FineBI 智能问答是一款客户端应用：帆软 FineBI 中的自然语言问数功能。

单独用一个工具往往只解决一段问题，这篇讲怎么把它和上下游工具串起来。

推荐组合：FineBI 智能问答 + AutoGPT

AutoGPT 的定位是：早期知名的自主智能体开源项目，现提供平台化构建。两者分工可以是：FineBI 智能问答负责「写 SQL 查询」这一步，AutoGPT 负责把前后步骤串成自动化流程。

工作流步骤

  1. 明确交付物和验收标准，例如：说明了口径问题。
  2. 准备输入：数据库表结构说明，先去掉敏感信息。
  3. 在 FineBI 智能问答中执行核心步骤（提示词见下文）
  4. 把结果交给 AutoGPT 做下一步处理，或从 AutoGPT 取得所需材料。
  5. 人工检查关键事实与格式，记录发现的问题。
  6. 把这次用到的提示词和设置保存为模板，下次复用。

写 SQL 查询

适用情况：手头有数据库表结构说明时。

根据以下表结构写 SQL：统计每个月新增用户数和其中完成首单的比例。请说明关联条件和可能存在的口径问题。

交付前确认：说明了口径问题。

交接时最容易出问题的地方

  • 格式不兼容：两边导入导出的格式提前测试一次。
  • 信息丢失：每次交接附上来源和版本号。
  • 责任不清：约定哪一步由谁做最终确认。
  • 权限分散：两边的账号和分享范围分别检查。

如果暂时不想引入第二个工具，也可以先用观远 BI 等同类产品替代其中一环，跑通流程后再决定。

补充练习

指标异动解读

适用情况：手头有一个突然下降的业务指标时。

日活本周下降了，请列出可能原因的排查清单，按「数据问题 / 产品变化 / 外部因素」分类，每项写明需要查看的数据。

验收标准：先排查数据本身问题。

自然语言问数

适用情况：手头有一张销售明细表时。

请基于这张表回答：上个季度销售额最高的 3 个地区是哪些？与前一季度相比变化多少？请同时给出你使用的计算方法或 SQL，便于我复核。

交付前确认：给出了可复核的计算过程。

图表建议

输入：一组需要汇报的数据。

根据这些数据推荐合适的图表类型，说明理由，并指出容易误导读者的画法（如截断坐标轴）。

检查点：指出了误导风险。

常见问题：图表结论被过度解读

区分相关与因果，在报告中标注假设。

常见问题：问数结果看似合理但错误

准备几道已知答案的问题做抽检。

常见问题：敏感数据暴露给模型

使用脱敏视图或只读账号，限制可访问的表。

概念补充：口径

指标的定义与计算规则，不同口径会得出不同结论。

概念补充：异常检测

自动发现偏离正常范围的数据点。

适合人群：数据分析师

数据分析师可以用 FineBI 处理取数与 SQL、清洗与可视化等工作。需要注意：确认指标口径，敏感数据脱敏后再交给 AI 处理。

适合人群：HR 与招聘

HR 与招聘可以用 FineBI 处理岗位描述撰写、面试题与评估表等工作。需要注意：简历筛选不得以性别、年龄等因素做歧视性判断，候选人信息需妥善保管。

使用提醒

所有示例输出均为示意，不代表真实统计或效果承诺；请以自己的测试结果为准。

涉及个人信息、商业机密或受监管数据时，先确认 FineBI 智能问答的数据处理条款，再决定能否使用。

延伸阅读