You need to enable JavaScript to run this app.
导航
最佳实践:智能问数提问建议与示例
最近更新时间:2025.10.17 17:26:57首次发布时间:2025.09.29 16:00:01
复制全文
我的收藏
有用
有用
无用
无用

提问规范与示例

一个好问题,记得包含以下关键要素:

要素

说明

时间

指定数据的时间点或范围,例如“最近 7 天”、“去年劳动节那一天”、“过去 30 天内”、“1 月 18 日那一周”等。

指标

指定需要查询的一个或多个指标,例如“GMV”、“订单量”等。

筛选条件(可选)

指定数据的统计维度,例如“按省份”、“按一级类目和二级类目”等。

统计方式(可选)

指定数据的统计方式,例如“XX 有多少个?”、“总和”、“平均值”、“最大值”、“周环比”、“年同比”等。

呈现方式(可选)

支持表格以及折线图、柱状图、饼图等常见的数据可视化。

问题描述与提问建议

场景1查询/处理数据集中的数据

case1:查询某个数据

  • 智能问数能力说明:查询数据集中某个表字段的数据时,提问问题可不需要跟表里字段名称完全一致,大模型会根据自己的理解去匹配合适的字段。
  • 配置/提问建议:当数据集内多个字段名非常类似时,建议:
    • 在智能体的数据集配置中:可以通过数据集的语义化配置配置能力,为各个字段进一步配置清楚同义词、特征等,帮助大模型理解各个字段的差异,提高匹配字段的准确性。
    • 在问数查询提问时:问题描述中对希望查询的字段的问题描述输入得越详细,匹配的字段更准确些。

case2:对数据集字段进行计算处理

细分场景

提问建议

最大、最小、排序、同环比等计算

同环比最好指定需要对比的时间粒度。

常见计算指标(例如xxx率)的计算公式理解

大模型的公域知识可以理解一些场景的计算指标,例如,大模型可理解“利润率”=总利润/总销售额;但其他的 xxx 率不一定在大模型的公域知识范围内,那么有可能就会理解失败。
因此涉及非常常见的计算指标时,您可直接进行提问;如果回答结果中发现大模型对指标的理解有误,建议可直接基于数据集进行待查询指标的计算处理,将指标提前加工好。

场景2:模糊问题

细分场景

提问建议

非常模糊的提问

避免非常模糊的提问。
比如:看一下各地区的情况。大模型无法精准匹配您需要对什么指标进行分析。

意图模糊的提问

如果使用智能分析Agent的过程中发现有很多意图模糊的提问,您可以尝试:

  • 通过意图澄清配置,配置完成后,后续提问时对于意图模糊的问题,智能体会主动追问,以便获得更明确的问题。
  • 如果意图模糊的问题相对集中、比较典型,您可通过模糊问题配置,将模糊问题与一个明确的问题进行关联,提高大模型对于类似的模糊意图的问题的理解。

记不清具体维度值

当您对需要进行筛选的维度值不清晰时,可以用“包含”提问。
比如,“作者昵称:小明,当日粉丝量大于 10 万,xxx 标签是什么?”--->“作者昵称包含小明,当日粉丝量大于 10 万,xxx 标签是什么?”。

场景3:人员指代

  • 智能分析 Agent 目前无法做到对人员身份的主动识别,您需要尽量避免“我负责的区域的销售额是多少”这种包含了不明确的人员指代(“”)的提问。
  • 建议在问题描述中直接明确人员名称,例如: “刘优负责的区域的销售额是多少”、“区域经理刘优负责的区域的销售额是多少”。

场景4:多个意图

使用智能分析Agent进行提问时,一次问题交互过程中不要包含多个意图。即一个问题就查询一个数据。
错误示例2024年利润最高的top 10 产品是哪个?这些产品的利润、销售额 年同比,月环比 分别是多少?年同比上涨幅度最大的是哪个产品?——这个示例中,一次问题交互过程中包含了多个细分意图。