如今，数据分析工具正逐步朝着自动化、智能化和多场景集成的发展方向迈进，以更高效、更精准地满足企业复杂的需求。数势科技推出的基于大模型增强的智能分析助手——SwiftAgent，便是该领域的佼佼者。凭借卓越的功能和灵活的应用性，为企业提供了强大的支持。
通过官方发布的“SwiftAgent 问题大挑战”系列视频可以看到，从基础需求明确的问题到涉及“维度过滤、查询、模糊指标、同比环比分析、归因分析及建议”的复杂问题，SwiftAgent 智能分析助手都能从容应对。
例如，“为何今年贷款余额相比去年变化显著？
变化原因是什么？
哪些支行或分行变化最大？
哪些营销活动促进了余额增长？
”这类问题在实际经营分析中常见，却极具挑战性。
为解决这些“为什么”类问题，SwiftAgent 利用大小模型协同机制，通过大模型判断归因意图并进行相关因子和维度分析，从而实现快速、精准的解答，其效果优于目前市场上的 ChatBI 或 NL2SQL 方式。SwiftAgent 是如何做到这一点的呢？下面将通过具体的处理流程来进行说明。
当面对用户提出的模糊意图或跨模型指标时，其首要任务是利用大模型进行精准的意图识别。这不仅仅是一个简单的分类任务，而是需要深入理解问题背后的业务逻辑和数据分析需求。通过意图识别，能够确保后续的分析方向与用户的核心需求保持一致，从而避免误解和误导。
2. 黑话匹配：结合知识库，深入理解专有名词
在理解了用户的意图之后，需要进一步解析问题中的一些专有名词、黑话别称等。这些词汇往往蕴含着丰富的业务信息和背景知识。比如“请展示最近三个月的月均AUM表现。”在这里，“AUM”是企业标准库中“总资产”的别称。通过进行黑话匹配和语义解析，大模型能够更准确地理解用户的意图和期望。
3. 要素拆解：将复杂问题转化为具体指标和维度
为了将用户的问题转化为可执行的数据分析任务，则需要将问题中的各个要素拆解为对应的指标、维度等具体元素。这一过程需要对业务有深入的理解和对数据模型的熟练掌握。通过要素拆解，就能够将原本模糊、复杂的问题转化为清晰、具体的数据分析任务，为后续的数据提取和分析提供有力的支持。
4. 精准数据提取：调用小模型或API，确保数据准确性
最后一步是调用一些小模型或API，精准地提取出对应的数据。在这一过程中，“Agent+NL 2 Metrics”或“语义层”的方式展现出了其独特的优势。相比直接让大模型生成SQL语句，这种方式能够更好地保证数据的准确性和一致性。同时，它还能够避免大模型直接产生SQL可能带来的幻觉问题，即生成的SQL语句与用户的实际意图不符，业内称之为“一本正经的胡说八道”。
近日，SwiftAgent 推出了具备强大智能分析能力的移动版本。其智能预警功能可以及时捕获和推送数据异常，帮助企业在问题初出现时迅速采取行动。可视化报告支持一键生成深度分析，无论是在多维指标交叉查询，还是复杂因果关系解读方面，SwiftAgent 都能轻松胜任。此外，移动端适配多种业务场景，并支持与企业微信、飞书等移动通讯工具集成，这种广泛的场景支持与集成能力，进一步扩展了其在业务中的应用范围。
据了解，作为致力于为全球客户提供高效精准的数据智能解决方案的提供商，数势科技凭借在大金融、高科技制造和泛零售等领域的深厚技术积累与行业经验，推出了智能指标平台（SwiftMetrics）、智能标签平台（SwiftXDP）及智能营销平台（SwiftMKT）等创新产品，显著提升了企业的数字化决策效率和运营能力，服务众多行业的头部客户，如民生银行、江苏银行、中金、平安、中信建投、国信证券、海通证券、沃尔玛/山姆、胖东来、宝洁、永辉、绝味食品、书亦烧仙草、霸王茶姬、益禾堂等。
