如何将AI与BI整合的初步思路和探索转化为？

实现AI和BI整合的初步思路和探索-Part2 在上一篇中我提到了一个B站最新的一个LangChain 1.0的SQL Agent的视频，通过提供给SQL Agent的tools，可以引导大模型先查看数据库下都有哪些表，然后查看指定表的结构，最后再将这些相关表关联在一起生成查询，完全符合我们在处理相应问题时的处理逻辑。 这种场景在处理简单问题或者数据结构比较简单的时候，没有问题，但是当我们的相应表的关联逻辑如果比较复杂，我们很难相信也很难指定让大模型能生成正确的查询时，有什么解决方案吗？ 这个时候我们就要结合AI+BI的能力，也就是让大模型和DWH一起协同来解决。 在DWH中，除了标准的维度模型，在此基础之上面我们还可以创建一个data mart层，这个是DWH领域常见的一种方式，以前都是供report，dashboard和data mining用的，这里我们也可以供LLM使用。 接下来我们创建这个DWH中的data mart层，这个过程很类似于Power BI中的数据建模，就是将所有相关的表JOIN在一起，然后生成一个宽表，里面只保留可能用到的字段，这样一来，就解决了大模型自己JOIN可能丢失关键逻辑，以及提示词空间的问题。如果大模型理解不了相应的字段内容，我们还可以将字段重新命名成更容易理解的方式来帮助大模型，把可操作和调整的范围完全掌握在自己手里。 首先，回顾一下相应的表结构。 在SQLServer中，通过以下代码将相关事实表和维度表整合在一起，也就是通过人工的方法把相应的数据进行整合，避免大模型只根据字面的意思无法加入特定的逻辑。（BTW：以下代码简单粗暴，纯做演示用，实际项目中仅供大家参考。