跳转至

BI × LLM · 2026 BI 的根本变革

Explanation · 原理资深

一句话定位

2026 BI 最大转折 · LLM 成为 BI 入口。不是"替代 BI 工具"· 是"业务人用自然语言访问指标中台"。关键在语义层作为 LLM 的知识抓手 · 不是让 LLM 直写 SQL。

和其他页的边界

TL;DR

  • 四大能力：Text-to-Query · Auto-Insight · Auto-Viz · Natural Narrative
  • 核心抽象：LLM → 语义层查询（不直写 SQL）→ SL 编译成 SQL → 执行
  • 2026 产品领跑：Databricks AI/BI Genie（2025-06-12 GA · 4000+ accounts） · Snowflake Cortex Analyst（Public Preview · 广泛采用）· Tableau GPT / Pulse（GA） · dbt SL + MCP · Cube AI
  • 落地关键：语义层质量 · Few-shot 持续维护 · Feedback loop · 权限穿透
  • 现实："不会 100% 准确 · 要可审查 + 可纠错" · 别承诺取代分析师

1. 为什么 2026 是转折点

1.1 三大推动力

  1. LLM 推理质量跃升 · GPT-4.5 / Claude 3.5+ / Gemini 2 对 schema / SQL 理解显著改善 · BIRD benchmark 从 2023 的 55% 上升到 2025+ 的 80%+
  2. 语义层成熟 · dbt SL / Cube 2024 生产可用 · 给 LLM 提供稳定的业务抽象
  3. MCP 协议（Anthropic 2024 开放）· 统一 LLM 访问企业数据的接口 · dbt / Cube / Databricks 等陆续提供 MCP server

1.2 历史试错

  • 2019-2022 · 关键词搜索式 BI（ThoughtSpot 等）· 限于"结构化搜索" · LLM 之前天花板低
  • 2023 · 直接 Text-to-SQL · 基于 GPT-3.5 · Schema 理解弱 · 踩坑：幻觉、权限漏、列名不对
  • 2024+ · 语义层为中介 · LLM 不直接写 SQL · 写"语义层查询" · 稳定性飞跃
  • 2025-2026 · MCP 协议统一 · 多 LLM + 多 SL + 多 BI 工具的正交组合

2. 四大能力

2.1 Text-to-Query · 自然语言查询

不是 Text-to-SQL（直接生成 SQL）· 而是 Text-to-SemanticLayerQuery（生成语义层调用）。

用户："上周华北区 iPhone 销量对比上上周"
  ↓ LLM
{
  metric: "gmv",
  dimensions: ["region", "product_name"],
  filters: [
    {dimension: "product_name", op: "like", value: "iPhone%"},
    {dimension: "region", value: "华北"}
  ],
  time_range: "last_week vs prev_week",
  compare: "week_over_week"
}
  ↓ Semantic Layer
SELECT ... FROM ... GROUP BY ...

产品实现： - Databricks Genie · Unity Catalog metadata + instructions 做 LLM 理解 - Snowflake Cortex Analyst · Semantic Model YAML + REST API · LLM 生成 SM query - dbt SL + MCP · LLM 通过 MCP 调用 dbt SL 的 GraphQL / JDBC · 返回 metric + dimension 结果 - Cube AI · Cube Schema + LLM · 生成 Cube query

2.2 Auto-Insight · 自动洞察

给定数据集 + 业务目标 · LLM 自动发现： - 异常点（突升/突降/离群） - 趋势变化（增长率拐点） - 维度差异（某地区显著高/低） - 关联（指标 A 变化伴随指标 B 变化）

产品： - Tableau Pulse · 个性化 metric digest - ThoughtSpot Spotter · 自动异常检测 + 归因 - Power BI Copilot · 自然语言解释指标波动

注意：不是真正"理解" · 是统计 + LLM 解释 · 仍需人 validate。

2.3 Auto-Viz · 图表自动生成

LLM 根据数据形状和问题语义自动选图表类型 + 生成 spec。

  • 时间序列 → line chart
  • 对比 → bar chart
  • 分布 → histogram
  • 地理 → map
  • 关联 → scatter

生成：Vega-Lite / ECharts / Recharts spec · 前端直接渲染。

产品：几乎所有 BI + LLM 产品都做。

2.4 Natural Narrative · 自然语言叙述

生成数据解释文字： - "本周 GMV 1.2 亿 · 环比 +15% · 主要来自华北 iPhone 销量增长" - 代替枯燥数字 · 让业务阅读更快 - 风险：LLM 幻觉 · 叙述和数据脱节 · 必须在数据层面 double-check

3. 架构模式

3.1 LLM × SL 标准架构

flowchart LR
  user[自然语言 query] --> gateway[LLM Gateway<br/>+ guardrails]
  gateway --> llm[LLM<br/>Claude/GPT/Gemini]
  sl_meta[(Semantic Layer<br/>元模型 + 词典 + few-shot)] -.-> llm
  llm --> sl_query[SL Query Spec]
  sl_query --> sl_api[SL API<br/>dbt SL / Cube / UC]
  sl_api --> sql[编译 SQL · 权限穿透]
  sql --> wh[(Warehouse / 湖)]
  wh --> result[结果]
  result --> llm2[LLM 解释 + 可视化建议]
  llm2 --> user2[返回]

  audit[(Audit log)] -.-> gateway
  audit -.-> sl_api

关键组件：

  • LLM Gateway（详见 llm-gateway）· 多模型路由 · 限流 · guardrails
  • Semantic Layer（详见 semantic-layer）· metric/dimension 定义 · 业务词典
  • MCP Server · 标准化 LLM 访问 SL 的接口（dbt MCP / Cube MCP）
  • 权限穿透 · user identity 带到 SL 执行 · 行级/列级安全生效
  • Audit Log · 每次 Q + SL query + SQL + result 全链路记录

3.2 架构选型

路径 A · 商业集成栈（Databricks / Snowflake） - Unity Catalog / Snowflake Native 直接提供 LLM + SL + BI 一体 - 优势：零集成 · 开箱即用 - 劣势：厂商锁定

路径 B · dbt SL + MCP + 前端 - dbt SL 是语义层 · dbt MCP server 作为 LLM 接口 - 前端：Hex · Mode · 自研 - 优势：开放 · 可多 LLM / 多前端 - 劣势：需要自己搭 · MCP 生态仍在扩

路径 C · Cube + LLM 自拼 - Cube 做 SL + REST/GraphQL · LLM 通过 Cube API 调用 - 优势：最灵活 - 劣势：LLM prompt + Cube schema 要自己工程化

路径 D · 纯 Text-to-SQL（不推荐） - 没有语义层 · LLM 直接对 warehouse schema 写 SQL - 见 Text-to-SQL 平台 的陷阱 - 只在小规模 schema + 低准确性要求时用

4. 产品矩阵（2026-Q2）

产品 定位 状态 核心能力 生态
Databricks AI/BI Genie Unity Catalog 一体化 BI+LLM GA 2025-06-12 · 4000+ accounts Genie Space · Deep Research 预览 Databricks 栈
Snowflake Cortex Analyst Semantic Model + LLM Public Preview（非 GA · 2026-04 仍 Preview） · 9100+ accounts 用 Cortex 系列 SM YAML · REST API Snowflake 栈
Tableau GPT + Pulse 前端 + LLM GA NLQ · Auto-viz · Narrative Tableau 生态
ThoughtSpot Sage / Spotter 搜索式 BI + LLM 升级 GA Spotter · 自动归因 独立生态
dbt Semantic Layer + MCP 开放 SL + MCP server 2025 发布 · 2026 集成度提升 dbt SL GraphQL · MCP 接入 多前端
Cube AI Cube schema + LLM 成熟 NL → Cube query · 嵌入式 多前端
Power BI Copilot Microsoft BI + Copilot GA NLQ · DAX 生成 Microsoft 栈
Sisense AI / Qlik Answers 传统 BI + LLM 加 GA NLQ · 有限 对应生态

5. 落地的 5 个关键环节

5.1 语义层质量是天花板

LLM 的表现由语义层能多详细描述业务决定。

必做： - 每 metric 加 description（业务定义 · 不是 SQL 注释） - 每 dimension 加 synonyms（"区域/地区/region/location" 都映射同一 dim） - 关键 metric 加 sample_queries（few-shot） - filter / default_time_range 预编业务口径（"本周"、"YTD"）

反面：语义层字段名糊弄 · gmv / amount / sales 都存在 · LLM 不知该用哪个。

5.2 Few-shot 持续维护

  • 收集真实业务 query → SL query 的对应样本
  • 作为 LLM 的 context · 精度提升显著（+10-20%）
  • 版本化管理 · 把 few-shot 当代码 · PR 改

5.3 Feedback Loop

  • 用户点"这个对 / 这个错"
  • 错了的 query 进入 review 队列 · 人工修改语义层或 few-shot
  • 每月盘点 Top 失败类型 · 针对性改进

5.4 权限穿透

  • 用户 identity 一路从 gateway 到 SL 到 warehouse
  • SL 层的行级/列级安全自动生效
  • 绝不在 LLM prompt 里让 LLM 自己判断权限 · 绕过风险极高

5.5 输出可审可纠

  • 每个答案展示：生成的 SL query + 最终 SQL + 结果 + 解释
  • 业务可以看"LLM 怎么理解我的问题" · 不对则反馈
  • 不透明的"魔法黑盒"是信任杀手

6. 评估 · BI × LLM 的 SLO

常规 BI SLO（延迟 · 新鲜度）之外 · LLM 引入新维度：

指标 定义 目标（典型）
Accuracy @ 1 一次生成正确率 65-80%
Accuracy @ 3 3 候选里有对的 85-95%
User Acceptance Rate 用户采纳答案比例 70%+
Clarification Rate LLM 反问澄清比例 10-20% 健康
Cost per Query 每 query LLM token 成本 $0.01-0.1
Audit Completeness Q+SQL+result 完整记录 100%
Permission Leak Rate 越权返回的 query 0（硬指标）

评估方法： - Golden Set（100-1000 业务真实 query + 正确答案）· 回归 - A/B 测试 · 新语义层 / 新 few-shot / 新 LLM 版本 - 用户 feedback 长期跟踪

详见 评估通用方法 · 检索评估和 LLM 评估有交叠。

7. 陷阱

  • 跳过语义层 · LLM 直接写 SQL · 2026 绝大多数失败案例的根因 · 幻觉 · 权限漏 · 口径乱
  • 语义层糊弄就上 LLM · metric description 一行 · synonyms 空 · LLM 效果和野生 Text-to-SQL 无差别
  • 承诺"取代分析师" · 期望管理失败 · LLM 做重复性 ad-hoc 查询解放才是卖点
  • Accuracy 追求 100% · 不可能 · 改为"可审查 + 可纠错"
  • 没有 clarification · LLM 不确定时硬编 · 给出错答案
  • 一次性上线 · 没 feedback loop · 两个月后语义层和业务漂移 · 答案越来越离谱
  • Cache 太激进 · 不同用户权限不同 · 同 query 答案必须不同
  • Token 成本失控 · 每 dashboard 每 refresh 调 LLM · 月账单飞
  • 模型升级无 regression test · LLM 升级后某类 query 对准率跌 · Golden Set 能catch
  • 审计不完整 · 业务投诉"数字不对"但查不到哪条 query · 审计必须全链路

8. 未来方向（2026-2027）

  • 多轮对话式 BI · "帮我看华北销量"→"再对比华南"→"为什么跌"· 对话 state 管理
  • Agentic BI · LLM 自主调工具链 · Deep Research 风格的多步分析 · Databricks Genie Deep Research 已 preview
  • 语义层自动生成 · LLM 从 warehouse schema + 业务文档自动生成语义层草稿 · 加速冷启动
  • 跨语义层联邦 · 多业务线多 SL · LLM 跨 SL 查询 · schema federation 问题
  • 本地 LLM + 敏感数据 · 小模型 fine-tune + on-prem 部署 · 金融/医疗场景

9. 相关

10. 延伸阅读