重磅！纯 LLM 做 NL2SQL 总不准？金融场景为什么必须做本体工程

摘要 在金融问数场景下，纯 LLM 方案受限于概率生成机制，难以保证查询口径的准确性。

本文从一个生产环境的一线踩坑案例切入，拆解纯 LLM 方案在金融场景面临的四大工程挑战，并论证引入本体作为"语义导航系统"的必要性。

一、背景：数据分析工具的四阶段演进 要理解本体的价值，需先回顾数据分析工具的演进。

这条路径本质上是从"人适应工具"到"工具适应人"的演进，共经历四个阶段。

每一次跃迁都源于同一驱动力：业务人员对"更快、更准、更简单"获取数据洞察的渴望。

① 固定报表时代——“准但慢”。

业务提需求，IT 写 SQL，T+1 出报表。

优点是口径统一、结果准确；缺点是周期长、响应慢。

业务想换一个维度看数据，就得重新提需求，等上几周是常态。

② 自助 BI 时代——“活但难”。

数据仓库和星型模型的引入，让业务可通过拖拽字段生成图表，灵活性大幅提升。

但门槛依然存在——业务需要理解"事实表"“维度表”，更要命的是语义歧义。

比如业务口中的"保费"，到底是"标准保费"“实收保费"还是"预估保费”？

字段命名不统一，结果就是"垃圾进，垃圾出"。

③ AI 问数（NL2SQL）时代——“快但飘”。

大模型让非技术人员能用自然语言直接查数据，看似彻底解决了门槛问题，但新的危机随之而来：准确性失控。

这是当前主流，正面临严峻挑战。

🔗 原始来源

如果你要核对细节，可以再看原文： InfoQ AI原文链接