Text2SQL、ChatBI 落地难在哪？数据团队要做什么？

面试问 362 约 2 分钟读完

面试怎么回答

直接让大模型对着原始表生成 SQL，难点在于它不懂业务口径、表太多容易选错、结果对错难以验证，还有权限和查询代价的风险。可行的做法是先建好语义层：指标、维度和口径由数据团队定义，模型只负责把问题解析成指标、维度和过滤条件，再由语义层生成确定的 SQL。数据团队的重点是指标体系、元数据描述、示例问答和评估集，以及权限和代价控制。

先把这段讲顺；面试官追问时，再展开下面的原理和细节。

详细讲解

AI 时代的数据岗面试开始问：让业务用自然语言查数，大模型直接生成 SQL 可行吗？难点在哪里？

为什么直接生成 SQL 不靠谱

不懂业务口径：「活跃用户」「GMV」在每家公司的定义都不同，模型不知道该用哪张表、哪个过滤条件。
表太多：数仓里有成千上万张表和字段，全部塞给模型既放不下，也容易选错表。
结果难验证：SQL 能跑通不代表数是对的，业务方往往没有能力判断。
权限和安全：生成的 SQL 可能查到用户无权访问的数据，或者执行代价极高的全表扫描。

落地的关键是语义层

比较可行的做法是不让模型直接面对原始表，而是面对一个语义层（指标平台）：

数据团队预先定义好指标（含口径、计算逻辑）、维度和它们之间的关系；
大模型负责把自然语言解析成「指标 + 维度 + 过滤条件 + 时间范围」；
由语义层根据定义生成确定的 SQL 并执行。

这样口径由人定义、模型只做理解，结果的准确性可控。

数据团队要做的事

建设统一的指标体系和语义层，补全表和字段的业务描述；
准备典型问题和标准 SQL 作为示例，用于检索增强和评估；
建立评估集，持续衡量准确率；
对生成的查询做权限校验、代价限制和结果展示时的口径说明。