这是一份来自去哪儿网基础平台团队的实战复盘，完整呈现SQL Agent从单体原型到多Agent协同架构的四阶段演进。它不讲概念，只展示如何在真实业务数据环境、复杂组织协作和高频用户反馈中，把AI生成SQL从准确率不足70%提升至稳定95%。
智能速览
聚焦机票业务域，覆盖80%取数场景，整体SQL生成准确率达95%
经历四次关键架构拆分：单体Agent→生成+优化双Agent→引入问题细化Agent→新增问题改写Agent
通过RAG机制复用高质量历史问答对，用户‘点赞’即自动入库更新知识索引
知识库迭代三版：从冗余元数据精简为含术语库、默认条件、多表关联规则与SQL模板的高密度结构
建立闭环运营机制：自动质检→分类处置（知识缺失交产运补录/模型缺陷由研发修复）→灰度验证→周级看板追踪
精华内容
当自然语言需求遇上精确SQL语义，歧义、脏数据、口径混乱和工具调用失败共同构成落地深水区。真正的突破不在模型升级，而在系统性拆解认知负荷。
痛点倒逼架构
2024年Q4内部统计显示，人均单次取数耗时超18分钟，失败率高达23%。三大症结相互缠绕：查数难——底层表超2000张，字段命名无规范，同名指标在不同业务线含义迥异；取数难——产运人员零SQL能力，数分人员日均处理3.2个定制查询，脚本复用率不足15%；使用难——需跨飞书、数据平台、BI工具三端跳转，复制粘贴错误占比达17%。问题归因直指两大根因：数据治理缺位与SQL生成流程缺乏分层容错。
四次拆分演进
第一阶段为单体Agent，仅完成需求识别与SQL初稿生成，准确率68%；第二阶段拆出SQL优化Agent，专职语法校验与默认条件注入，准确率升至81%；第三阶段引入问题细化Agent，在飞书机器人中主动追问分组字段、时间范围等关键要素，将同名异义导致的错误降低56%；第四阶段新增问题改写Agent，对‘昨日积分第二名’类歧义表述进行语义归一化处理，使因语义模糊导致的错误归零。每次拆分均对应一个可测量的准确率跃升节点。
知识库三次迭代
首版知识库包含全部表字段及中文释义，但冗余字段使Prompt长度超限，生成延迟达12秒；第二版精简为仅保留JOIN键、主外键、高频筛选字段及默认时间条件，延迟降至4.3秒；第三版新增多表关联路径库（如‘订单表→支付表→代理商表’的3跳标准路径）与27个SQL模板（含漏斗分析、同比环比、TOP N排名），模板调用使复杂查询生成耗时压缩至1.8秒内，且结果一致性达100%。
闭环运营机制
上线后每日自动抽检500条输出，按错误类型聚类：32%属知识缺失（如新上线指标未录入）、41%为模型幻觉、27%系工具调用失败。知识缺失类问题自动派单至产运人员，要求24小时内补录至数据字典；模型缺陷类问题触发提示词重写与基座模型升级评估。经该机制，平均问题解决周期从11天缩短至3.2天，周级看板显示连续8周错误率下降斜率保持-5.3%/周。
这份实践揭示了一个关键事实：企业级AI Agent的成功，不取决于单点技术先进性，而在于能否将模糊需求、混乱数据、分散系统与多角色协作，全部纳入可度量、可拆解、可闭环的工程框架。当SQL生成不再是黑盒输出，而成为可追溯每一步推理、可定位每一处误差、可沉淀每一次修正的确定性流程，AI才真正开始扎根业务土壤。下一个问题或许是：这种架构范式，能否迁移到API编排、测试用例生成或文档自动化等更多场景？
