1️⃣ 三层架构（自上而下）
这套 Agent 由三层底座组成。每一层解决一个独立的问题：
🧠 语义层
让 AI 正确理解数据
表语义 .md（8 张表）
专题语义 .md（3 个专题）
业务术语别名表（12 个指标）
⚙️ Harness
让 AI 稳定使用数据
意图理解 + 多轮澄清
RAG 精准召回
三道防线 + 三层记忆
🔒 信息边界
让 AI 不越界返回数据
数据不出域
L1/L2/L3 分级
多路径还原检测
2️⃣ 单次查询的完整流程（6 步）
1意图理解
从用户自然语言里抽取「指标 + 维度 + 时间 + 过滤条件」结构化输出。
例：「上周分渠道的流水」→ {metrics:[GMV], dimensions:[channel], time:last_week}
2歧义检测 + 多轮澄清（如有歧义）
三类歧义检测：时间（去年/上周）、指标（活跃/付费）、维度（区服/端）。
只要有歧义就主动反问，绝不直接猜。用户回答后系统记住会话状态，把答案合并回原意图，继续往下走。
3编造检测（防线 1）
如果用户提到了知识库里不存在的指标（比如"狂热值"），AI 不会胡编，而是返回："知识库没有这个指标，相近的是 X/Y/Z"。
4RAG 精准召回
基于已澄清的意图，从知识库召回：相关专题（业务套路）+ 相关表（事实源）。每次只读 3%~5% 的知识库，不大水漫灌。
5权限校验（防线 2）
两层校验：① 直接命中检测（L3 查 DAU 直接拒）；② 多路径还原检测（L2 查 GMV+ARPU 可推 DAU 也拒）。
被拒时使用零信息量拒绝模板——不暗示数据是否存在。
6SQL 生成（防线 3 + 数据不出域）
基于预先验证过的 SQL 模板组合，硬规则固化（DAU 必须用 user_sessions、GMV 必须 status='success'）。
输出 SQL 让用户复制走自己跑——AI 全程不接触一行真实数据。
3️⃣ 持续学习闭环
用户标记错误 → 自动写入 LEARNINGS.md → 下次同类查询前自动召回提示 → 同一个错误不会犯第二次。
4️⃣ 架构示意
用户 ─→ 意图理解 ─┬─→ 歧义？ ─→ 反问澄清（记住会话状态）
│
└─→ 编造？ ─→ 询问 + 推荐相近指标
│
↓
RAG 召回（专题+表+指标）
│
↓
权限校验（含 DAG 多路径检测）
│
↓
SQL 模板组合 ─→ 字段出处溯源
│
↓
数据不出域 ─→ 用户复制 SQL 自己跑
│
↓
错误反馈 ─→ LEARNINGS.md ─→ 知识库自我更新
5️⃣ 左侧栏的「表语义模型」是什么？
那 8 张表就是 AI 的"字典"——告诉 AI："你能查的表叫什么、有哪些字段、字段的业务含义、能算出哪些指标、和谁能 JOIN、容易踩什么坑"。
点击任意一张表能看到完整的 7 章节语义文档。正是因为有这份字典，AI 才不会胡编 SQL 字段。