架构
总体架构
AskTable 的整体设计采用 四层分层架构，自上而下分别是：
AskTable Core Abilities：用户直达的应用力
Core Abilities 层是直接面向用户的体验层，它将复杂的数据交互抽象为简单易用的功能入口。通过智能问答、实时计算、可视化等方式，用户可以用自然语言快速完成查数和分析。它同时支持数据挖掘、自动报告生成和洞察提取，并能灵活嵌入企业微信、飞书或 SaaS 系统中。AskTable 的设计理念是“内核强大、界面轻量”，让智能分析能力随处可插、随时可用。
AskTable AI Engines：智能驱动的分析大脑
AI Engines 层是 AskTable 的核心大脑，负责将自然语言问题转化为完整的数据分析过程。它包含语义理解、Agent 决策、多步推理、SQL 生成、Python 执行、React 组件生成以及洞察分析等引擎。这一层实现了从用户意图到数据操作的自动化编排，使 AskTable 能够像一位智能分析师一样，理解问题、制定计划、生成代码，并最终给出可视化结果与关键洞察。
AskTable Core Tech：智能化的基础设施
Core Tech 层是驱动 AskTable 智能化的底座。它通过多数据源适配器统一封装 20+ 数据库访问能力，屏蔽差异；通过元数据智能发现自动构建数据知识图谱；通过权限控制与监控追踪保障安全与合规；同时支持 Python 科学计算包管理和图表推荐算法。这一层为上层引擎提供了稳定而强大的技术支撑，让数据访问、权限隔离和算法执行都变得高效而可靠。
AskTable Data Foundation：一切数据的承载基石
Data Foundation 层是 AskTable 的存储与缓存体系，承载着所有结构化与半结构化数据。它以 MySQL/PostgreSQL 为核心事务存储，Qdrant 向量数据库提供语义搜索，Meilisearch 负责全文检索，同时具备结果缓存与代码缓存以提升性能。除此之外，它还支持 DataFrame、文件和分析报告的持久化存储。Data Foundation 就像 AskTable 的地基，保障了数据的高效访问、持久保存和快速调用。
AI 问答查数流程
下图展示了用户一句话提问后，系统如何一步步解析、生成 SQL、执行并返回答案。
当用户提出问题（如“上个月的销售情况如何？”），AskTable 会经过四层智能处理流程：首先在 AI 智能理解层，系统会进行语义分析与意图识别，结合历史对话和用户偏好，精准理解问题。接着进入 智能检索层，通过向量语义搜索、元数据匹配和全文检索，从表结构、字段关系和关键词内容中定位最相关的数据。然后在 智能生成层，系统会自动生成 SQL 并进行权限过滤和脱敏处理，同时执行查询优化以提升性能。最后进入 智能分析层，对结果进行趋势识别与统计分析，推荐合适的图表并生成洞察，从而输出类似“上个月销售额为 1,250 万元，同比增加 15%”这样的自然语言答案。整个过程实现了从自然语言提问到数据驱动洞察的全自动闭环。
AI 分析报告
下图展示了从分析需求到数据挖掘、Python 深度分析、可视化生成，再到专业报告输出的完整链路。
当用户提出“分析销售情况并生成专业报告”的需求时，AskTable 会经历五个层次的智能化流程：首先在 智能规划层，系统基于数据和大模型通识，理解用户意图，制定分析计划并分解任务；接着进入 数据挖掘层，通过元数据检索和语义匹配找到相关数据，生成 SQL 并在权限控制下完成查询和清洗；随后在 深度分析层，利用 Python 环境中的 pandas、numpy、scipy 等工具进行统计分析和机器学习建模，实现趋势识别、预测和异常检测；然后在 可视化生成层，系统基于 React 框架自动推荐合适的图表类型，并通过 Recharts 等组件生成可交互的可视化界面，支持动态效果与交互设计；最后在 专业报告层，AskTable 将图表与洞察整合为逻辑清晰、排版专业的完整报告，提炼关键发现并输出业务建议。整个过程实现了从数据到洞察再到报告的全链路自动化。
概括来说，这背后，AskTable 并不仅仅是调用 LLM，而是通过 Agent 框架 + 工具链 + 元数据感知 + 权限控制 + 业务知识，让 AI 能够像一个真正的“数据助理”一样工作。