保单、赔付与渠道问数：保险经营数据如何实现按需查询

保险经营的三类核心数据，保单、赔付、渠道，各自分散在承保系统、理赔系统、渠道管理系统里。想要做到随时取用，技术上可以用一套语义层把分散数据统一成可查询的数据地图，再以 NL2SQL 把自然语言转成只读查询，保险经营的指标就能从排期报表走向实时问数。本文重点拆解这套问数能力背后的技术实现。

语义层如何统一口径

数据地图的本质是一层语义层（semantic layer），它把底层物理表和业务含义解耦。具体落地分三步。

第一步建指标定义。赔付率统一注册成一个带公式和口径版本的元数据对象，分子取已决赔付支出，分母取保费收入，版本号记录口径变更时间。所有问数和图表都引用这同一个定义，有助于减少两版数字对不上的问题。

第二步建同义词词典。口语和字段值之间需要映射，"重疾"对应险种字段值"重大疾病保险"，"件数"对应对保单号的计数，"银保"对应渠道编码 02。NL2SQL 做实体对齐时依赖这部词典，否则模型可能将“重疾险”视为无法识别的词。

第三步做维度建模。底层按星型模型组织，保费事实表和赔付事实表围绕险种、机构、渠道、时间四张维度表展开，问数时系统按用户提到的维度可自动生成 JOIN。

从口语到只读 SQL

自然语言问数的技术核心是 text-to-SQL 管线，生产环境里通常拆成七步。

第一位是意图识别。系统先判断用户要的是单点查询、两实体对比、时间序列趋势还是下钻，这一步在很大程度上影响后续生成的结构和图表。

实体与指标抽取紧随其后。从"去年重疾险赔付率"里抽出时间（去年）、险种（重疾险）、指标（赔付率）。这一步常用命名实体识别模型，结合同义词词典把口语归一。

Schema linking 把抽出的项对齐到数据地图。模型要知道"赔付率"指向哪个指标定义、"重疾险"对应哪张维度表哪个值，依赖第二步建好的语义层和词典。

SQL 生成阶段把对齐结果转写成查询语句。工程上一般把数据地图的表结构描述作为上下文注入提示词，再配少量同类型示例做 few-shot，让模型产出更接近目标库的语法。复杂多表 JOIN 是准确率的主要瓶颈，生产里常用执行准确率（execution accuracy）做评测和回归。

SQL 校验是安全校验环节。系统把生成的语句做抽象语法树解析，可限制为只允许 SELECT，拦截 INSERT、UPDATE、DELETE、DROP 等写操作和删表。表名和字段还要过白名单，不在语义层登记的物理表一律拒绝访问。

权限谓词注入在放行前完成。系统按当前用户可见的机构范围，自动给语句加上机构过滤条件，这样用户通常不会超出自己的数据边界。

执行与格式化收尾。查询结果按指标类型做单位换算和四舍五入，再交给图表模块。整条管线里模型只负责"生成"，校验和权限由确定性的规则层兜底，这是问数系统上生产的重要基础。

图表自动匹配的工程逻辑

图表通常不是用户额外选的，而是由意图和结果结构推导出来。两实体比同一指标，比如 A 险种和 B 险种比赔付率，出柱状图。单实体跨时间，比如某险种十二个月赔付率，出折线图，拐点通常较为明显。构成类问题，各渠道保费占比，出堆叠图或饼图。

实现上，系统在生成 SQL 的同时产出一份图表配置，标明横坐标维度、纵坐标指标和图表类型，前端按配置直接渲染。赔付率和继续率可以叠在同一张折线图里，经营会上有助于快速发现“保费上行但继续率下行”的反常组合。

小艾智能体的技术支撑

小艾智能体用动态 Agent 编排系统可将数据地图构建、查询生成、图表渲染、报告导出串联为可配置工作流，工作流以 JSON 或 YAML 描述，内置多种节点，支持条件路由、状态传递、并行执行和基于检查点的状态持久化。

它的文档处理引擎可解析保单、理赔、渠道的 PDF、Excel、CSV 等文件，做语义切分后用 BGE-M3 模型向量化存入 Milvus 并可自动建索引。知识图谱系统基于原生图数据库做实体识别和关系抽取，支持关联查询与路径推理，下钻时可自动补全险种、渠道、机构之间的路径。向量检索引擎结合 Milvus 与全文检索引擎做混合检索，为问答提供知识片段，有助于减少模型幻觉。

小艾智能体的智能问数报表系统以 NL2SQL 为核心，把自然语言转成只读 SQL 再自动出图表，与本文的保险问数场景直接对应。系统支持私有化部署，保单与投保人数据可在本地处理，字段白名单控制敏感信息。对保险企业来说，经营指标可减少等待报表排期，支持按需查询、按需出数。