第1章 初識ChatBI：商業(yè)智能的新世界 1
1.1　什么是ChatBI 2
1.1.1 BI的定義與演化 2
1.1.2 ChatBI的概念與特點(diǎn) 3
1.1.3 ChatBI與傳統(tǒng)BI的區(qū)別 5
1.1.4 ChatBI的核心價(jià)值 6
1.1.5 ChatBI的優(yōu)勢與挑戰(zhàn) 8
1.2　ChatBI的行業(yè)生態(tài) 9
1.2.1 業(yè)界前沿 10
1.2.2 行業(yè)ChatBI產(chǎn)品介紹 11
1.3　ChatBI產(chǎn)品特性 13
1.3.1 多端互聯(lián)：跨平臺、多設(shè)備、實(shí)時(shí)交互 13
1.3.2 多源數(shù)據(jù)：兼容多種數(shù)據(jù)類型、靈活高效 13
1.3.3 意圖識別：分析用戶意圖，提升交互體驗(yàn) 14
1.3.4 智能問答：多元智能交互 15
1.3.5 智能繪圖：自動化生成圖表，輔助決策 16
1.3.6 智能分析：深度挖掘數(shù)據(jù)價(jià)值 17
1.4　ChatBI開源項(xiàng)目 17
1.4.1 DB-GPT：AI原生數(shù)據(jù)應(yīng)用開發(fā)框架 17
1.4.2 PandasAI：數(shù)據(jù)分析助手 18
1.4.3 Vanna-AI：個(gè)性化AI SQL智能體 19
1.4.4 SuperSonic：融合大語言模型和語義建模的新一代BI平臺 19
1.5　ChatBI系統(tǒng)架構(gòu) 20
1.5.1 架構(gòu)概覽 20
1.5.2 核心組件 23
1.5.3 對話引擎 25
1.5.4 知識引擎 26
1.5.5 智能體引擎 28
1.5.6 系統(tǒng)集成 29
1.5.7 安全部署 31
1.6　ChatBI的應(yīng)用場景 32
1.6.1 企業(yè)決策支持 33
1.6.2 數(shù)據(jù)分析民主化 33
1.6.3 即時(shí)數(shù)據(jù)洞察 36
1.6.4 客戶服務(wù)與智能問答 38
1.6.5 個(gè)性化定制 39
1.6.6 跨行業(yè)應(yīng)用 40
1.7　ChatBI的發(fā)展趨勢 42
1.7.1 多模態(tài)交互 42
1.7.2 智能推理 43
1.7.3 數(shù)據(jù)安全與隱私保護(hù) 44
第2章 提示工程：讓ChatBI更懂你的需求 46
2.1　提示工程概念 47
2.1.1 什么是提示詞 47
2.1.2 提示詞的類型 48
2.1.3 提示詞的基本結(jié)構(gòu) 49
2.1.4 提示詞的設(shè)計(jì)原則 54
2.1.5 提示詞的構(gòu)建方法 56
2.1.6 提示詞優(yōu)化 58
2.2　上下文管理 60
2.2.1 上下文信息組織 61
2.2.2 上下文優(yōu)化策略 64
2.2.3 會話狀態(tài)維護(hù) 67
2.2.4 歷史信息壓縮 67
2.2.5 內(nèi)存管理策略 68
2.3　提示詞經(jīng)典框架 69
2.3.1 ICIO框架 69
2.3.2 CRISPE框架 71
2.3.3 RACE框架 72
2.3.4 COAST框架 72
2.3.5 ALIGN框架 73
2.3.6 TRACE框架 74
2.4　推理增強(qiáng)技術(shù) 75
2.4.1 思維鏈：線性推理 75
2.4.2 思維樹：分支探索 78
2.4.3 思維圖與圖提示 80
2.4.4 驗(yàn)證鏈:逐步確認(rèn) 81
2.4.5 知識鏈：信息增強(qiáng) 82
2.4.6 表格推理 83
2.4.7 代碼推理 84
2.5　知識整合策略 88
2.5.1 生成知識提示 88
2.5.2 知識圖譜提示 89
2.5.3 外部知識庫集成 91
2.5.4 檢索增強(qiáng)生成提示 91
2.5.5 知識一致性檢查 92
2.5.6 基于反饋的知識修正 93
2.6　提示詞的評估體系 94
2.6.1 評估維度 94
2.6.2 評估方法 95
2.6.3 評估指標(biāo) 96
2.6.4 評估流程 96
2.7　提示工程發(fā)展趨勢 97
2.7.1 自動化程度不斷提高 97
2.7.2 多模態(tài)融合 98
2.7.3 個(gè)性化與定制化 98
2.7.4 倫理與合規(guī)性的重視 100
2.7.5 持續(xù)學(xué)習(xí)與進(jìn)化 101
第3章 AI智能體：ChatBI的“多核引擎”，讓效率全面提升 102
3.1　AI智能體概述 103
3.1.1 什么是AI智能體 103
3.1.2 AI智能體的結(jié)構(gòu) 105
3.1.3 AI智能體的特征 110
3.1.4 AI智能體如何工作 111
3.1.5 AI智能體的類型 113
3.1.6 ChatBI中AI智能體的用途 120
3.2　AI智能體推理范式 121
3.2.1 ReAct：推理與行動 121
3.2.2 ReWOO：無觀察推理 123
3.2.3 Plan ＆ Solve：規(guī)劃求解 125
3.2.4 LLM Compiler：并行編排 126
3.2.5 Basic Reflection：基本反思 128
3.2.6 Reflexion：增強(qiáng)反思 130
3.2.7 Self-Discover：自主探索 131
3.2.8 LATS：語言智能體樹搜索 133
3.3　基于LLM的單智能體實(shí)現(xiàn) 135
3.3.1 聊天程序示例 135
3.3.2 多輪對話 136
3.3.3 函數(shù)調(diào)用 139
3.3.4 自動執(zhí)行 145
3.3.5 自定義Agent類 148
3.4　基于LLM的多智能體協(xié)作 152
3.4.1 單智能體的問題 152
3.4.2 智能體工作交接 152
3.4.3 雙層客服案例 156
3.4.4 研究報(bào)告案例 159
3.4.5 多智能體協(xié)作方式 163
3.4.6 多智能體數(shù)據(jù)共享和傳遞 165
3.5　AI智能體工作流 167
3.5.1 工作流的定義 167
3.5.2 工作流的特點(diǎn) 168
3.5.3 多智能體存在的問題 168
3.5.4 構(gòu)建高效的智能體 169
3.5.5 提示鏈 170
3.5.6 路由選擇 171
3.5.7 并行化 173
3.5.8 協(xié)調(diào)者與執(zhí)行者 175
3.5.9 評估者與優(yōu)化者 179
3.6　實(shí)戰(zhàn)案例1：從零搭建智能數(shù)據(jù)交互平臺 180
3.6.1 功能說明 181
3.6.2 Panel框架 181
3.6.3 聊天機(jī)器人 184
3.6.4 問題推薦 189
3.6.5 多輪對話 191
3.6.6 工具調(diào)用 192
第4章 檢索增強(qiáng)生成：助力ChatBI精準(zhǔn)理解業(yè)務(wù)，高效賦能決策 194
4.1　RAG概述 195
4.1.1 什么是RAG 195
4.1.2 為什么需要RAG 196
4.1.3 RAG的工作流程 197
4.1.4 RAG的優(yōu)點(diǎn)與缺點(diǎn) 200
4.1.5 RAG在ChatBI場景中的應(yīng)用 202
4.1.6 RAG面臨的挑戰(zhàn) 203
4.2 RAG核心技術(shù) 205
4.2.1 RAG提示詞設(shè)計(jì) 205
4.2.2 文本切塊與向量化 210
4.2.3 向量數(shù)據(jù)庫 213
4.2.4 RAG檢索器 216
4.2.5 RAG生成器 218
4.2.6 RAG查詢引擎 221
4.2.7 RAG對話引擎 222
4.2.8 結(jié)構(gòu)化輸出 225
4.3 RAG優(yōu)化方法 228
4.3.1 召回環(huán)節(jié)優(yōu)化 228
4.3.2 RAG框架的優(yōu)化邏輯 230
4.3.3 召回環(huán)節(jié)評估 232
4.3.4 模型回答評估 234
4.4 智能體型RAG 236
4.4.1 什么是智能體型RAG 237
4.4.2 智能體型RAG是如何工作的 237
4.4.3 單智能體型RAG 239
4.4.4 多智能體型RAG 239
4.4.5 層次化智能體型RAG 240
4.4.6 智能體型自糾正RAG 241
4.4.7 自適應(yīng)智能體型RAG 242
4.4.8 圖基智能體型RAG 242
4.4.9 智能體型文檔工作流 245
4.5 實(shí)戰(zhàn)案例2：構(gòu)建業(yè)務(wù)知識庫 246
4.5.1 功能說明 246
4.5.2 創(chuàng)建向量數(shù)據(jù)庫 248
4.5.3 數(shù)據(jù)分片與導(dǎo)入 249
4.5.4 數(shù)據(jù)檢索 250
4.5.5 構(gòu)建RAG智能體 252
4.5.6 RAG使用案例 254
第5章 大語言模型微調(diào)：驅(qū)動ChatBI個(gè)性化與精準(zhǔn)洞察 256
5.1 大語言模型微調(diào)的基礎(chǔ)概念 257
5.1.1 微調(diào)的定義與核心價(jià)值 257
5.1.2 預(yù)訓(xùn)練與微調(diào)的關(guān)系 258
5.1.3 全量微調(diào)的基本原理 259
5.2 參數(shù)高效微調(diào) 262
5.2.1 適配器微調(diào) 262
5.2.2 前綴微調(diào) 264
5.2.3 提示微調(diào) 266
5.2.4 低秩適配技術(shù) 267
5.2.5 模型分層凍結(jié)策略 269
5.3 多任務(wù)學(xué)習(xí)與持續(xù)學(xué)習(xí)微調(diào) 271
5.3.1 多任務(wù)學(xué)習(xí)框架設(shè)計(jì) 271
5.3.2 持續(xù)學(xué)習(xí)中災(zāi)難性遺忘的應(yīng)對策略 273
5.3.3 課程學(xué)習(xí)與漸進(jìn)式微調(diào)的實(shí)現(xiàn)方法 274
5.4 微調(diào)中的數(shù)據(jù)工程 276
5.4.1 小樣本數(shù)據(jù)增強(qiáng)技術(shù) 276
5.4.2 數(shù)據(jù)毒化防御機(jī)制 278
5.4.3 領(lǐng)域遷移數(shù)據(jù)選擇策略 278
5.5 分布式微調(diào)技術(shù) 279
5.5.1 模型并行與數(shù)據(jù)并行優(yōu)化 280
5.5.2 混合精度訓(xùn)練方法 281
5.5.3 梯度壓縮與通信效率提升 282
5.6 微調(diào)評估體系 283
5.6.1 傳統(tǒng)評估指標(biāo) 284
5.6.2 健壯性測試方法 286
5.6.3 領(lǐng)域泛化能力評估 288
5.7 新興微調(diào)技術(shù) 290
5.7.1 蒸餾—微調(diào)協(xié)同優(yōu)化 290
5.7.2 強(qiáng)化學(xué)習(xí)驅(qū)動的微調(diào) 291
5.7.3 聯(lián)邦學(xué)習(xí)中的隱私保護(hù)微調(diào) 293
第6章 對話理解：提升ChatBI的自然交互與上下文感知能力 295
6.1　意圖識別 296
6.1.1 基于LLM的意圖分類 296
6.1.2 智能體輔助的意圖理解 297
6.1.3 復(fù)雜場景下的意圖建模 298
6.2　狀態(tài)管理 299
6.2.1 對話狀態(tài)跟蹤 299
6.2.2 智能體驅(qū)動的狀態(tài)管理 301
6.2.3 基于權(quán)限的沖突預(yù)防 302
6.2.4 長短期記憶協(xié)同 302
6.2.5 跨會話記憶遷移 304
6.3　語義增強(qiáng) 304
6.3.1 知識圖譜賦能的語義理解 304
6.3.2 LLM預(yù)訓(xùn)練模型的語義擴(kuò)展 306
6.3.3 智能體在語義增強(qiáng)中的角色 309
6.4　交互優(yōu)化 311
6.4.1 自然語言生成 311
6.4.2 智能體驅(qū)動的用戶體驗(yàn)設(shè)計(jì) 312
6.4.3 提示詞與交互策略的協(xié)同優(yōu)化 313
6.5　結(jié)構(gòu)化指令生成 313
6.5.1 技術(shù)演進(jìn)與核心挑戰(zhàn) 314
6.5.2 SQL生成 315
6.5.3 領(lǐng)域語言生成 325
6.5.4 接口調(diào)用 331
6.5.5 代碼生成 337
6.6　執(zhí)行智能體 341
6.6.1 基于LLM的執(zhí)行智能體架構(gòu) 341
6.6.2 多智能體協(xié)作的任務(wù)執(zhí)行 343
6.6.3 異常處理與容錯(cuò)機(jī)制 345
6.7　實(shí)戰(zhàn)案例：構(gòu)建數(shù)據(jù)查詢智能體 346
6.7.1 功能說明 346
6.7.2 數(shù)據(jù)集介紹 347
6.7.3 M-Schema表示方法 348
6.7.4 構(gòu)建Query智能體 350
6.7.5 智能問數(shù)案例 354

第7章 智能分析：賦能ChatBI深度洞察數(shù)據(jù)，精準(zhǔn)驅(qū)動業(yè)務(wù)增長 358
7.1　數(shù)據(jù)預(yù)處理 359
7.1.1 數(shù)據(jù)清洗與標(biāo)準(zhǔn)化 359
7.1.2 字段映射與語義理解 360
7.1.3 數(shù)據(jù)轉(zhuǎn)換與增強(qiáng) 361
7.1.4 動態(tài)數(shù)據(jù)更新 363
7.1.5 上下文感知預(yù)處理 364
7.2　相關(guān)性分析 365
7.2.1 特征選擇與降維 366
7.2.2 關(guān)聯(lián)規(guī)則挖掘 367
7.2.3 多維數(shù)據(jù)關(guān)聯(lián) 368
7.2.4 因果推斷 369
7.2.5 實(shí)時(shí)相關(guān)性計(jì)算 370
7.3　異常檢測 371
7.3.1 統(tǒng)計(jì)方法 371
7.3.2 基于LLM的規(guī)則推理 372
7.3.3 動態(tài)閾值調(diào)整 373
7.3.4 異常模式庫構(gòu)建 374
7.3.5 用戶反饋閉環(huán) 375
7.4　智能歸因 376
7.4.1 貢獻(xiàn)度分解 377
7.4.2 影響因素識別 377
7.4.3 歸因路徑分析 378
7.4.4 歸因模型訓(xùn)練 379
7.4.5 交互式歸因 380
7.5　預(yù)測分析 380
7.5.1 時(shí)間序列預(yù)測 381
7.5.2 模型動態(tài)選擇 382
7.5.3 實(shí)時(shí)預(yù)測與預(yù)警 383
7.5.4 預(yù)測結(jié)果解釋 384
7.6　模式識別 385
7.6.1 聚類分析 385
7.6.2 序列模式挖掘 386
7.6.3 模式庫動態(tài)更新 388
7.6.4 語義模式匹配 389
7.6.5 模式推薦 390
7.7　數(shù)據(jù)可視化 390
7.7.1 智能圖表推薦 391
7.7.2 動態(tài)數(shù)據(jù)渲染 393
7.7.3 交互式探索 396
7.7.4 可視化模板適配 398
7.7.5 知識增強(qiáng)圖表 400
7.8　復(fù)雜計(jì)算 402
7.8.1 SQL生成與優(yōu)化 402
7.8.2 分布式計(jì)算 404
7.8.3 資源動態(tài)調(diào)度 406
7.8.4 計(jì)算準(zhǔn)確性驗(yàn)證 409
7.9　實(shí)戰(zhàn)案例：構(gòu)建數(shù)據(jù)可視化智能體 411
7.9.1 功能說明 411
7.9.2 Pygal庫介紹 412
7.9.3 構(gòu)建數(shù)據(jù)可視化智能體 414
7.9.4 智能問數(shù)案例 418
第8章 用戶交互：打造ChatBI的無縫體驗(yàn)與高效溝通 421
8.1　應(yīng)用形態(tài)多樣化 422
8.1.1 跨平臺適配與終端兼容 422
8.1.2 界面動態(tài)配置能力 424
8.1.3 多模態(tài)交互入口設(shè)計(jì) 425
8.1.4 智能客服與主動服務(wù)集成 426
8.1.5 安全與權(quán)限分級控制 428
8.2　功能交互設(shè)計(jì) 429
8.2.1 多模態(tài)交互支持 429
8.2.2 數(shù)據(jù)協(xié)作 430
8.2.3 客服支持 432
8.2.4 交互安全性設(shè)計(jì) 433
8.3　體驗(yàn)優(yōu)化策略 434
8.3.1 問答體驗(yàn)優(yōu)化 435
8.3.2 用戶反饋與持續(xù)優(yōu)化 436
8.3.3 個(gè)性化交互設(shè)計(jì) 438