财务人员每天要查数据、问政策传统方式是打开报表系统筛选条件或翻阅制度文件找答案。2025年以来越来越多企业开始引入AI智能问数和AI智能问询能力让财务人员用自然语言就能获得数据洞察和政策解答。本文从技术架构角度拆解这两类系统的设计思路。一、两类AI能力的技术定位AI智能问数和AI智能问询虽然都是自然语言交互但底层技术路径完全不同AI智能问数自然语言转SQLNL2SQL核心是将用户的口语化查询转化为数据库查询语句再执行并返回可视化结果。AI智能问询检索增强生成RAG核心是从企业知识库中检索相关文档片段再由大模型生成准确回答。两者在技术栈上的关键差异维度AI智能问数AI智能问询核心技术NL2SQL 数据库执行引擎RAG 向量检索 大模型生成数据源结构化业务数据库非结构化文档制度/政策/FAQ输出形态图表数据表格60图表类型自然语言回答来源引用准确率挑战SQL生成正确性、多表关联检索召回率、幻觉控制二、AI智能问数架构设计2.1 整体架构AI智能问数系统通常分为三层语义理解层接收用户自然语言输入通过意图识别和实体抽取理解用户想查什么数据、什么维度、什么时间范围。大模型将口语化表述转化为结构化查询意图。SQL生成与执行层根据查询意图和数据库Schema信息生成对应SQL语句。关键设计点包括Schema元数据注入、Few-shot示例库、多表关联策略、SQL语法校验。结果渲染层执行SQL返回数据后根据数据特征自动选择合适的图表类型柱状图、折线图、饼图等支持下钻穿透至原始凭证。2.2 Schema感知与SQL生成NL2SQL的核心难题是大模型需要理解企业特有的数据库Schema。行业通行做法是构建Schema元数据层-- Schema元数据表示例TABLE: expense_reportCOLUMNS:id (PK), employee_id, dept_id,amount, currency, expense_type,submit_date, approve_date, statusTABLE: departmentCOLUMNS:dept_id (PK), dept_name, parent_id,cost_center, budget_amount在Prompt中注入Schema信息后大模型可以正确生成多表关联查询。对于复杂查询如同比环比、Top N排名通常需要配合Few-shot示例库来提升生成准确率。2.3 数据安全与权限控制问数系统直接访问业务数据库权限控制是硬性要求行级权限根据用户角色自动添加WHERE条件如部门经理只能看到本部门数据数据脱敏敏感字段如薪资在返回结果中自动脱敏查询审计所有NL2SQL转换过程和执行结果都需要记录审计日志T0实时同步部分企业要求问数结果与业务系统实时一致需要数据同步管道支撑三、AI智能问询架构设计3.1 RAG流水线AI智能问询的核心是RAGRetrieval-Augmented Generation架构基本流水线如下用户提问 → Query改写 → 向量检索 → 文档排序 →上下文组装 → 大模型生成 → 回答来源引用每个环节都有工程优化空间Query改写将口语化问题拆解为可检索的关键词组合大模型辅助同义词扩展混合检索向量检索关键词检索双路召回提升召回率重排序用Cross-Encoder对召回文档做精排过滤低相关度片段上下文窗口管理控制注入大模型的文档片段长度避免超出Token限制3.2 多租户知识隔离企业费控场景中不同租户企业客户的制度文件、报销标准、审批规则完全不同。知识隔离是硬性要求租户级向量空间每个租户的文档索引独立存储检索时限定租户范围字段语义库不同租户对同一字段可能有不同叫法如差旅标准/差补标准需要租户级语义映射知识更新机制制度文件变更时增量更新向量索引而非全量重建3.3 幻觉控制与可追溯性财务场景对回答准确性要求极高幻觉控制策略来源引用每个回答必须标注出处如公司差旅管理制度v3.2第5条置信度阈值低置信度回答降级为推荐阅读而非直接回答7x24小时可用性问询系统需与人工客服无缝切换AI无法回答时自动转人工四、两者协同AI Agent全链路在完整的费控场景中问数和问询不是孤立的。一个典型的协同场景财务经理问上季度差旅费超标了多少对应制度怎么规定的问数模块查询上季度差旅费实际支出 vs 预算生成对比图表问询模块检索差旅费报销制度中关于超标处理的条款Agent编排将两个结果整合为完整回答数据制度双维度这种多Agent协同是行业趋势部分头部费控厂商已实现问数问询审核填单的AI Agent全链路编排。五、工程落地建议问数系统优先解决Schema理解和多表关联问题这是准确率的瓶颈问询系统优先解决知识更新时效性制度变更后回答必须同步更新两者都需要完善的权限体系和审计日志这是企业级部署的前提从单一场景切入如差旅费查询逐步扩展到全量业务场景关注大模型成本控制问数场景SQL缓存可显著降低调用频率本文为中立技术/行业分析不构成任何品牌推荐。
