本文为您概要介绍智能分析Agent在进行数据查询时的主要链路节点，和对应节点上的要点说明。

使用智能分析Agent进行数据查询时，智能体会基于您的提问进行图表查询并返回给您最终的查询结果，在智能体的底层数据查询链路大致流程如下。

1. 智能体会基于您的提问，通过NL2SQL，生成数据查询SQL query。
2. 智能体会基于您配置的知识、数据集、Prompt（含系统Prompt）进行知识召回，然后选择需要查询数据的表，并调用大模型工具对数据查询SQL进行改写、执行。
3. 最终返回数据查询结果。

在通用问数链路中：

• 问数链路高度依赖ANSI_SQL工具的调用。
• 多数场景下，只需要调用一次ANSI_SQL工具；React范式下，React的过程可能会由模型判决，是否继续触发SQL工具调用。
• 一次完整的React过程，如果首次SQL调用结果就不够准确，则整个链式过程通常也就质量不高。

引入多路并行的原因

大模型在请求与响应的交互过程中，幻觉是客观存在的固有问题，会影响数据查询输出内容的准确性。
采用多路并行生成策略，可针对同一用户请求，同步触发多路径的模型推理过程，得到多个独立的候选输出结果，由智能体对候选结果进行投票择优，返回最优结果，以提高数据查询结果的准确性。

多路并行的问数链路流程

如果您打开了多路并行的开关，则每次进行数据查询时，原先单一的通用问数链路会默认变更为同时触发了三路问数链路，大致流程如下图所示。

1. 智能体会在三路链路中均开始执行数据查询任务，并对首次SQL执行结果进行投票，基于多路择优决策逻辑选出其中最优的结果。
2. 如果数据查询任务涉及多次SQL执行，则首次SQL执行结果中：

• 最优的链路会继续后续SQL任务执行。
• 其他链路不再执行。

3. 最终返回多链路中最优的数据查询结果。

在多路并行的链路中：

• 默认会开启3路数据查询链路。
• 投票择优发生在第一个SQL执行的过程：
  • 首次SQL执行结果不够准确的话，通常整个链路的质量也不会太高，因此需优先保障首次SQL的执行结果。
  • 首次SQL执行时，上下文内容较少、并发较少，投票择优性价比高。
  • 通常大部分的问数也只会执行一次SQL。
• 多路择优决策逻辑基于兼容性矩阵，详情如下文所示。

多路择优决策逻辑

基于兼容性矩阵，分 3 步完成决策，最终输出 VotingResult。

（1）全连通（is_all_equals ）➡️ 先判断 “谁能代表谁”

• 目标：判断所有结果是否 “相互兼容”（强连通）；
• 实现：用 Floyd-Warshall 算法计算节点间的双向可达性
• 结论：若所有节点两两可达，判定为 “全连通”，直接返回默认主流索引（0）。

（2）主流挖掘（find_major_index ）➡️ 打 “表” 记录

• 核心逻辑：“被最多结果连通的节点，就是主流”；
• 实现：统计矩阵每列的 1 的个数，计数最大的列对应的索引即为 major_index（主流结果索引）。