一种面向企业数据分析智能体的节点级验证、动态修正与回放自更新方法与流程

本发明涉及人工智能、智能体执行系统、数据库智能分析、企业数据治理、自然语言到查询语言转换、自动化机器学习和可信数据分析，尤其是指一种面向企业数据分析智能体的节点级验证、动态修正与回放自更新方法。

背景技术：

1、现有 text2sql大语言模型问数系统和 bi 自然语言分析工具已经能够根据用户问题生成 sql、dax、kql 或其他查询语句，并结合语义模型、示例查询、数据集描述或权限治理回答部分业务问题。部分数据分析智能体还能够生成研究计划、运行多条查询、输出图表和报告。由此可见，单纯的自然语言问数、任务分解、工具调用、sql 执行失败后重试、权限校验和报告生成均已具有较多现有技术基础。

2、现有 agent 工作流框架和编排平台也普遍支持节点、边、状态流转和工具调用，因而简单地将自然语言任务表示为任务图或工作流图，并不能充分体现技术创新。企业真实数据分析任务的难点在于：每一步分析动作需要同时受到数据权限、指标口径、schema版本、数据版本、成本约束、验证规则和回退策略约束；若某一步结果不可信，系统需要知道错误发生在字段选择、指标口径、权限策略、聚合粒度、建模过程还是报告表达，而不是仅把失败信息重新交给大语言模型自由重试。

3、现有技术虽然已经分别具备状态图编排、执行轨迹记录、权限治理、语义模型、结果评测和错误归因等能力，但这些能力通常以通用智能体框架、bi 问数工具、text2sql 修正模块或可观测性平台的形式分散存在，尚未形成一种专门面向企业数据分析任务的节点级状态字段体系及其驱动的验证、归因、修正和反写闭环。

4、具体而言，现有通用任务图或工作流状态通常用于描述节点间的控制流、工具调用结果或会话状态，缺少一种面向数据分析任务的专用节点状态对象。该节点状态对象应能够在同一对象内统一表达指标口径、schema 范围、权限范围、验证规则、风险等级、回退动作和执行轨迹标识等字段，使每个分析节点不仅表示“要执行什么”，还表示“按照何种数据口径执行、在何种权限边界内执行、用哪些规则验证、失败后允许如何修正”。

5、其次，现有执行失败修正方式多依赖大语言模型重新生成结果或人工介入，缺少一种将验证失败类型映射到数据分析专用修正算子的机制。例如，当验证失败类型为指标口径不一致时，应触发指标公式注入、聚合粒度修正或时间窗口修正；当验证失败类型为权限冲突时，应触发字段脱敏、权限降级或人工审批；当验证失败类型为 join 结果膨胀时，应触发 join 路径重构或分步聚合；当报告结论缺少数据证据时，应触发证据查询补充、删除无证据结论或重新生成报告段落。

6、再次，现有回放评测多用于评价智能体整体成功率或工具调用质量，缺少一种节点级回放反写机制。该机制应能够在 schema 变化、数据刷新、权限策略变化或模型版本变化后，对历史节点执行轨迹进行重放，并将评测结果反写至 skill manifest、hint bank、验证器阈值和 memory 中，从而使历史失败经验、成功修正路径和人工反馈能够稳定转化为后续任务的可复用能力。

7、最后，现有数据分析智能体通常分别处理 sql 查询、异常检测、归因分析、自动建模和报告生成，缺少一种统一的节点级验证体系。该体系应不仅验证 sql 是否可执行，还应验证异常对象是否符合统计阈值和业务规则、根因候选是否具有维度贡献证据、模型解释是否与归因结果一致、报告结论是否具有可追溯的数据证据，从而使自然语言问数、异常检测、归因分析、mle 建模和可视化报告生成均处于同一可验证、可修正、可回放的执行闭环中。

技术实现思路

1、为此，本发明所要解决的技术问题在于克服现有企业数据分析智能体中的任务规划、查询生成、权限治理、结果验证、失败修正和经验更新相互割裂，导致复杂分析任务难以验证、难以审计、难以复现且失败经验难以稳定复用的问题。

2、为解决上述技术问题，本发明提供一种面向企业数据分析智能体的节点级验证、动态修正与回放自更新方法，包括：

3、接收用户的自然语言分析任务，抽取分析对象、分析指标、时间范围、分析维度、筛选条件、输出形式、用户权限身份和风险约束；

4、基于所述抽取结果，利用计划器将所述自然语言分析任务拆解为至少一个数据分析任务节点，为每个所述数据分析任务节点构造节点状态对象，并依据任务依赖关系确定各所述节点状态对象之间的依赖关系；

5、针对所构造的各所述节点状态对象，将所述节点状态对象与技能注册表中存储的多个技能清单进行匹配，获得候选技能及对应的输入输出兼容度、权限满足度、验证器覆盖度、历史成功率和风险评分，并根据匹配结果为所述节点状态对象绑定目标技能；

6、在完成所述目标技能绑定后，当同一数据分析任务节点或者相邻依赖的数据分析任务节点绑定多个目标技能时，根据所述节点状态对象和各所述技能清单构建技能叠加关系图，检测所述多个目标技能之间的指标口径冲突、数据模式范围冲突、权限范围冲突、验证规则冲突、副作用冲突和执行成本冲突，并在执行前按照冲突解析策略更新所述节点状态对象或者目标技能；

7、基于经所述冲突检测及冲突解析后确定的节点状态对象和目标技能，利用执行引擎按照更新后的节点状态对象调用对应的目标技能，生成并执行查询语句、应用程序接口调用、异常检测任务、归因分析任务、机器学习建模任务或者可视化任务，获得节点输出；

8、针对所获得的节点输出，利用节点级执行线束记录所述节点状态对象、目标技能的版本信息、数据版本、数据模式版本、权限策略版本、执行输入、执行输出和执行日志，并调用所述节点状态对象中的验证规则集合对所述节点输出进行验证；

9、根据所述节点输出的验证结果，在验证失败时构造节点级反馈对象，根据所述节点级反馈对象和验证器输出生成错误归因标签，将所述错误归因标签映射至对应的数据分析专用修正算子，并利用所述数据分析专用修正算子更新所述节点状态对象、目标技能、权限范围、验证规则或者依赖关系后重新执行相应的数据分析任务节点，直至验证通过、达到最大修正次数、触发人工确认条件或者满足节点终止条件；

10、根据所述节点输出的验证结果，在验证通过时将所述节点输出传递至依赖节点，并将节点执行轨迹、错误归因标签、修正动作和人工反馈写入历史轨迹库和记忆库；

11、以写入所述历史轨迹库和记忆库的节点执行轨迹作为历史节点执行轨迹，在数据模式变化、数据刷新、权限策略变化或者模型版本变化后，对历史节点执行轨迹进行回放评测，并在通过自更新权限判定、前置学习审计和后置发布审计后，根据回放评测结果更新所述技能清单、提示库、验证器阈值和记忆库。

12、在本发明的一种实施方式中，所述节点状态对象基于所述自然语言分析任务的抽取结果构造，并作为后续技能匹配、节点执行和节点验证的共同数据载体；所述节点状态对象至少包括节点标识、分析意图、绑定技能标识、输入数据模式、输出数据模式、数据源范围、权限范围、指标口径定义、验证规则集合、风险等级、回退动作集合、执行轨迹标识和记忆召回键；其中，所述输入数据模式和所述输出数据模式分别用于限定数据结构、字段类型、数据粒度和字段约束，所述权限范围用于限定可访问的数据源、表、字段、行级条件和脱敏策略。

13、在本发明的一种实施方式中，针对构造完成的所述节点状态对象，所述技能注册表调用对应的技能清单执行匹配；所述技能清单至少包括触发条件、能力类型、输入数据模式、输出数据模式、可用数据源、权限需求、验证器列表、风险等级、成本上限、失败类型、可用修正算子、历史成功率，以及需求关系字段、冲突关系字段、能力提供字段、覆盖关系字段和冲突解析策略字段；所述技能匹配步骤中，优先选择输入输出兼容、权限需求得到满足、验证器覆盖度较高、风险评分较低且历史成功率较高的候选技能。

14、在本发明的一种实施方式中，在为同一数据分析任务节点或者相邻依赖节点绑定多个目标技能后，根据已绑定的目标技能及对应的节点状态字段构建所述技能叠加关系图；所述技能叠加关系图中的图节点表示目标技能或者节点状态字段，图边表示需求关系、能力提供关系、冲突关系或者覆盖关系；所述冲突解析策略包括：利用受治理的指标口径覆盖低优先级指标口径、收缩字段范围或者数据源范围、替换为权限兼容的目标技能、增加跨粒度验证器或者证据一致性验证器、触发人工审批、降低节点执行范围，以及终止高风险节点中的至少一种。所述冲突解析策略的执行结果用于更新节点状态对象或者目标技能，并作为后续节点执行的输入。

15、在本发明的一种实施方式中，在所述目标技能进入执行阶段后，所述节点级执行线束与对应的数据分析任务节点建立关联，并随节点执行过程同步形成轨迹信息；所述节点级执行线束记录的版本信息和轨迹信息至少包括节点标识、技能版本、提示版本、模型版本、数据版本、数据模式版本、权限策略版本、查询语句或者程序代码、执行日志、结果摘要、验证器输出、错误归因标签、修正动作和人工反馈；所述节点级执行线束还记录技能叠加关系图的冲突标签、冲突解析动作、冲突解析前后的节点状态对象和回滚标识。

16、在本发明的一种实施方式中，在所述节点级执行线束获得节点输出后，调用所述节点状态对象中的验证规则集合对所述节点输出进行验证；所述验证规则集合包括查询语句或者程序代码可执行性验证、语义口径一致性验证、权限合规验证、聚合守恒验证、结果范围验证、同比环比合理性验证、模型指标验证、可视化数据一致性验证和报告证据一致性验证中的至少一种；并且，异常检测节点还验证异常对象是否符合统计阈值和业务规则，归因分析节点还验证根因候选是否具有维度贡献证据，机器学习建模节点还验证模型解释是否与归因分析结果一致，报告生成节点还验证报告结论是否具有可追溯的数据证据。

17、在本发明的一种实施方式中，基于验证失败时形成的节点级反馈对象和验证器输出生成的所述错误归因标签包括数据模式错误、语义口径错误、权限治理错误、结果可信错误、模型解释错误和报告表达错误；所述错误归因标签用于确定对应的数据分析专用修正算子，其中，所述数据分析专用修正算子包括数据模式补充、字段替换、数据表重选、连接路径重构、查询语句重写、指标公式注入、聚合粒度调整、时间窗口修正、权限降级、字段脱敏、技能替换、用户澄清、人工审批、特征重构、模型替换、证据查询补充、删除无证据结论、节点降级和节点终止中的至少一种。

18、在本发明的一种实施方式中，所述回放评测以验证通过后写入历史轨迹库的节点执行轨迹为处理对象，所述回放评测包括：

19、按照历史节点执行轨迹中记录的数据版本、数据模式版本、权限策略版本、技能版本、提示版本和模型版本重建回放环境；在完成所述回放环境重建后，重新执行历史节点；基于重新执行得到的回放结果，比较回放输出、验证器输出和历史输出；根据所述比较结果，生成技能清单变更候选、提示候选、验证器阈值变更候选或者记忆条目候选；针对所生成的候选更新，执行沙箱验证、灰度评测和回滚检查。

20、在本发明的一种实施方式中，针对所述回放评测所涉及的历史节点轨迹及其关联信息，所述自更新权限判定将历史节点轨迹、人工反馈、验证器结果、冲突解析记录和报告结论分别标注来源主体、数据敏感级别、业务域、节点类型、验证通过状态、人工审批状态、可学习范围、保留期限和可追溯标识，并基于所述标注结果划分为禁止学习级、仅评测级、候选学习级、沙箱更新级和自动更新级；在完成权限级别划分后，所述前置学习审计用于阻止敏感字段、受限业务口径、未脱敏样本、未授权反馈或者低置信度结论进入学习队列，对于经所述前置学习审计允许进入学习队列的候选更新，所述后置发布审计用于在候选更新发布前通过回放评测、权限模拟和人工抽检确认候选更新的可用性。

21、本发明的上述技术方案相比现有技术具有以下优点：

22、本发明所述的一种面向企业数据分析智能体的节点级验证、动态修正与回放自更新方法，通过定义面向企业数据分析任务的节点状态对象，使每个分析节点同时携带分析意图、技能、数据模式、权限、指标口径、验证规则、风险等级、回退动作和轨迹标识，从而将执行动作、语义约束、治理约束和验证约束统一在同一最小调度单元中。

23、本发明通过节点级执行线束记录技能版本、提示版本、模型版本、数据版本、数据模式版本、权限策略版本、执行输入输出、验证器结果、错误归因标签和修正动作，使分析过程能够被审计、回放、复现和回滚。

24、本发明通过技能清单将每类数据分析能力的触发条件、输入输出数据模式、权限需求、验证器、失败类型、修正算子和历史成功率显式化，使计划器能够依据可计算字段选择或者替换技能。

25、本发明将验证失败类型与数据分析专用修正算子建立映射关系，能够针对数据模式错误、语义口径错误、权限治理错误、结果可信错误、模型解释错误和报告表达错误执行差异化修正，避免无约束自由重试。

26、本发明将查询、异常检测、归因分析、自动建模、可视化和报告生成纳入同一节点级验证体系，使异常根因、模型结论和报告结论均需要通过数据证据、指标口径和验证器输出支撑。

27、本发明通过冲突感知的技能叠加关系图在执行前检测多个技能之间的指标口径、数据模式范围、权限范围、验证规则、副作用和执行成本冲突，并通过覆盖、收缩、替换、增加验证、审批、降级或者终止完成冲突解析。

28、本发明通过历史节点回放，在数据模式、数据、权限策略或者模型版本变化后重新评估节点状态对象、技能清单和修正算子，并通过自更新权限治理机制区分可记录数据、可评测数据和可学习数据，降低敏感数据和错误经验进入生产技能的风险。