AI大型语言模型在商业智能（BI）领域的实际应用

这篇文章的篇幅确实不小，全文大约1.2万字，但内容值得花时间仔细阅读，相信能带来一些有价值的启发。

先整理一下目录结构，方便大家快速定位感兴趣的部分：

1. 引言：BI和AI大型语言模型结合商业智能（BI）的优势

2. AI与BI结合的多种模式：主要集中在数据查询分析和可视化展示阶段

3. AI与BI结合实施的挑战

4. 产品实践案例：网易、百度、京东、腾讯以及观远数据、神策数据等在AI与BI结合方面的实际尝试与应用

5. 体验百度Sugar BI：AI与BI结合的智能问数功能初体验

6. 思考与延伸

01 引言

BI（商业智能）这个概念大家应该不陌生，它本质上是用软件工具和系统分析企业内外的原始数据，帮组织更快速、更精确地做决策。像Tableau、微软Power BI、帆软FineBI、永洪BI、观远数据、思迈特Smartbi、阿里云Quick BI这些产品，已经是非常成熟的应用了。部分读者可能已经用过或者至少听说过。

商业智能工具的核心能力包括数据仓库、数据挖掘、报告编制以及在线分析处理（OLAP），这些功能协助企业洞察市场趋势，评估业务流程的效益，并发现新的增长机遇。

图解：AI与BI结合的实际应用案例-阿里云Quick BI产品架构

随着AI技术一路高歌猛进，AI与BI的结合成了一个新的热门方向。这个新领域主要是把AI——特别是机器学习和大型语言模型技术——融入到BI系统中，实现数据分析和决策过程的自动化和增强。

在这篇文章里，我们将重点探讨AI与BI结合的实践路径，尤其是借助AI大语言模型来构建对话式智能报表系统。利用AIGC技术，用户可以通过自然对话完成数据探索和报表制作，大幅提升数据分析效率——说白了，就是改造传统BI产品的人机交互方式。

从实际场景来看，AI与BI结合确实是一个有应用价值的方向。当然，从资源和投入产出比的角度，短期内推动这个方向可能会有些吃力，但这不妨碍我们认真研究它。

需要说明的是，本文提到的“AI”，特指基于大型语言模型（LLMs）的自然语言处理能力——也就是对话式交互支持。在BI领域，其他AI技术同样有用武之地，比如机器学习可以用于销售预测。

从产品架构的角度，大型语言模型与BI结合在数据分析应用中能带来几个明显的优势：

• 自然语言处理与理解
  ：AI大模型强大的NLP能力，让用户能用自己熟悉的语言来查询和分析数据。这大大降低了学习门槛，非技术背景的用户也能轻松上手。同时，大模型还能处理非结构化数据（比如客户评价、媒体内容），提供更全面的数据视角。

• 智能推理与预测
  ：借助AI，对话式报表系统不仅能提供数据洞察，还能预测未来趋势。大模型可以帮用户发现数据中的异常点、趋势以及潜在问题，这对企业来说非常宝贵——相当于提前感知市场变化，提前做好准备。

• 代码生成与自动化
  ：大模型能够通过自然语言指令生成Python、R等编程语言代码，让没有编程背景的人也能执行复杂的数据分析。这种自动化能力既提升了效率，也扩展了数据分析的应用边界。

• 全新的用户体验形式
  ：大模型带来了基于语言的交互方式，比传统UI更直观、自然。用户无需学习复杂的软件操作，只要用自然语言表达查询需求就行。这不仅仅是体验优化，更是让数据分析真正融入日常工作流。

理解这些优势，不仅能帮我们更好地利用大模型技术优化现有系统，也为新产品开发提供了灵感。接下来，一起深入看看AI与BI结合的实际应用。

02 AI与商业智能（BI）结合的多元模式

在BI产品领域，大语言模型被视为现有数据分析方法的有效补充，尤其在即席数据查询、提升传统BI工具能力以及简单的数据挖掘和洞察方面。

当前趋势下，自然语言对话式BI数据分析正成为主流。从

层面看，主要有三种实现模式：

• Text-to-API
  ：大模型解析用户的自然语言查询，将其转化为API请求，从而与后端数据库或服务交互。这种模式简化了操作流程——用户只要输入自然语言，就能获取数据或执行操作。优势在于效率高、准确性好，直接通过API交互无需复杂中间环节。实现相对简单，能快速为现有BI工具增添自然语言查询功能，但扩展性受限于底层BI工具的API能力。适合已经拥有丰富API支持的BI工具、希望快速实现自然语言查询的组织。

• Text-to-SQL
  ：大模型将自然语言转化为SQL查询，直接与数据库交互获取数据。用户无需懂SQL，也能完成复杂查询。这种模式通用性强，能直接利用数据库的强大查询能力，但对大模型将自然语言转成精确SQL的能力要求较高，复杂查询可能需要多次定制和优化。特别适合基于标准SQL数据库、数据结构清晰、查询需求标准化的环境。

• Text-to-Code
  ：大模型将自然语言转化为代码（如Python），实现对数据的灵活处理和高级分析。这在原理上类似于ChatGPT中的代码解释器（Code Interpreter）。这种模式提供了最大的灵活性和强大能力，适合数据科学和复杂分析任务，但实现复杂度高，对执行环境有要求，需要更多安全与性能方面的考虑。适合数据分析需求高度定制化、需要进行深度科学分析的场景。

当然，以上模式并非全部。还有Text-to-JSON等其他路径也在广泛应用。

选择哪种最佳模式，需要根据具体的需求、现有的技术基础以及期望的用户体验来综合考量。每种模式都有独特的应用场景和限制。

关于这三种模式的一些详细观点：

• Text-to-API模式实现相对简单，能快速为现有BI工具增添自然语言查询功能。但其灵活性和扩展性受限于底层工具的API。如果API功能有限，可能影响应用范围和深度。适用于已经部署了丰富API支持的BI工具、希望快速实现自然语言查询的场景，且对实时性要求较高。
• Text-to-SQL模式凭借通用性和强大功能被广泛应用，直接利用数据库的查询能力。但对大模型转精确SQL的能力要求较高，可能需要多次定制和优化，尤其是处理复杂查询时。此外，SQL查询的性能优化也是重要考量。特别适用于基于标准SQL数据库、数据结构清晰、查询需求标准化的环境，适合想利用现有数据库能力而不依赖特定BI工具的企业。
• Text-to-Code模式提供了最大的灵活性和强大的数据处理能力，可以直接利用Python等编程语言及其生态系统。特别适合数据科学和复杂分析任务。但实现复杂度和对执行环境的要求较高，可能需要更多安全和性能方面的考量。适合数据分析需求高度复杂和定制化的场景。

当大模型提取到分析数据后，还需要考虑

层面的支持。理论上，AI与BI结合在呈现层面也有三种可能的模式：

• 自然语言文本报告
  ：主要利用大模型的自然语言生成（NLG）能力，将数据点和分析结果转化为用户易于理解的文本报告。

• 动态可视化模板报告
  ：大模型需要理解用户查询，根据内容选择或生成适当的可视化模板，以便合理展示数据点和分析结果。

• 交互式数据发现助手
  ：这种模式要求大模型具备更高的能力——不仅要深入理解查询、实时处理数据、生成可视化效果，还要在交互过程中不断调整和优化输出。因此需要强大的NLP、NLG以及一定的逻辑推理和动态交互能力。

这三种模式并非互斥，有时候结合使用效果更好，但实现复杂性也会提高。选择哪种模式，应该根据具体业务需求、目标用户群体的特性，以及可投入的技术资源和能力来决定。

03 AI与商业智能（BI）结合的实施挑战

尽管将大语言模型与BI系统融合能显著提升数据分析和报告的智能水平，对用户体验产生积极影响，但从当前技术发展来看，可能会面临以下挑战：

如果大模型的训练数据中缺乏足够的行业特定知识或上下文信息，模型可能难以理解复杂业务数据。这可能导致对数据分析结果的误解或错误解读。

在生成文本时，大模型可能会出现“幻觉”——创造出与实际数据不相符的信息。在BI报告中，这可能引发不准确甚至误导性的数据洞察和结论。因为模型可能根据训练数据中的模式进行推断，而这些模式未必能准确反映实际情况。

处理敏感或私密数据时，保护数据不被非法访问或泄露至关重要。特别是大模型的云基础设施和API调用环节，可能成为数据安全的风险点。

虽然大模型拥有强大的通用性，但在应对特定行业或复杂分析任务时，可能无法满足所有定制化需求。因为模型的训练基于广泛数据集，可能无法全面覆盖某些特定领域的细节和特性。

保证大模型能提供自然、流畅的交互体验，同时准确把握用户查询意图，这本身就有挑战。面对用户查询方式的多样性，系统需要具备强大的适应性和灵活性。自然语言处理的复杂度，可能会影响交互的精确性和用户体验。

在需要实时反馈的BI应用中，保证大模型方案满足性能和即时性需求可能会遇到困难。因为大模型计算资源消耗大，处理大规模数据集或复杂查询时可能有延迟。不过根据实际体验，这个问题并不严重——反倒是BI系统本身可能才是性能瓶颈。

在AI应用落地过程中，我们发现存在一个“效率-准确性-智能”的不可能三角挑战。如果希望快速且准确地解决问题，可能会在处理复杂问题时显得无能为力；如果需要精确地解决复杂问题，可能需要花费大量时间思考拆解；如果希望迅速解决复杂问题，又可能产生“幻觉”。

——腾讯技术工程团队，benze

04 实际产品应用案例

2023年，网易数帆团队基于自研大模型，推出了一款叫“有数ChatBI”的对话式数据智能助手。它结合了自然语言理解和专业数据分析能力，用户可以通过日常对话获取可信赖的数据，大幅降低数据使用门槛。

图：网易数帆产品全景图展示

网易有数ChatBI在利用大模型技术进行数据分析时，针对技术无法做到100%精确的挑战，采用了一系列创新策略来提升产品的可靠性和实用性：

（1）

：通过引入搜索增强技术，优化了大模型对数据表的理解能力。传统NL2SQL方案仅将建表语句作为上下文输入，限制了模型对数据表的全面理解。通过将更多表格元数据融入输入提示，大模型获得了更广阔的“视野”，减少了误选字段或字段值格式不匹配的问题。

（2）

：采用个性化知识配置技术，让用户根据自身业务特性和行业术语进行设置。比如将特定的行业专用词汇映射为大模型能理解的词汇，提高了模型处理定制化问题的准确性。

（3）

：应用了大模型自我学习的特性，模仿ChatGPT的自我修正机制。管理员可以纠正模型的错误，让模型记住并在下次遇到相似问题时参考修正后的内容生成正确的SQL。这种机制让ChatBI在使用过程中不断进化。

通过这些创新，网易有数ChatBI有效解决了数据分析中的关键问题。回顾之前讨论的“模式”，它主要采用了【Text-to-SQL + 交互式数据探索】的优化方案。在网易内部，该产品已覆盖产品、运营、市场、财务等非技术部门，同时也吸引了甄云科技等外部用户。

京东数据产品团队也发布了新产品，充分利用大模型能力为用户提供全新的数据分析体验。据了解，目前仍为内部使用产品。

图解：京东ChatBI的基础结构图展示

京东ChatBI结合大模型、公共和私有知识库以及数据分析应用扩展，通过自然语言交互降低了使用难度。同时，通过积累的业务知识和数据资产，提供精确的分析结果，主要解决用户在数据理解、获取和分析过程中的复杂问题。

（1）

：利用Langchain开发大模型，构建了包含两大类资产的知识库。数据中台资产包括元数据、指标SQL以及产品指南；业务资产则包括针对特定业务场景构建的模型和累积的业务知识。特别的是，注重分析师的分析思路——原本这些思路难以标准化和复用，但通过大模型，现在可以把分析师的专业思路转化为机器可以学习和自动化使用的形式，极大提升了业务分析的效率和广度。

（2）

：在用户交互过程中，系统首先运用意图识别技术理解用户查询目标（如获取知识、进行数据分析或简单对话）；然后通过实体识别技术从提问中抽取关键信息（时间、指标、维度等），并结合用户背景信息（权限、部门）实现精确解析。对于知识查询类问题，系统与知识库交互；在数据分析场景下，调用相应接口将问题传递给大模型进行深度分析，最终生成可视化结果。这里采用的是【Text-to-API】模式。

（3）

：ChatBI的应用显著提高了效率。过去用户遇到数据问题时，可能需要跨平台搜索指标定义，进行复杂的数据分析流程，耗时可能数小时甚至数天。现在只需通过自然语言交流，就能迅速获取答案和可视化分析结果。

SugarBI是百度智能云的一款敏捷BI和数据可视化平台，旨在解决数据BI分析以及报表和大屏的可视化问题。在AI与BI结合的应用中，产品推出了“文心问数Sugar Bot”功能，显著提升了用户的数据分析效率。

图：百度SugarBI中融入的智能化功能

根据官方信息，百度AI技术驱动的SugarBI提供了自动分析、AI问答以及波动分析等智能功能。主要优势包括：

• AI问答
  ：集成百度的NLP技术，能准确理解用户输入问题，并直接展示SugarBI智能推荐的适合的可视化形式。用户只需拖入数据字段，系统就能自动推荐相应图表，提升效率也提升体验。

• 自动分析
  ：用户无需再花时间拖拽创建报表，系统几秒钟内自动将明细数据转化为交互式报表，让人能快速进行深度分析。

智能问数的适用场景包括：

• 场景一：在智能问数页面，用户通过问答方式提出业务问题，Sugar BI以图形形式返回答案和业务结论。
• 场景二：在报表或大屏编辑页面，用户通过问答交互获取所需图表类型，然后直接“采用图表”一键固定到报表或大屏中。这是一种新颖的制作方式，也为编辑者提供了灵感。

基于NL-to-JSON等技术，文心问数Sugar Bot让用户能通过对话直接完成数据探索和部分报表制作。团队还在深入开发意图理解、指令拆解、图像生成等AIGC技术，目标是实现NL-to-X——通过生成式AI直接满足更多业务目标。

（1）

：用户可以通过报表、大屏、探索页等多个入口，选择语音、自然语言输入或直接拖拽字段等多种方式提问。语音输入通过ASR转文本，再通过NLP转成具体查询需求。核心是表格问答模型，它能理解自然语言查询并转换为具体数据需求。这得益于数据模型对数据宽表结构（Schema）和同义词等配置的抽象，以便进行深度模型训练和部署。

经过智能处理后，SugarBI自动将查询需求转换为图表配置，并生成相应的SQL语句进行数据查询（text-to-SQL + 动态可视化模板报告模式）。获取的数据由智能图表功能自动匹配到最合适的图表类型，生成直观的可视化结果。

图：SugarBI AI问答的整体技术架构

（2）

：

数据预处理与分析准备：SugarBI首先确定分析的数据范围，审查字段配置和数据细节，同时遵循用户权限规则确保合规。表格分析时会根据报表设定的用户权限进行权限检查和数据过滤，防止越权。

模型运作分析：收集完信息后，数据被输入自动分析模型。该模型基于SugarBI内部大量报表数据训练，主要提供两类关键信息：一是数据过滤条件的优先级排名，二是图表展示字段组合的推荐排名。

图表的创建与优化：根据模型推荐，SugarBI自动创建数据过滤条件和图表展示字段组合，并利用智能图表功能推荐最适合的图表类型。生成的图表和过滤条件相互关联，方便用户进行下钻和筛选等灵活探索。

自动排版报表：最后，SugarBI自动对过滤条件和图表进行排版，生成最终报表。整个流程由自动分析功能智能化完成。

图：SugarBI 自助分析的整体技术架构

腾讯DataBrain团队在GPT4发布后，尝试利用其能力构建了一个服务于DataBrain系统的统一语言智能助手示例——ChatBI。用户可以在统一的语言交互界面完成整个数据分析过程。与京东的ChatBI类似，目前仅供腾讯内部使用。

经过多次尝试，他们的Demo版采用了AutoGPT的智能体设计思路（通过改造Prompt中的资源、限制、可执行指令，使AutoGPT能按数据分析方式运行）：

工作流程始于用户提问。大模型接收到提问后，将任务分解为选择表格、读取数据信息、拼接SQL、生成图表、完成分析等步骤。SQL的生成能力通过调用DataLab的SQL接口实现，该接口可以根据指标、维度和筛选条件生成符合特定场景的SQL。生成图表和进行简单数据分析的能力也是通过Command方式实现，以确保输入输出的可解释性和透明性。不过团队也提到，目前的版本还有很大提升空间，包括处理速度较慢、对初级数据问题解决能力有限、无法成功计算复杂指标、图表类型不够丰富等。

BI Copilot是观远BI利用大模型技术构建的最新模块，接入了微软Azure OpenAI的商用服务权限（可以理解为使用了ChatGPT的技术）。

：通过利用知识库，帮助业务用户理解数据含义并提供智能解读。当用户提出数据相关问题时，Chat2Answer能解析数据背后的原因，提供具体建议和可执行方案。

此功能早期被称为“Chat2SQL”（也就是Text-to-SQL模式），通过自然语言交互辅助生成SQL查询语句。以实际工作流程为例：

1. 获取用户自然语言查询需求，如“各品牌的退款额分别是多少”
2. 将查询需求转换为SQL语句，例如"SELECT `品牌名称`, SUM(`退款金额`) AS `退款额` FROM input1 GROUP BY `商品名称`"，并返回给用户
3. 通过交互式追问，如“再加上渠道维度”
4. 再次转化为SQL语句，例如"SELECT `商品名称`, `渠道`, SUM(`退款金额`) AS `退款额` FROM input1 GROUP BY `商品名称`, `渠道`"并返回

：用户遇到错误时，只需将错误信息粘贴到对话框中，Chat2Help就会解释错误含义并提供解决方案，包括逐步的错误排查指导。

神策数据主要定位在CDP（客户数据平台）领域，虽然与“BI”不完全一致，但他们也成功应用了大模型技术，推出了神策分析Copilot（另外还支持运营Copilot）。它也支持自然语言交互，可以自助进行数据分析和查询，因此纳入本文讨论范围。

从演示介绍来看，支持的应用场景包括：

（1）

：利用大模型理解用户需求，自动设置分析模型。以事件分析为例，用户在输入框中用自然语言输入所需数据指标（如“最近7天的搜索点击用户数”），大模型将自然语言查询转化为请求查询JSON，然后发起查询，以图形形式展示结果。

神策团队选择了text-to-json模式而非text-to-SQL模式，主要基于两个考虑：一是便于业务人员理解查询，二是便于人为干预——如果生成JSON不准确，或想改变计算方式，都可以快速调整。

其实现流程大致如下：

• 首先，将数据的schema（数据的存储方式、关系及解释信息）输入到GPT中，让GPT理解数据结构和任务。由于存在长度限制，需要从众多字段中筛选出进入prompt的字段，以缩短prompt。
• 接着，筛选出的schema可能包含许多字段，过多字段会影响GPT的准确率。因此需要与GPT交互，让它挑选出与需求相关的字段。
• 最后，通过大模型生成JSON。对于复杂查询，可以先让模型生成一个结构，再填充具体内容。

神策分析Copilot特别注重可理解性、可信赖性和可干预性，有效避免了大模型常见的幻觉问题。在生成分析结果的同时，Copilot会展示分析模型和指标的应用来源，使用户能理解并验证分析逻辑。如果结果不满足预期，用户可以手动调整，帮助系统持续学习并优化结果（显式反馈）。

（2）

：通过自然语言查询常规指标。借助大模型技术，打造了强大的指标搜索功能，使业务人员能快速找到关注的指标和经营概览，或深入探索特定业务的相关指标。用户可以使用口语化输入，无需专业术语或精确指标名称。例如在零售领域，用户问“卖得最好的商品”，Copilot就会推送“当天销售最好的商品”、“访问量最高的商品”、“商品销售数量”等相关指标查询结果。

（3）

：神策分析Copilot能够接入企业数据仓库。例如在某保险公司的实际应用中，该系统作为一个智能问答组件，已成功融入公司的数据门户。用户只需点击“智能问答”，就能直接对话，进行自助式数据分析和查询，生成数据结果和报表。

当然，除了以上提到的产品，还有许多其他的AI与BI结合案例。由于时间精力有限，就不再详细展开了。

据了解，目前通过大模型实现的AI与BI产品，大部分仍处于演示、内部测试或小范围试用阶段，部分已进行推广，但基本上都还未实现大规模商业应用。相信在用户反馈和持续优化下，结合大模型能力的不断进化，今年内我们将迎来更为成熟、稳定和实用的新版本产品。

05 体验百度Sugar BI：初次使用感受

根据官方指南，基于示例数据进行了一些初步探索：

（1）

在设置数据模型的页面上，可以选择相应的数据表并建立关联。

（此处应有图片）

在编辑页面，可以将字段名称设置为易于理解的中文别名。

（此处应有图片）

对于基础指标（度量），可以为其设置AI问答的同义词。这就像是为它建立一个“知识库”，帮助大模型理解专业术语，因为用户可能有多种不同的提问方式。

（此处应有图片）

也可以创建新的度量（指标加工），这是常规的BI功能。

（此处应有图片）

要使用AI问答功能，需要先开启并等待模型训练完成。

（此处应有图片）

还可以设置AI问答的推荐问题——如果你在ChatGPT中自定义过GPTs，对这个应该很熟悉。

（此处应有图片）

接下来，通过智能问数Sugar Bot与系统交互。

（此处应有图片）

当点击“需要结论”选项时，系统会自动做出总结：

（此处应有图片）

还能找出数据的不合理之处（确实如此）：

（此处应有图片）

总的来说，这是一次有趣的体验。它确实提供了一种全新的交互方式，并且已经成功应用到实际产品中。如果感兴趣，可以自行申请体验。

• 用户提问字数限制为300个字符（含空格）。这主要是为了控制性能和成本。通过限制输入字数，可以有效控制后台大模型处理请求的复杂性和资源消耗，同时鼓励用户提出更精练、更具针对性的问题。因为除了用户输入，还需要将数据模式（schema）等信息传递给大模型，压缩整体提示是必要的。

• 如果生成的图表不符合预期，可以点击“重新生成”，但最多三次。这个设计可能是为了防止用户无限制地重新生成导致资源浪费和系统压力。限制重试次数可以鼓励用户更仔细地思考查询，同时也是一种计算资源管理策略。也可能基于用户行为分析，认为三次足以满足大多数情况下的需求调整。

• 如果在大屏或报表编辑页面中关闭智能问数页面，SugarBI会清空之前会话的所有内容。这一限制可能是基于数据安全和隐私保护考虑，自动清空会话内容可以防止敏感数据遗留，尤其在多用户环境下。同时也有助于保持系统高效运行，避免不必要的数据累积影响性能。

06 思考与延伸

在前面的内容中，我们主要关注了支持自然语言交互的BI数据查询、分析和可视化展示。实际上，在整个BI数据分析全流程中——从问题定义、数据接入、处理、可视化展示、交互分析到决策行动——大模型都有结合的可能性。

从产品经理的角度，我们来粗略梳理一下：

（1）

：明确商业问题和目标。

• 问题：确定分析焦点，如提升销售额、优化库存等。
• AI赋能：使用AI模型生成初步的数据分析和决策计划草案，再人工校对修改，确保方向和目标的准确性。

（2）

：确定并接入数据源。

• 问题：如何高效处理和分析非结构化数据。
• AI驱动：利用AI技术直接处理非结构化数据，简化传统的数据清洗步骤，加速从数据到洞察的转化过程。

（3）

：进行数据的清洗、转换和加载（ETL）。

• 问题：简化ETL开发流程，提升数据处理效率。
• AI赋能：通过自然语言交互生成ETL任务和代码，辅助数据处理，实现多轮交互式构建，提高灵活性和准确性。

（4）

：将数据转化为易于理解的视觉形式。

• 问题：快速响应业务问题，提供直观的数据结果和结论。
• AI赋能：自动根据问题生成SQL、JSON，利用AI生成文字结论、可视化图表和行动建议，实现问答式BI。

（5）

：进行深度数据分析，生成深度分析报告。

• 问题：如何自动化生成深度分析报告，提供可信赖的业务分析。
• AI赋能：基于BI系统能力，结合企业内部数据源和AI生成的数据指标，自动识别异常原因并用自然语言展示，减少认知偏差（例如波动分析、异常分析和预警）。

（6）

：基于分析结果，提供决策支持。

• 问题：如何基于数据分析提供具体的未来行动建议。
• AI赋能：提供辅助性预测和基于历史数据的推荐建议，支持数据驱动的决策过程。

支付宝团队在基于蚂蚁集团基础大模型开发数据智能助理Deepinsight copilot的过程中，比较系统地梳理了结合大模型的数据分析智能助理功能需求，划分了不同的智能化等级，非常有参考价值：

（此处应有图片）

（此处应有图片）

注：

• CoT即思维链（Chain-of-thought），模仿逐步思考的过程得出答案。
• ToT即Tree-of-thoughts，是CoT的拓展，将一条推理路径拓展至多条，模型可以综合多条路径的结果得到最终结论。
• ReAct即Reason和Action，Reason生成分析步骤，Action生成工具调用请求。是目前最常见的增强式语言模型范式，通过提示词构造“想法”、“行动”、“观察”的思维链，逐步启发大模型根据当前工具输出产生观察，从而产生下次推理。广泛应用于Auto-GPT和LangChain等项目。
• ReWOO即Reasoning WithOut Observation，通过模块化解耦大模型的“预见性推理”和工具的执行，实现数倍的token效率，并提高复杂环境下的鲁棒性。
• DAL我推测应该是DSL（领域特定语言），即将自然语言转化为特定领域的语言，也就是前面提到的text-to-code。
• KG（知识图谱）在相关文章中进行了深入探讨，可以移步查看。

AI+BI的融合为商业智能领域带来了前所未有的机遇。通过大语言模型的应用，可以极大地提升数据分析的效率、深度和准确性，同时改善用户体验。未来值得持续关注。