自然语言查询 NLQ 是什么？

自然语言查询 NLQ 是一种数据访问能力。用户不用写 SQL，也不用记住字段名，只要用日常语言提出问题，系统就会理解问题、找到对应数据、生成查询并返回结果。它常出现在商业智能 BI 报表、数据分析平台和自然语言问数产品里，文本输入和语音提问都可以。

本文讨论企业数据分析语境下的 NLQ。它和搜索引擎里的自然语言搜索有交集，任务却不同。搜索找的是文档或网页，NLQ 查的是结构化数据，还要完成筛选、聚合、对比和时间计算。

一次 NLQ 查询，系统在背后做了什么

用户看到的是一个输入框，系统内部要完成几步转换。任何一步出错，答案就会偏。

先识别问题里的业务对象

比如用户问，对比今年 9 月和 10 月，华东区新用户的次日留存率。这句话包含指标、维度、筛选条件、时间范围和对比方式。系统要先识别出这些对象，再判断用户要的是明细、汇总还是趋势。

难点在业务词。新用户按注册算，还是按首单算；次日留存按自然日算，还是按 24 小时算；华东区按注册地、收货地还是门店归属算。这些口径没有统一，系统只能猜，结果看似有数字，实际无法使用。

再把它翻译成查询并执行

识别完对象，系统要把问题映射到数据模型，生成数据库能执行的查询。常见实现有三种，基于规则的语义解析、预设的查询模板，以及用大模型生成 SQL。不同产品会组合使用，具体走哪条路径，取决于数据源类型、问题复杂度和准确性要求。

查询执行后，系统把结果整理成数字、表格或图表。Microsoft Learn 的 Power BI 文档提到，Q&A 会根据数据类型选择图表，日期字段更可能显示为折线图，城市字段更可能显示为地图。用户也可以直接要求图表类型，系统会判断是否可行。

搜索式与引导式，两种交互方式

TechTarget 在 NLQ 的定义里区分了两类用法。搜索式 NLQ 让用户在一个输入框里自由提问，系统再把问题匹配到数据源，这种方式更常见。引导式 NLQ 会通过一系列提示，逐步确认指标、时间和筛选条件，再拼出查询。前者上手快，后者更精确，代价是用户要多点几步。

文本和语音都可以作为入口。语音入口多一层转写，环境噪音、口音和专有名词都可能影响识别，实际使用时通常还要回到文本确认。

NLQ、NLP、Text-to-SQL、ChatBI 的分工

这几个词经常被混用，实际指向不同层面。

NLQ 描述的是用户怎么查数据。NLP 是背后的技术基础。Text-to-SQL 是 NLQ 在关系型数据库上的一种实现方式，NLQ 也可以查 OLAP 多维数据集、指标平台或 API，不一定生成 SQL。ChatBI 是产品形态，常见形式是把 NLQ、图表和追问放在同一个对话界面里，部分产品还会接归因和报告。

理解分工之后，选型时就不容易被名词带着走。要问的是，这个产品能不能在我自己的数据上稳定回答业务问题，口径是否一致，权限是否可控。

企业为什么开始用 NLQ

NLQ 的价值集中在缩短问题到数据的距离，尤其适合重复出现、口径相对稳定的分析需求。

把临时取数变成一线自助

运营想看昨天各渠道的新增用户，产品想看某个功能改版后的留存变化，市场想对比两个投放位的转化率。这些需求不复杂，却会不断打断分析师。NLQ 可以让业务人员自己查这些常规问题，分析师集中处理更复杂的归因、建模和实验设计。

TechTarget 也提到，NLQ 能降低 BI 的使用门槛，让不熟悉查询语言的业务人员用起来，还能把结果直接生成图表，或嵌入其他业务流程。对 BI 渗透率低的企业，这部分价值通常更明显。

把分析放进业务系统

NLQ 不一定要独立打开一个 BI 平台。客服系统、财务系统、运营后台都可以嵌入一个提问入口。用户在处理任务的现场就能拿到数据，不必切换到另一个工具。

这种嵌入方式对权限要求更高。同一个问题，不同角色能看的数据范围不同，系统要在查询前完成权限校验，不能等结果返回后再遮字段。

决定 NLQ 好不好用的，是数据和口径

模型能把问题转成查询，不代表答案一定可信。企业环境里，数据和口径往往比模型更影响结果。

语义层决定它能不能听懂

语义层把业务概念和数据字段对应起来，定义指标、维度、时间口径、表关系、同义词和权限。用户说销售额，系统要知道对应哪个字段、是否含税、是否扣除退款；用户说上月，系统要知道是自然月还是滚动 30 天。

Microsoft Learn 的文档提到，Power BI 的 Q&A 只回答语义模型里的数据，模型设计者可以把字段改成业务人员熟悉的名称，也可以添加推荐问题，帮助用户问得更准。这些做法说明，NLQ 的准确率不只由模型决定，数据模型的可读性同样关键。企业准备做 NLQ 时，可以先把语义层和指标口径整理清楚，再谈模型选型。

真实企业问题比实验室题目难

Text-to-SQL 的研究进展很快，实验室基准上的分数已经很高。真实企业环境要复杂得多。

Spider 2.0 论文构建了 632 个来自企业数据库的真实 Text-to-SQL 工作流问题，数据库常有超过 1000 个字段，涉及多种 SQL 方言、多个查询和数据转换。论文给出的结果里，同一套基于 o1-preview 的代码智能体框架在 Spider 2.0 上只解决了 21.3% 的任务，在 Spider 1.0 和 BIRD 上分别是 91.2% 和 73.0%。论文于 2024 年 11 月发布，2025 年 3 月修订。

这组数字说明，基准分数不能直接当成产品在企业里的准确率。采购或试点时，应该拿自己的表结构、指标口径和真实问题做测试。字段命名混乱、历史表缺少注释、跨库关联多，都会让实际表现低于演示效果。

权限和可追溯不能后补

NLQ 把查数据的能力开放给更多人，权限设计要同步前移。行级权限、列级权限、敏感指标脱敏、查询审计、生成查询的可查看能力，都需要在试点前确定。出现争议时，团队要能回溯用户问了什么、系统生成了什么查询、返回了哪些数据。

这部分工作不像聊天界面那样直观，却决定 NLQ 能不能从演示走进生产。

哪些问题适合交给 NLQ

判断标准可以落到问题类型和使用条件上，不必从技术名词出发。

适合先试的三类问题

高频重复的取数问题。 日报、周报、渠道对比、漏斗各环节转化、分群留存，这些问题结构稳定，答案容易和现有报表核对。

口径已经统一的指标问题。 指标定义、时间范围、数据源都明确，系统只需要完成筛选、聚合和展示。

结果可验证的分析问题。 用户能拿结果和已有报表、抽样明细或人工计算做对比，发现偏差时能及时纠正。

不建议直接交给 NLQ 的问题

需要因果判断的问题。 为什么留存下降，要先提出假设，再拆因素、做对照。NLQ 可以取到相关数据，因果结论仍要分析师判断。

口径尚未定义的问题。 高价值用户、核心渠道、异常波动这类词，如果没有业务定义，系统给出的答案只是其中一种猜测。

高风险决策问题。 定价、预算分配、医疗和金融决策，需要人工复核和完整依据，不能把一次查询结果直接当成结论。

跨多个系统的复杂流程。 涉及多库关联、数据清洗、多步转换的任务，已经接近数据工程，交给 NLQ 反而增加排查成本。

用一批真实问题做小范围评估

试点时可以从业务团队收集 20 到 30 个真实问题，覆盖简单的单指标查询、带筛选的对比、需要多表关联的问题。让同一批用户分别用 NLQ 和现有方式完成，记录答案正确率、完成时间、需要人工纠正的比例，以及错误集中在哪些环节。

评估时还要看权限是否按角色生效，生成查询是否可查看，问题日志能否沉淀为新的语义层配置。一次试点能暴露的问题，通常比继续看厂商演示更有价值。

NLQ 在数据分析 Agent 里的位置

放到 ThinkingAI 的数据分析 Agent 体系里看，NLQ 更像入口。用户把问题说出来，后面还要接指标口径、分析方法和执行动作，才能从查到数走到做完分析。

ThinkingAI 成立于 2015 年，长期做数据智能，已服务全球超 1500 家企业，接入产品超 8000 款，能力覆盖用户行为分析、漏斗、留存、路径、分群、归因和 A/B 测试。2026 年发布的 Agentic Engine 是企业级 AI Agent 平台，支持私有化部署。旗下 Tiki 智能助手获中国信通院数据分析智能体 4+ 级评估。

这些能力对应的是 NLQ 后面的问题。企业要用的，是一个能理解统一指标、按业务规则取数、把分析结果接到后续动作的系统。NLQ 是入口，口径、权限和分析流程决定它能不能长期用下去。

常见问题

NLQ 会取代 SQL 吗

不会。NLQ 降低的是提问门槛，底层仍要生成和执行查询。复杂的数据加工、性能优化、跨系统建模，仍然需要数据工程师和分析师。NLQ 减少的是简单重复的取数请求，SQL 仍是数据基础设施的重要部分。

NLQ 一定要用大模型吗

不一定。规则解析、语义模板、引导式问答都能实现 NLQ。大模型让自由表达的容错更高，也能处理更复杂的问法，但会带来成本、延迟和结果不稳定问题。产品可以把几种方式组合起来，简单问题走模板，复杂问题走模型生成。

NLQ 能保证答案正确吗

不能保证。答案受数据质量、指标口径、语义层配置、查询生成和权限范围影响。企业要建立核对机制，重要结论用现有报表或明细抽样复核，并保留生成查询和操作日志。

中文提问的效果怎么样

中文 NLQ 要多处理分词、同义词、简称和业务黑话。通用模型对日常中文的理解已经不错，但企业内部的指标名、渠道名和产品代号仍需配置。试点时用真实中文问题测试，比看通用演示更能判断效果。

NLQ 和数据搜索有什么区别

数据搜索通常返回已有的报表、文档或指标卡，用户再自己判断。NLQ 要理解问题并执行查询，返回的是针对当前问题的计算结果。前者偏向找内容，后者偏向算答案。

参考资料

TechTarget，What is natural language query NLQ？，https://www.techtarget.com/whatis/definition/natural-language-query

Microsoft Learn，What is Q&A？，https://learn.microsoft.com/en-us/power-bi/explore-reports/end-user-q-and-a

arXiv，Spider 2.0: Evaluating Language Models on Real-World Enterprise Text-to-SQL Workflows，2024 年 11 月发布，2025 年 3 月修订，https://arxiv.org/abs/2411.07763