类别的数值大小
横向排名对比	条形图（bar）	横向展示排名或对比数据
时间趋势分析	折线图（line）	展示数据随时间的变化趋势
占比构成分析	饼图（pie）	展示各部分在整体中的占比
相关性分析	散点图（scatter）	分析两个变量之间的关系
多维度评估	雷达图（radar）	多个维度的综合对比评估
流程转化分析	漏斗图（funnel）	展示各阶段的转化率
单一指标展示	仪表盘（gauge）	展示单个关键指标的完成度

5.2 图表JSON Schema体系

Schema约束

平台为每种图表类型定义了对应的JSON Schema，通过ChartJsonSchemaFactory工厂类统一管理。Schema用于约束LLM的输出格式，确保生成的ECharts配置结构正确、可直接渲染。

// 图表JSON Schema工厂
public class ChartJsonSchemaFactory {

    /**
     * 根据图表类型和数据填充标志获取JsonSchema
     *
     * @param chartType   图表类型
     * @param includeData 是否填充数据到图表配置中
     *                    - true: LLM将SQL查询结果填充到ECharts配置的data字段中
     *                    - false: LLM只生成ECharts配置结构，不包含实际数据
     */
    public JsonSchema getJsonSchema(ChartType chartType, Boolean includeData);

    /**
     * 获取JSON Schema的字符串表示（用于提示词展示）
     */
    public String getJsonSchemaString(String chartTypeCode, Boolean includeData);
}

Schema实现体系：

Schema类	对应图表	配置特点
TableJsonSchema	表格	columns列定义、data行数据
ColumnJsonSchema	柱状图	xAxis/yAxis轴配置、series数据系列
BarJsonSchema	条形图	横向轴配置、series数据系列
LineJsonSchema	折线图	xAxis时间轴、series折线数据
PieJsonSchema	饼图	series饼图数据项
ScatterJsonSchema	散点图	xAxis/yAxis数值轴、散点数据
RadarJsonSchema	雷达图	indicator维度指标、series雷达数据
FunnelJsonSchema	漏斗图	series漏斗层级数据
GaugeJsonSchema	仪表盘	series仪表盘指针数据

5.3 可视化执行流程

可视化生成

VisualizationExecutor负责调用LLM生成完整的ECharts图表配置JSON。它接收SQL执行结果和图表类型，通过VisualizationPromptBuilder构建提示词，引导LLM生成符合Schema约束的图表配置。

public class VisualizationExecutor {

    public VisualizationResponse execute(BladeIntelContext context) {
        // 1. 调用LLM生成完整的ECharts配置JSON
        String content = chatCompletionExecutor.execute(context, promptBuilder, this.getClass());

        // 2. 提取JSON内容（处理Markdown代码块等格式）
        String chartConfigJson = ChartTool.extractJson(content);

        // 3. 提取图表类型
        String chartType = ChartTool.extractChartType(chartConfigJson);

        // 4. 构建可视化响应
        return VisualizationResponse.builder()
            .chartType(chartType)
            .chartConfig(chartConfigJson)
            .intelData(context.getExecutionResult().getData())
            .rowCount(context.getExecutionResult().getRowCount())
            .build();
    }
}

6. SQL安全与工具链

6.1 SQL安全校验

安全机制

SqlValidatorTool提供严格的SQL安全校验机制，确保智能问数系统只执行安全的SELECT查询，防止通过自然语言注入执行危险的数据库操作。

public class SqlValidatorTool {

    /**
     * 验证SQL合法性
     * 1. SQL不能为空
     * 2. 必须是SELECT语句
     * 3. 不能包含INSERT、UPDATE、DELETE、DROP等非法关键字
     */
    public static void validate(String sql) {
        // 必须是SELECT语句
        if (!upperSql.trim().startsWith("SELECT")) {
            throw BladeIntelException.illegalSqlError("只允许执行SELECT查询语句");
        }

        // 移除转义标识符和字符串常量后，检查非法关键字
        String cleanedSql = cleanSql(upperSql);
        for (String keyword : FORBIDDEN_SQL_KEYWORDS) {
            // 使用词边界匹配，确保匹配完整单词而非子串
            if (cleanedSql.matches(".*\\b" + keyword + "\\b.*")) {
                throw BladeIntelException.illegalSqlError("SQL包含非法操作: " + keyword);
            }
        }
    }
}

禁止的SQL关键字：INSERT、UPDATE、DELETE、DROP、CREATE、ALTER、TRUNCATE、GRANT、REVOKE、EXEC、EXECUTE

SQL清理策略：校验前会移除反引号（MySQL）、双引号（PostgreSQL/Oracle）、方括号（SQL Server）和单引号字符串常量中的内容，避免字段名如`IS_DELETED`被误判为非法关键字。

6.2 JSON修复工具

JSON修复

JsonRepairTool和JsonRepairEngine提供LLM输出JSON的智能修复能力。由于大模型返回的JSON可能存在格式问题（如多余逗号、缺少引号等），修复引擎能够自动识别并修正这些问题，确保JSON可被正确解析。

修复能力：

修复缺失的引号和括号
移除多余的逗号和尾部逗号
处理非标准的JSON格式
基于Token化的精确修复策略

6.3 图表工具

图表工具

ChartTool提供图表配置相关的工具方法，包括从LLM响应中提取JSON内容、解析图表类型、解析JSON节点等功能。

核心功能：

extractJson：从LLM响应中提取JSON内容，处理Markdown代码块包裹等格式
extractChartType：从图表配置JSON中提取图表类型字段
parseJsonNode：安全解析JSON字符串为JsonNode对象

6.4 SQL加密传输

安全传输

智能问数系统采用AES加密算法对生成的SQL进行加密传输。SQL在引擎内部以明文处理，对外传输时自动加密，接收时自动解密，确保SQL语句在网络传输过程中的安全性。

// BladeIntelContext 中的加解密机制
// 设置明文SQL时自动加密
context.setPlainSql("SELECT name, amount FROM orders");
// 获取加密SQL用于外部传输
String encryptedSql = context.getEncryptedSql();
// 从外部接收加密SQL
context.setEncryptedSql(encryptedSql);
// 获取解密后的明文SQL用于执行
String plainSql = context.getPlainSql();

7. 业务管理功能

7.1 问数配置管理

配置管理

智能问数配置（AiDataIntelligence）是问数系统的核心业务实体，定义了一个问数场景所需的全部配置信息，包括关联的大模型、数据源、表范围和业务术语等。

@TableName("blade_ai_data_intelligence")
public class AiDataIntelligence extends TenantEntity {
    private Long modelId;          // 关联的大模型主键
    private Long dbId;             // 关联的数据库主键
    private String dbTable;        // 数据库表名合集（限定查询范围）
    private String terminology;    // 关联的术语ID合集
    private String name;           // 问数配置名称
    private String description;    // 问数配置描述
    private String type;           // 问数类型
    private String icon;           // 问数图标
    private Integer enabled;       // 是否启用
}

7.2 智能仪表盘管理

仪表盘

智能仪表盘（AiDataDashboard）支持将问数查询结果持久化为可复用的数据看板，通过DSL配置存储仪表盘的布局和图表信息。

@TableName("blade_ai_data_dashboard")
public class AiDataDashboard extends TenantEntity {
    private Long dataIntelligenceId;  // 关联的问数配置ID
    private String name;              // 仪表盘名称
    private String description;       // 仪表盘描述
    private String type;              // 仪表盘类型
    private String dsl;               // 仪表盘配置（DSL）
    private Integer enabled;          // 是否启用
}

7.3 缓存管理

缓存策略

平台通过IntelCache提供问数配置和仪表盘的缓存管理，基于Redis实现高性能的数据访问。建议查询的缓存有效期为24小时，支持异步刷新策略。

public class IntelCache {

    /**
     * 获取智能问数配置（带缓存）
     */
    public static AiDataIntelligence getDataIntelligence(Long dataIntelligenceId);

    /**
     * 清空智能问数配置缓存
     */
    public static void removeDataIntelligence(Long dataIntelligenceId);

    /**
     * 获取智能仪表盘配置（带缓存）
     */
    public static AiDataDashboard getDataDashboard(Long dataDashboardId);

    /**
     * 清空智能仪表盘配置缓存
     */
    public static void removeDataDashboard(Long dataDashboardId);
}

8. API开放接口

8.1 RESTful API设计

API设计

BladeX AI智能问数提供完整的RESTful API，支持SQL生成、SQL执行、可视化配置生成、统一问数和建议生成五大核心接口。

@RestController
@RequestMapping("/blade-ai/data-intelligence")
@Tag(name = "智能问数模块")
public class AiDataIntelligenceEngineController {

    /**
     * 根据用户问题生成SQL
     */
    @PostMapping("/visualize-sql")
    public R<SqlGenerationResponse> visualizeSql(@RequestBody SqlGenerationRequest request);

    /**
     * 执行SQL查询并返回数据
     */
    @PostMapping("/execute-sql")
    public R<SqlExecutionResponse> executeSql(@RequestBody SqlExecutionRequest request);

    /**
     * 根据SQL和用户问题生成图表配置和数据
     */
    @PostMapping("/visualize-data")
    public R<VisualizationResponse> visualizeData(@RequestBody VisualizationRequest request);

    /**
     * 智能问数统一接口（生成SQL并返回数据和配置）
     */
    @PostMapping("/intelligent-query")
    public R<BladeIntelResponse> intelligentQuery(@RequestBody BladeIntelRequest request);

    /**
     * 生成查询建议
     */
    @PostMapping("/generate-suggestions")
    public R<SuggestionResponse> generateSuggestions(@RequestBody SuggestionRequest request);
}

8.2 接口调用示例

统一问数接口

# 智能问数（自然语言 → SQL → 数据 → 图表）
curl -X POST "/blade-ai/data-intelligence/intelligent-query" \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer your_api_token" \
  -d '{
    "intelligenceId": 1,
    "question": "各部门本月销售额对比",
    "chartType": "column"
  }'

SQL生成接口

# 仅生成SQL（不执行查询）
curl -X POST "/blade-ai/data-intelligence/visualize-sql" \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer your_api_token" \
  -d '{
    "intelligenceId": 1,
    "question": "查询最近7天的订单趋势",
    "historyQuestions": ["查询本月订单总量"]
  }'

建议生成接口

# 生成查询建议（基于数据库结构智能推荐问题）
curl -X POST "/blade-ai/data-intelligence/generate-suggestions" \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer your_api_token" \
  -d '{
    "intelligenceId": 1,
    "currentQuestion": "销售额",
    "historyQuestions": []
  }'

8.3 请求与响应模型

核心请求模型

请求模型	用途	核心字段
BladeIntelRequest	统一问数	intelligenceId、question、historyQuestions、chartType
SqlGenerationRequest	SQL生成	intelligenceId、question、historyQuestions
SqlExecutionRequest	SQL执行	intelligenceId、sql、chartConfig
VisualizationRequest	可视化生成	intelligenceId、sql、question、chartType、includeData
SuggestionRequest	建议生成	intelligenceId、currentQuestion、historyQuestions

核心响应模型

响应模型	用途	核心字段
BladeIntelResponse	统一问数响应	sql、tables、chartType、chartConfig、intelData、rowCount、executionTime
SqlGenerationResponse	SQL生成响应	sql（加密）、tables、chartType
SqlExecutionResponse	SQL执行响应	intelData、fields、rowCount、executionTime、chartType、chartConfig
VisualizationResponse	可视化响应	chartType、chartConfig、intelData、rowCount
SuggestionResponse	建议响应	suggestions（建议问题列表）

9. 异常处理体系

9.1 统一异常管理

异常设计

BladeIntelException提供了完整的异常分类体系，覆盖问数流程中可能出现的各类错误场景，每种异常都携带明确的错误码和错误描述，便于前端展示和问题排查。

错误码	异常类型	触发场景
CONFIG_ERROR	配置错误	问数配置不存在或无效
PARAM_ERROR	参数错误	请求参数缺失或格式错误
SQL_GENERATION_ERROR	SQL生成错误	LLM无法生成有效SQL
SQL_EXECUTION_ERROR	SQL执行错误	SQL执行失败或超时
ILLEGAL_SQL_ERROR	非法SQL错误	SQL包含非法操作关键字
VISUALIZATION_ERROR	可视化错误	图表配置生成失败
SUGGESTION_ERROR	建议生成错误	查询建议生成失败
LLM_ERROR	大模型错误	LLM调用失败或返回为空
JSON_PARSE_ERROR	JSON解析错误	LLM返回的JSON格式异常
DATABASE_ERROR	数据库错误	数据源连接或查询异常

BladeX AI智能问数分析平台通过其强大的自然语言理解能力、多数据库适配引擎和智能可视化系统，为企业提供了"对话式"数据分析的完整解决方案。平台将复杂的SQL编写和数据可视化工作简化为自然语言提问，让业务人员无需掌握SQL技能即可进行专业的数据分析，是企业数据驱动决策的核心基础设施。