Semantic Insights Agent：自然语言到SQL的企业级语义分析原型

一个企业级语义分析原型，使用语义层、LangGraph编排、PostgreSQL和大语言模型，将自然语言业务问题转换为受治理的SQL查询。

• 原作者/维护者：hmandadi
• 来源平台：GitHub
• 原始标题：semantic-insights-agent
• 原始链接：https://github.com/hmandadi/semantic-insights-agent
• 发布时间：2026年6月4日

---

Semantic Insights Agent 是一个企业级语义分析原型，它将自然语言业务问题转换为受治理的 SQL 查询。该项目结合了语义层、LangGraph 编排、PostgreSQL 数据库和大语言模型（LLM），为业务用户提供了直接通过自然语言查询数据仓库的能力。

这个项目的核心价值在于解决了数据分析领域的一个长期痛点：业务用户需要依赖数据分析师编写 SQL 才能获取洞察，而分析师又需要花费大量时间理解业务需求。通过引入语义层，系统能够在业务概念和技术实现之间建立桥梁，让非技术用户也能自主探索数据。

---

项目的架构设计体现了清晰的分层思想：

Semantic Insights Agent (Streamlit UI)
    ↓
LangGraph 工作流 (graph.py, nodes.py, state.py)
    ↓
Prompts (prompts.py)
    ↓
Database 层 (db.py) → PostgreSQL
    ↓
Semantic Manifest (config/semantic_manifest.yaml)

这种分层架构使得每个组件职责明确，便于维护和扩展。用户通过 Streamlit 界面输入问题，LangGraph 编排 LLM 驱动的推理步骤，最终生成 SQL 查询并从 PostgreSQL 获取结果。

---

Streamlit 提供了简洁的界面，用于输入问题和展示结果。对于原型项目来说，Streamlit 是一个理想选择，它让开发者能够快速构建交互式界面而无需前端开发经验。

LangGraph 负责编排 LLM 驱动的推理步骤。与传统的链式调用不同，LangGraph 支持循环和条件分支，使得复杂的推理流程能够被清晰地表达和管理。

系统使用 OpenAI 的大语言模型将自然语言问题翻译为 SQL 查询。LLM 在这里扮演"翻译官"的角色，理解用户的业务意图并生成相应的数据库查询。

PostgreSQL 作为底层数据仓库，存储业务数据。项目选择 PostgreSQL 是一个务实的决定——它是成熟、稳定的关系型数据库，在企业环境中广泛使用。