# 06 · AI 语义查询集成实现

> 目标：接入 LLM，实现「自然语言 → 本体推理 → 指标查询 → 业务分析」的完整链路。LLM 只做槽位提取和归因分析。

## 1. LLM 职责边界（关键）

| 环节 | 谁负责 |
|------|--------|
| 意图识别 + 槽位提取 | LLM |
| 指标等价对齐（成交额≡GMV） | 本体推理 |
| 维度层级展开（华东区⊇各省） | 本体推理 |
| SQL 生成 | 模板 + 参数填充 |
| 口径校验 | 公理校验 |
| 结果归因分析 | LLM |

## 2. 意图识别（LLM 做槽位提取）

```java
// 调用 LLM 做槽位提取（DeepSeek，OpenAI 兼容）
public QueryIntent parseIntent(String question) {
    String prompt = """
        你是指标查询系统的意图识别器。从用户问题中提取槽位，输出 JSON。
        槽位：intent(metric_query/analysis)、metric、region、time、compare。
        不要做语义对齐（不要推断"成交额"等于什么指标），只提取原话。
        问题：%s
        """.formatted(question);
    // 返回：{ metric:"成交额", region:"华东区", time:"last_month", compare:"环比" }
}
```

## 3. 完整流程编排

```java
@Service
public class AiQueryService {
    public QueryResponse query(String question) {
        // ① LLM 槽位提取
        QueryIntent intent = llmService.parseIntent(question);

        // ② 本体推理：指标等价对齐（成交额 → GMV）
        String metric = ontologyService.resolveEquivalentMetric(intent.metric());

        // ③ 本体推理：维度层级展开（华东区 → 7省）
        List<String> regions = ontologyService.expandRegion(intent.region());

        // ④ 时间解析
        TimeRange time = timeParser.parse(intent.time());

        // ⑤ 受约束 SQL 生成 + 口径校验
        String sql = sqlGenerator.generateSql(metric, regions, time);
        caliberValidator.validate(metric, sql);

        // ⑥ 查询执行（MaxCompute）
        List<Map<String, Object>> result = maxComputeQueryService.query(sql);

        // ⑦ LLM 归因分析
        String analysis = llmService.analyze(question, metric, result);
        return new QueryResponse(result, analysis);
    }
}
```

## 4. 归因分析（LLM 的第二个职责）

```java
public String analyze(String question, String metric, List<Map<String,Object>> result) {
    String prompt = """
        你是数据分析师。以下是用户问题和查询结果，请基于数据做归因分析，
        只解释数据反映的事实，不要编造数据里没有的内容。
        问题：%s
        指标：%s
        结果：%s
        """.formatted(question, metric, result);
    return llmService.call(prompt);
}
```

## 5. 完整调用链示例

```
用户：「上个月华东区成交额环比下降多少？为什么？」

① LLM 槽位提取 → { metric:"成交额", region:"华东区", time:"last_month", compare:"环比" }
② 本体推理 → 成交额 ≡ GMV
③ 本体推理 → 华东区 = [上海,江苏,浙江,安徽,福建,江西,山东]
④ 时间解析 → 2026-07-01 ~ 2026-07-31（+ 上月同期）
⑤ SQL 生成（GMV 模板，口径固化）
⑥ MaxCompute 查询账单表 → 华东区 GMV=1.2亿，环比 -12.3%
⑦ LLM 归因 → "华东区 GMV 环比下降 12.3%，主因..."
```

## 6. 关键注意

- **LLM 只做槽位提取和归因**，语义对齐/维度展开/SQL 生成全走本体推理和模板
- **槽位提取要结构化输出**（JSON），不要自由文本
- **归因要基于真实结果**：把查询结果喂给 LLM，明确"不要编造数据里没有的内容"
- **模糊表达兜底**：LLM 识别不出指标/维度时，回退询问用户，不硬猜
- **AI Native 的体现**：用户全程自然语言交互，无拖拽、无固定报表，本体 + 推理在底层保证准确