ChatBI通常使用NL2SQL（自然语言到SQL）技术，通过大语言模型将用户的自然语言查询转换为SQL语句。然而，目前的NL2SQL技术还远未成熟，尤其是在处理复杂查询和跨表查询时，生成SQL的准确率较低，这直接导致了提数不准的问题。在实际应用中，ChatBI面临数据口径不统一、交互速度较慢、获取信息不准确等问题，现阶段还不是企业及员工数据分析趁手的工具。
为解决ChatBI的诸多难点问题，数势科技SwiftAgent 2.0推出了统一语义层的架构设计，通过指标语义+标签语义让大模型能够准确理解企业数据，取数更准，分析更快。通过AI大模型与Agent的结合，SwiftAgent 2.0攻克企业数据分析领域的五大核心难题，带来了升级版数据分析方案。
统一语义层构建 VS 数据分析不精准
数势科技SwiftAgent 2.0构建了统一的指标与标签语义层，即通过自然语言到指标+标签语义（Natural Language to Metrics&Label）即可实现数据洞察，解决大模型对底层业务语义难理解的问题，同时建立各行业标准、指标、人货场标签等易于理解的语义层。SwiftAgent 2.0统一语义层的构建让AI更“懂”企业数据，助力企业实现智能决策。
多源异构数据链接 VS 数据结构与维度单一化
数势科技SwiftAgent 2.0不仅可以将指标、标签一体化，基于人群的多维交叉分析，还实现了多源异构的数据接入，导入文本、Excel、图片、音视频等非结构化知识，基于新闻、政策解读、行业报告等多维度了解数据背后的“因果"，如：“导致黄金ETF产品持仓量持续升高的因素或为美国劳工市场有降温迹象，减息预期加强，推动金价上涨等”。SwiftAgent 2.0多源异构数据的链接AI更“懂”数据，提供用户全面分析思路，大幅加强决策精准性。
用户可干预 VS 人机融合问题
以往在人机交互沟通中，如用户无法判定明确需求，进行模糊化搜索，往往会出现所答非所问的现象，数势科技SwiftAgent 2.0可通过更自然的方式引导用户，并且将AI思考过程白盒化，用户可以清晰的看到它的“大脑”。用户可以通过“点赞”和“踩”的反馈进行强化学习，不断纠正错误、调整查询，从而更懂用户所想所需，也让分析更准确。如当用户提出“我想看一下最近的销售情况。”这种模糊的数据查询，SwiftAgent会给出“最近7天销售额”、“本月北京地区销售额”等选项供用户选择，用户还可以根据提示重新提问，最终得到他真正想要看的分析内容，SwiftAgent 2.0用户可干预让AI更“懂”用户，减少认知负担。
持续反思学习 VS 学习迭代停滞
SwiftAgent 2.0可将所有使用用户过往的问答分析沉淀到知识库，在之后其他用户相似的问询场景中，直接提供结论并提供思考过程。这种不断反思学习的能力，也发挥了大模型最大的特点。随着时间的推移不断进步，SwiftAgent 2.0持续反思学习让AI更聪明，全面贴近业务需求。
数据计算加速引擎 VS 计算查询效率低及性能弱
SwiftAgent 2.0采用了数势科技独创的数据计算加速引擎，可以实现秒级数据查询，真正实现实时的人机交互。底层选用了StarRocks、Doris等数据分析引擎作为执行引擎，在大宽表查询、跨模型关联查询和物化视图等方面性能更好；结合对数据加工和使用场景进行了一系列优化，提供基于视图的预计算能力和基于预计算结果的查询优化能力；数据虚拟化技术，将数据定义和物理数据（业务）解耦，实现指标/标签灵活加工使用，无需排期开发。
