AI Agent数据分析平台
项目简介：基于Agent、Text-to-SQL和安全查询执行，实现数据集管理、指标口径维护、分析意图识别、SQL纠错、图表推荐、数据解读和报告生成，适合BI分析落地、过程追踪和多轮会话。
本项目覆盖的技术点
学完能答的面试题
学完这个项目，下面 13 道面试题你都能结合项目细节讲出来。题目在 AIGC 面试刷题网可以免费看。
status=2 是什么、复购率怎么算，SQL 就会算错。select 开头、不能有分号和危险关键字、from/join 的表必须属于当前数据集，没有 limit 自动追加 limit 100；字段白名单没做，要能如实讲出边界。系统架构
一张图看清整个系统的分层与核心链路，点开可缩放查看细节。
- 1接入层：提问端 + 管理端用户自然语言提问，看 SQL、结果表、图表、解读和报告；管理端维护数据源、字段语义、指标口径和三类用途模型。
- 2编排器：只负责拆计划先识别分析意图，再让模型生成结构化计划，每步包含分析问题、SQL 目的和建议图表；同一会话重复生成会覆盖旧计划。
- 3执行器：按步骤逐条跑Text-to-SQL 注入表结构、字段语义和指标口径，经过安全校验后执行，结果摘要压缩，再做图表推荐、数据解读和推荐追问。
- 4SQL 报错的纠错回路执行报错后用户点纠错，AI 读报错信息改 SQL 再执行；重新生成或重跑时立刻清空旧结果、图表和解读，上下游不会对不上。
- 5每一步都落库意图、计划、SQL、校验、执行、图表、解读、报告八个步骤各记状态、耗时、输出摘要和错误信息。
- 6按用途自动选模型SQL 分析模型负责生成和纠错，文本分析模型负责意图、图表、解读和计划，报告生成模型负责 Markdown 报告；页面没指定模型时按用途选启用的模型，没有对应用途就退回通用模型。
技术栈
用到的框架、中间件和模型。
技术难点与解法
每一项优化都针对一个真实问题，讲清楚问题、做法和背后的原理。
01让 Text-to-SQL 真正可用
- 问题
- 模型不了解业务表和口径：不知道
amount是实付金额，不知道「活跃用户」怎么定义，生成的 SQL 能跑但算错。 - 做法
- 把表结构、字段语义、指标口径注入 Prompt；SQL 生成、校验、执行、纠错拆成独立接口和状态字段。
- 原理
- Text-to-SQL 落地的关键不在模型多强，而在给它的业务上下文够不够。
02AI 生成的 SQL 直连真实数据库
- 问题
- 模型输出的 SQL 直接执行，一旦带了
delete、drop或者查了不该查的表，后果不可控。 - 做法
- 执行前做确定性检查：
select开头、去掉字符串后不能有分号、不能含 DDL/DML 关键字、表名必须属于当前数据集的启用表，没有limit时追加limit 100。 - 原理
- 模型输出必须先过规则再执行；字符串校验只是第一道防线，还要配合只读账号等手段纵深防御。
03SQL 执行报错怎么办
- 问题
- 字段名写错、语法错、类型不匹配，生成的 SQL 执行失败，用户只能看着报错干瞪眼。
- 做法
- 保存数据库错误信息；点击纠错时把「原 SQL + 错误信息 + 数据集结构」交给模型生成修正 SQL，同时清空旧结果、图表和解读，再执行一次。
- 原理
- 数据库报错本身就是最好的提示，把它回喂给模型；重跑时旧结论必须同步失效，避免新 SQL 配旧结论。
04一个分析目标要拆成多步
- 问题
- 「复盘电商销售情况」这种目标，一条 SQL 回答不了，需要趋势、分类、城市、用户多个角度。
- 做法
- Plan-and-Execute：模型先把目标拆成结构化计划（每步含分析问题、SQL 目的、建议图表），后端按步骤调用 Text-to-SQL、校验执行、图表推荐和数据解读，最后汇总成报告。
- 原理
- 步骤数量由模型的计划决定，执行由代码按步推进；只有 SQL、图表和解读都成功才算步骤完成，不以「没抛异常」为准。
05查询结果太大，没法交给模型解读
- 问题
- 查询结果动辄成百上千行，全塞进 Prompt 会超上下文，还浪费 Token。
- 做法
buildResultSummary保留行数、字段和前 10 行样本，并计算数值字段的总和、平均值、最小值、最大值，再把摘要交给解读 Prompt。- 原理
- 模型要的是能得出结论的统计特征，不是原始明细。
功能清单
按角色看这个系统都能做什么。
数据与口径4 项
- 数据集管理维护可分析的数据集
- 表结构与字段语义维护表结构，以及每个字段的业务含义和语义类型
- 指标口径管理维护统一的指标口径公式和业务含义
AI 配置与管理4 项
- AI 模型配置与 Prompt 模板维护模型配置、模型用途与 Prompt 模板
- Agent 执行记录查看 Agent 各步骤的执行状态、耗时和错误
- 分析报告管理查看与管理分析报告
页面截图
共 7 张真实运行截图，点击大图查看高清原图。
点击放大你将获得
购买后可以拿到的全部内容。
喂饭级学习教程19 章
从数据集、字段语义、指标口径讲起，到 Text-to-SQL、安全校验、AI 纠错、图表解读和 Plan-and-Execute Agent，按开发顺序一章一章讲。
完整源码 + SQL
Spring Boot 后端 + Vue3 前端完整源码，MySQL 建表脚本和电商、课程、招聘等示例分析数据。
配套面试文档
电梯陈述、架构与选型、Text-to-SQL 与 Agent 深挖、高频面试题和难点包装，面试时照着讲。
环境安装文档
JDK、MySQL、Node.js、Maven 等开发环境的安装与配置。
项目运行文档
数据库初始化、前后端启动、模型配置，从零把项目跑起来。
常见问题
下单前最常被问到的几个问题。
这个项目是 Java 还是 Python？
后端是 Java（JDK 21 + Spring Boot 4.1 + Spring AI 2.0），前端是 Vue3。
模型需要自己准备吗？
需要自己在 DeepSeek 开放平台创建 API Key，在管理端「AI 模型配置」里填入即可，不用改代码；配多个模型时可以按 SQL 分析、文本分析、报告生成分用途。模型走接口调用，不需要显卡。
基础薄弱能学会吗？
教程是喂饭级的，从登录注册、统一返回这些工程底座讲起，每章都有验证步骤。基础不够的话，可以先按上面的「学习路径」从基础项目学起。
能写进简历、用作毕业设计吗？
可以，配套面试文档里有项目介绍、难点包装和高频追问，照着就能讲清楚。至于毕业设计，有小伙伴问过我，统一回答一下：AI 实战库板块的项目拿去做毕业设计，就四个字——降维打击。
源码能用于商业项目吗？
源码和教程本质上是给大家学习、提升技能的。如果需要商用，自己二次开发一下也没问题，但禁止原项目 + 教程转手倒卖。我是一个程序员，能看到你们学习我的教程提升能力，能听你们叫我一声大佬，挺幸福的！知足~
售后答疑
买完不是结束跟着教程学习，遇到问题不用自己硬扛。