📊 数据分析Agent
🧭 NL2SQL 实现
NL2SQL（Natural Language to SQL）是数据分析 Agent 的核心引擎。将用户的自然语言问题转化为准确的 SQL 查询语句。
架构设计
"上月各分行信用卡激活率排名"
匹配相关表/字段
LLM 生成候选 SQL
语法 + 语义 + 权限检查
可选：自动可视化或嵌入报告
关键技术点
| 技术点 | 方案 | 说明 |
|---|---|---|
| Schema 上下文注入 | DDL + 示例数据 + 字段注释 | 将表结构、字段说明、示例值注入 Prompt，提升生成准确率 |
| Few-shot 示例 | 动态检索相似问题-SQL 对 | 从历史查询日志中检索最相似的 N 个问题作为示例 |
| SQL 校验 | 语法解析 + EXPLAIN + 沙箱执行 | 三重验证确保 SQL 的语法正确性和执行安全性 |
| 自纠错机制 | 错误反馈 → 修正 → 重试 | SQL 执行失败时，将错误信息反馈给 LLM 重新生成（最多 3 次） |
| 权限控制 | 字段级 + 行级权限 | 银行场景下强制脱敏，禁止访问未授权字段 |
📈 数据可视化 Agent
查询结果自动转换为可视化图表，根据数据特征和分析意图智能选择图表类型：
| 数据特征 | 自动推荐图表 | 适用场景 |
|---|---|---|
| 时间序列 + 单指标 | 折线图 / 面积图 | 趋势分析、KPI 监控 |
| 分类 + 数值 | 柱状图 / 条形图 | 排名对比、分布分析 |
| 部分与整体 | 饼图 / 环形图 / 树图 | 占比分析、构成分析 |
| 二维数值 | 散点图 / 气泡图 | 相关性分析、异常检测 |
| 地理数据 | 地图 / 热力图 | 区域分布、网点分析 |
可视化 Agent 通过 ECharts / D3.js 代码生成方式实现，LLM 根据数据结构和图表类型描述直接生成前端渲染代码，支持交互式探索。
📝 报告自动生成
基于分析结果自动生成结构化数据报告：
- 数据摘要：关键数字自动提取，异常值高亮标注
- 图表嵌入：可视化图表自动插入报告对应章节
- 洞察生成：LLM 分析数据趋势，生成自然语言洞察和行动建议
- 模板管理：日报/周报/月报模板，支持银行合规格式（含审批链、签章位）
- 多格式导出：PDF（合规归档）、HTML（在线预览）、Markdown（协作编辑）
🏦 银行数据分析场景
以下三个银行典型场景展示了数据分析 Agent 在高合规、高安全要求下的落地实践：
用户画像分析
需求：基于交易行为、资产分布、产品持有构建 360° 用户画像
Agent 能力：自然语言查询 "近 6 个月高净值用户的理财偏好变化" → 自动关联交易表、持仓表、用户表 → 生成画像报告
安全措施：敏感字段脱敏、查询结果不落地本地、自动过期清理
风控分析
需求：实时监控可疑交易，生成风控预警与分析报告
Agent 能力：NL2SQL 查询异常交易模式 → 自动关联历史欺诈案例 → 生成风险评分 → 触发预警工单
安全措施：所有查询操作记录审计日志、异常模式规则由风控专家审核后上线
运营报表
需求：分行/支行多维度运营指标自动统计与可视化
Agent 能力："生成华东区各分行本月 KPI 完成情况" → 自动关联多表 → 生成可视化日报 → 定时推送
安全措施：跨分行数据隔离、报表水印防泄露、查看权限分级
- 渐进式推进：先内部运营报表（低风险）→ 用户画像（中风险）→ 风控分析（高风险）
- 合规前置：项目启动阶段即引入合规/法务团队，提前对齐数据使用边界
- 人机协同：Agent 产出为建议而非决策，关键分析结果需人工确认
- 数据不出域：所有计算在银行内部环境完成，杜绝数据外传