阿里发布新版 Quick BI，聊聊 ChatBI 的底层架构、交互设计和云计算生态

Sat, 06 Sep 2025 00:00:00 +0000

8月28日，阿里云发布了数据分析工具 Quick BI 的全新版本。它是大模型应用在 BI 行业的最新实践。Quick BI 在云计算基础设施之上，搭建了一个 ChatBI 应用。阿里为这个应用起了一个拟人化的名字：智能小Q。智能小Q允许用户以对话的形式探索数据。无需写 SQL，只需与小Q对话，即可获得想要的统计信息。

智能小Q其实是一个多智能体系统（multi-agent system），包含多个 Agent：

报告 Agent
问数 Agent
搭建 Agent
解读 Agent

这些 Agent 均由领域大模型驱动。

Note: 领域大模型经过 SFT、RL 微调，可将业务知识迁移泛化到同类任务中，从而在特定领域获得更优表现。此外，领域大模型的参数量小、推理速度快，也是优势之一。

一、智能小Q能做什么？

下面介绍智能小Q的两种模式：问数和解读。

1）问数界面

当用户提问：“店日均杯量是多少？”小Q可以找到数据并可视化，这就是“问数”。

2）解读界面

解读界面允许用户筛选面板中的数据，并基于筛选后的数据向小Q提问。

将「筛选后的数据」作为上下文向小Q提问有什么优势？

一方面，直接引用数据源意味着大模型无需去猜你想分析哪张表，节省了宝贵的 token；另一方面，直接引用提问涉及的数据范围，有助于大模型关注到真正有用的线索，避免大模型因为找不到重点，变得泛泛而谈。

在与智能体的对话中，明确引用所指对象是好文明！

二、拆解 Quick BI 技术路径

Quick BI 的底层架构是 Agent + 数据库。只要有这两个核心模块，你也能做出简易的 ChatBI，这一点在我的开源项目 luochang212/clickhouse-chatbi 中亦有记载。其中，Agent 对 Quick BI 的实现尤为关键。

先来盘一盘 Agent 框架有哪些能力？

能力	技术	代表	偏向
路由	Router	ChatGPT	模型
检索	RAG	LlamaIndex	工程
状态	Session	Google ADK	工程
记忆	Memory	Letta	工程
交互	ReActChat	Qwen Agent	模型
工具	MCP	Claude	工程
规划	Supervisor	LangGraph	工程
安全	Guardrails	OpenAI Agents	工程

* 上面的「代表」不是 SOTA 的意思，只是我第一个想到的例子

耶是 ClickHouse！我们有救了！！

Sat, 26 Jul 2025 00:00:00 +0000

本来我懒得装，但是 MySQL 太慢了，遭不住，咱还是把 ClickHouse 装起来吧。

GitHub 项目地址：chat-to-clickhouse

在《Agent 实战：智能路由、任务拆解和链路工程》一文中，我实现了一个简单的 ChatBI，它能查询 MySQL 数据库。对于小批量数据量，MySQL 尚可应付，但是当数据量来到千万量级时，一次 MySQL 查询将消耗数秒甚至数十秒，这么长的等待时间是用户难以忍受的。而且 Agent 还有一个技术问题，它的 NL2SQL 尚未做到 one-shot，也就是说，在拿到最终结果前，它也许需要多次试错，这将进一步拉长查询时间。

如何无痛解决查询效率低下的问题呢？很简单，只需要换数据库就可以做到。这便引入今天的主角：ClickHouse。

一、分析利器

ClickHouse 是 Yandex 旗下的一款开源的列式存储数据库，专为 联机分析处理 (OLAP) 场景设计。在做数据分析时，它比传统数据库快几倍到几十倍。分析场景的核心需求是「聚合计算」，即 GROUP BY 子句下的 SUM, AVG, COUNT 操作，这些正是 ClickHouse 的强项。

为什么它的聚合计算如此之快呢？因为它具有如下特性：

列式存储：顾名思义，列存的数据是按列存储的。这种存储方式可以减少无效 I/O，因为列存可以只读取查询中涉及的列。而非行存那样，读取整行后再丢掉不需要的列
并行计算：列存的另一个优势是数据更容易切分。单列数据的连续性和同构性更强，无需考虑与其他列的关联，因此可以更方便地按维度（如时间区间、数值分段）拆分并分配到不同节点。当然，这种设计的代价是使得插入操作变得更加昂贵
物化视图：物化视图可以把高频分析的结果提前算好存在表里，后续查询直接读结果，无需重新计算

二、安装过程

用 Docker 安装，过程相对简单。工业界在集群上装，比咱们这个复杂不少。

1. 配置 Docker 镜像源

中国大陆地区下载镜像，需要配置镜像源。

对于 Linux 系统，需要在 /etc/docker/daemon.json 文件中配置镜像源（如下）。Windows 和 MacOS 系统更方便一点，可以直接在 Docker Desktop 的 Settings -> Docker Engine 页面修改 daemon.json 文件。

在 daemon.json 文件中，添加镜像源字段 registry-mirrors：

OLAP on Chang Luo