阿里云 Quick BI 中的 AI 问数与报告功能——这是 Quick BI 智能小 Q 最主要的用途，也是本文讨论的前提。

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：Quick BI 智能小 Q + Cline

Cline 的定位是：开源的 VS Code 编程智能体扩展，可自带模型 API。两者分工可以是：Quick BI 智能小 Q 负责「写 SQL 查询」这一步，Cline 负责开发集成与脚本处理。

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 Quick BI 智能小 Q 中执行核心步骤（提示词见下文）
  4. 把结果交给 Cline 做下一步处理，或从 Cline 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

输入：数据库表结构说明。

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。
  • 成本叠加：两个工具都可能计费，先估算用量。

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

补充练习

自然语言问数

准备材料：一张销售明细表。

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。

验收标准：给出了可复核的计算过程。

图表建议

准备材料：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。

评测大模型应用

输入：一批真实用户问题和应用回答。

为这批回答设计评测：定义 4 个评分维度，写出评分标准，抽取 20 条进行人工打分，并统计各维度的问题类型。

验收标准：评分标准清晰可复用。

常见问题：AI 算出的数字和报表不一致

检查口径和过滤条件，要求它输出 SQL 或公式逐步复核。

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：异常检测

自动发现偏离正常范围的数据点。

概念补充：追踪（Tracing）

记录大模型应用每次调用的输入输出与耗时。

适合人群：销售

销售可以用 Quick BI 处理客户背景调研、跟进邮件与话术等工作。需要注意：客户数据按公司规定处理，报价和承诺以合同为准。

适合人群：科研人员

科研人员可以用 Quick BI 处理文献检索与阅读、实验记录与数据整理等工作。需要注意：遵守期刊和机构关于 AI 使用的披露要求，引用逐条核对。

写在最后

本文基于 Quick BI 智能小 Q 公开的定位与通用用法编写，具体功能、套餐与可用地区以官方页面为准，产品更新后界面和名称可能变化。

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。

延伸阅读