SuperSonic快速上手：3步让业务同事用自然语言查数据-二趣网

SuperSonic快速上手：3步让业务同事用自然语言查数据

【免费下载链接】supersonicSuperSonic is the next-generation AI+BI platform that unifies Chat BI (powered by LLM) and Headless BI (powered by semantic layer) paradigms.项目地址: https://gitcode.com/GitHub_Trending/su/supersonic

周五下午，运营在群里丢来一句："上周各页面的访问次数和访问人数分别是多少？"按老流程，这个问题要等数据工程师排期写SQL。SuperSonic 是一个开源的 Chat BI + 语义层（Headless BI）平台，专门解决这类"业务要数、工程师写SQL"的等待，让业务方直接开口提问就能拿到图表。

它是什么 & 30秒跑起来

SuperSonic 把两件事放在同一个平台：业务方在问答界面用自然语言查数（Chat BI），分析工程师在语义层统一管理指标、维度和数据源（Headless BI），双方共用同一套口径，物理表不用改一行。它不需要复制或迁移数据，只在现有数据表之上建一层业务语义模型。

最短上手路径，5 步：

安装 Docker 与 docker-compose（本机需开放 9080、15432 端口）。
克隆仓库：git clone https://gitcode.com/GitHub_Trending/su/supersonic
进入 docker 目录，执行docker-compose up -d，拉起 Postgres（pgvector）和应用两个容器。
浏览器访问http://localhost:9080，登录即可看到内置的"超音数"示例模型（PVUV 统计、用户部门）和"艺人库"模型。
打开 Chat 问答页，输入"访问次数按页面统计"，第一次自然语言查数完成。

偏好本地构建的话，从 release 页下载发行包后执行assembly/bin/supersonic-daemon.sh start，同样访问 9080 端口。项目入口代码在launchers/目录，standalone 是 Chat + Headless 合并形态，chat 和 headless 也可拆成两个独立服务部署。

跟着一个场景走完全程

以问"按页面统计最近3天的访问次数和访问人数"为例，看一句自然语言在系统里经历了什么。

提问后，系统内部走的是 README_CN.md 描述的五个组件链路：模型知识库先从语义模型里抽指标、维度、同义词，定期建成词典和索引；模式映射器（Schema Mapper）在词典里匹配出"访问次数、访问人数、页面、最近3天"这些实体；语义解析器把它们组装成语义查询语句 S2SQL；语义修正器检查合法性并补全缺失条件；语义翻译器最后把 S2SQL 翻成能在物理表上直接执行的 SQL，比如自动算出s2_pv_uv_statis表上带日期过滤的聚合语句。关键在于，表连接、聚合这些复杂 SQL 不由大模型硬写，而是由语义层兜底，幻觉空间被压得很小。

结果以表格加图表呈现，下方还会给出追问推荐，比如"按部门看访问人数"，点一下就能多轮下钻。拿到结果后有两个值得做的动作：点开查询信息核对生成的 S2SQL 和最终 SQL，确认口径符合预期；对答错的问题点踩反馈，问答记忆会把历史查询轨迹封装成 few-shot 样例回灌进提示词，问得越多，模型越懂你的业务。

核心能力拆解

自然语言查数怎么做

一句话：输入业务问题，秒级返回图表，全程不写SQL。什么时候用：运营、产品做日常取数，替代临时提SQL需求。最小示例：在 Chat 页输入"上周各页面的访问次数和访问人数"，返回表格、图表和 S2SQL。它也内置了基于规则的语义解析器，演示、集成测试等场景不依赖 LLM 也能跑通。

语义模型怎么配

一句话：在 Headless 界面把"业务黑话"翻译成指标、维度和数据源。什么时候用：新业务域接入前，先配模型再放开提问。最小示例：在webapp/packages/supersonic-fe/src/pages/SemanticModel/对应的管理页面里，先建数据源指向物理表，再定义"停留时长"这类指标（带聚合方式）和"页面""部门"这类维度（时间维带日期格式），多个数据源在同一模型下通过关联键连接，跨表问题就能一次问出。

三级权限怎么控

一句话：数据集级、列级、行级，逐层收窄可见范围。什么时候用：不同部门共库但数据不能互看。最小示例：示例库里"页面"维度就标记了敏感等级；数据集可查看人按账号和角色配置，行级权限则可按数据内容（如区域、部门）过滤，业务方只能看到自己范围内的行。

Headless BI 开放 API 怎么接

一句话：把自然语言查数能力嵌进你自己的系统，而不只是网页对话框。什么时候用：内部数据产品想加"问数"入口。最小示例：Headless 模块暴露指标、模型、数据集等开放 API（定义见headless/api源码目录，服务端实现在headless/server），外部系统可用 API 拉取语义模型，或用自然语言参数直接发起查询，Chat BI 的解析链路源码在chat/server目录下可自行扩展。

按你的规模落地

规模	建议	关键点
小团队	直接 docker-compose 起 standalone，内置 H2 示例库先玩起来	配 3~5 个核心指标跑通流程；用`benchmark/`目录的脚本批量验证你的业务问题
中型部门	接入 MySQL / ClickHouse 数仓，建 1 个域管理十几个指标	指标别名配全，减少解析歧义；用`evaluation/`脚本对比不同模型效果
企业级	多域多模型、按部门隔离，拆 chat 与 headless 两个服务独立部署	三级权限 + 模型管理流程化；语义模型变更走版本管理，定期回归测试

常见坑 & 解法

现象：问的指标查不出来。解法：给指标和维度补上业务常用别名，让模式映射器能命中。
现象：LLM 解析偶尔跑偏。解法：打开规则解析器兜底，或在问答记忆里沉淀正确样例作为 few-shot。
现象：中文日期"上周""最近3天"理解不稳。解法：时间维度里明确日期格式（如 yyyy-MM-dd），并在提示样例里覆盖同类问法。
现象：跨表问题结果不对。解法：检查模型下数据源之间的关联键（join key）是否指向正确主键，示例里 PVUV 表与用户部门表就是用 user_name 关联的。
现象：大表查询慢。解法：高频指标改走预聚合表或视图，别每次都扫明细。
现象：容器起不来。解法：先确认 Postgres 健康检查通过再进 9080 界面，同时检查本机端口占用。

写在最后

SuperSonic 的价值在于把查数从"排队等SQL"变成"问一句出图"，而指标口径统一带来的长期收益，比单次提效更值钱。随着 LLM 能力持续增强，自然语言查数会像查搜索引擎一样日常，语义层就是它可靠的地基。

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

企业官网建设流程全解析