从模糊提问
到可信报告
基于 LangGraph 的企业问数 Agent：混合检索、反问澄清、沙盒执行、反幻觉报告生成——每一步都有确定性约束，每个数字可溯源，将「提需求-排期-出报表」压缩为即时自助式分析。
反问澄清 → 口径确认 → 同会话续跑 → 流式报告与图表（演示数据，预录）
基于 LangGraph 的企业问数 Agent：混合检索、反问澄清、沙盒执行、反幻觉报告生成——每一步都有确定性约束，每个数字可溯源，将「提需求-排期-出报表」压缩为即时自助式分析。
每一个子系统都对应一个明确的失效模式：口径歧义、检索盲区、数字编造、SQL 错写、单轮波动、执行安全。
确定性歧义词护栏 + LLM 可行性评估双出口；LangGraph interrupt 挂起，结构化问题卡片确认口径后同会话续跑。
Qdrant 向量召回与 BM25 词面召回并行，RRF 融合排序；7 类分型知识条目由数据治理过程生成。
上下文包注入（问题 · 口径 · 计划 · 每步 SQL 与 TopN 行）；LLM 选图、代码注数；反幻觉规则约束事实边界。
均值、中位数、分布、相关性等 SQL 难以表达的统计，由 LLM 生成代码、Docker 容器隔离执行。
Tier1 SQL 执行对比（golden + 多数决）；Tier2 报告质量评分（数字溯源硬检查 + LLM 软评）。
Caddy basic_auth 整站门禁；demo schema 与真实数据隔离；Docker Compose 一键起停。
兼容 Spring AI Alibaba DataAgent 的 SSE 协议与节点语义，前端零适配复用。
请求路径：用户 → Caddy（口令门禁）→ Nuxt 前端 → 兼容层 FastAPI（SSE 协议映射 · SQLite 会话）→ LangGraph 分析链路（11 节点状态机）→ PostgreSQL / Qdrant / 豆包 Ark LLM / Docker 沙盒。
🔗 打开交互式版本（视图聚焦 · 路径追踪 · 演示模式） | 分析管线交互版
11 节点主链全貌：意图识别 → 证据召回 → 查询增强 → Schema 召回 → 表关系推理 → 可行性评估 → 执行规划 → SQL 生成 → 语义校验 → SQL 执行 → 报告生成；反问澄清与 Python 沙盒两条条件支线在图中以虚线呈现。
每个决策对应一个明确的失效模式，原则是：能用确定性代码约束的，不交给模型。
评测对象、方法与当前结果。Tier1 与 Tier2 的一致性标准不同：SQL 有标准答案，对比从严；报告没有标准答案，底线是无中生有。Tier2 采用数字溯源硬检查（60%）+ LLM 软评（40%）混合打分，配 25% 量级否决；经 8 轮回归迭代，硬检查通过率 82% → 99%、软评均分 91 → 99。
结论的局限已声明：SQL 生成与报告撰写依赖 LLM，存在单轮波动；多数决与确定性护栏用于约束该波动。评测脚本与 golden 定义见仓库。
三个预录会话的完整 SSE 帧回放——时间线、澄清卡片、流式报告与图表，按真实时间轴重现。点击进入，播放器支持暂停与倍速。