其他配置（服务配置）

1.1 版本

1.2 应用场景

在其他配置中，用户可以对 FineChatBI 的各种服务进行配置，包括规则模型、大模型、企业知识库等。

在「其他配置」中，管理员可以配置 FineChatBI 使用的「语义解析小模型」服务器，输入服务器的主机和端口号，如下图所示：

3.1 大模型服务配置

在 FineChatBI 中有五个功能需要大模型的支持，智能改写、分析思路、数据解读、归因分析建议、一键配置。

需要使用这几项功能就需配置大模型服务，用户可依据实际条件选择搭建大模型，详情请参见：FineChatBI 服务架构概述

成功配置大模型服务后，管理员可以选择选择性开启大模型功能，如下图所示：

3.2 智能改写

使用大模型对提问的问题进行标准化改写，改写后的问题更加标准，可以使 FineChatBI 的回复更加准确，降低用户的提问成本

示例1

• 改写前：干的最好的门店

• 改写后的标准化问题：销售额求和最高的门店名称

示例2

• 改写前：帮我对比一下去年和今年的销售额

• 改写后的标准化问题：去年vs今年的销售额

1）若设置默认问答模式为「智能模式」并保存，如下图所示：

在提问界面选择「智能」时，默认每提问一个问题大模型都会对其改写，提高回复的准确率，但相应的，系统速度和性能会有所下降。

在提问界面选择「极速」，则默认不会对问题进行改写。

2）若设置默认问答模式为「极速模式」并保存，只有当用户点击「对结果不满意？重新生成」后，才会对提问的问题进行智能改写，该模式下。如下图所示：

3.3 分析思路    

在大模型配置中，开启「分析思路」，那么大模型可以帮助用户处理一些模糊语义或一些启发性的问题。

例如：点击「问思路」，并输入"你帮我看看哪些产品值得推广"，可以看到系统对思路进行了拆解，用户可以直接参考拆解后的思路。

3.4 数据解读

FineChatBI 的「数据解读」功能为用户提供更加智能的数据洞察服务。生成图表后，点击下方的「数据解读」，大模型即会给出数据解读报告，报告会包含：

• 数据表现分析：系统会结合用户提出的问题，针对图表内容详细解读数据表现。

• 关联外部因素：若存在影响数据的外部信息，功能将自动关联，对图表数据表现作出合理解释，把握数据背后深层原因。

• 推荐后续问题：基于当前分析方向，智能推荐一系列可继续追问的问题，引导用户深入挖掘数据，拓展分析维度。

与其他功能不一样的是，数据解读需要单独填写大模型信息。比如说 deepseek 模型用来做数据解读更合适，可以在数据解读配置下填写 deepseek 的大模型信息。如下图所示：

3.5 归因分析建议

多维度拆解分析是定位问题原因的有效分析方法之一，而当分析时拆解的维度过多时，分析就失去了焦点，要么找不到出现问题的原因，要么感觉每个维度都可能有问题。

在大模型配置中，开启「归因分析建议」，FineChatBI 即可支持对如下问题进行归因分析，挖掘关键影响因子，点击指标值，找到影响该指标值的重要因子，针对性拆解维度进行分析，提高分析效率。

1）包含时间及单个指标问题，可以自动检测异常点。例如：2022年2月、2022年6月。

2）包含单个分组及单个指标的问题，可以通过点击组件上的点进行归因分析。例如：2022年6月销售额。

3）可以通过问答，对段状或者点状时间及指标进行归因分析。例如：2022年2月的销售额为什么有异常？ 

3.6 一键配置

通过大模型给字段值配置同义词，详情请参见：同义词配置

3.7 智能扩写

预加载配置中，主题简介可以通过大模型智能扩写。如下图所示：

用户可以在 FineChatBI 的智能配置中使用企业自行配置的接口，实现在 FineChatBI 中对企业自有知识库进行提问的功能。

在 FineChatBI 的提问处，会增加一个对知识库的提问入口，如下图所示：

1）进入「知识问答配置界面」，开启「知识库问法」按钮，并输入企业自定义的接口地址。如下图所示：

需要在接口地址配置以下参数：

2）配置提问入口的名称和提示内容，可在下方查看效果预览。如下图所示：

3）点击保存，以上配置即可生效。

预处理配置即允许企业通过配置自有意图解析接口。

当用户提问时，系统会将问题先交给企业预处理服务进行解析，FineChatBI 再通过预处理服务解析后的结果回答问题。

接下来介绍如何配置。

打开预处理配置，并输入预处理服务的请求地址，如下图所示：

5.1 接口数据结构说明

预处理服务的请求应接受入参，返回出参，来实现修改意图分类的目的，所以企业需依照以下需求配置接口参数。

接口数据结构如下：

export interface IChatPost {
  sentence: ICutPost;
  isolatedConversation: boolean;
  queryType: QUERY_TYPE;
  chartType?: undefined; // 目前不指定
  preview: false; // 目前为false
  sessionId:string;
}

export interface ICutPost {
  subjectId: string | null; // 主题id
  tokens: ICutProps[]; // 用户输入形成的数组
  query: string; // 用户的文本输入
  editable: boolean; // 用户有没有显式的指定模型
  modelId: string | null;
}

export enum QUERY_TYPE {
  DataQuery = "DataQuery",
  AnalysisBreak = "AnalysisBreak",
  Knowledge = "Knowledge",
}

export interface ICutProps {
  // 词块的内容
  text: string;
  // 词块的类型
  type: CutPropsTypeEnum;
  // 这个词块是否可以被替换
  editable: boolean;
  // 表示这个分词结果还可能代表别的含义, 嵌套结构
  similarList: ICutProps[];
  // 这个词块的第一个字符在本句话中的位置
  startIndex: number;
  // 这个词块的最后一个字符在本句话中的位置
  endIndex: number;
  // 字段名称, 当type为维度、维度枚举值或者指标时，此项为必填值
  tableField?: string;
  // 表名称, 当type为维度、维度枚举值或者指标时，此项为必填值
  tableId?: string;
  // 字段id,这里是分析思路配置的时候保存的时候带上的，其他情况下没有
  fieldId?: string | null;
}

export enum CutPropsTypeEnum {
  // 维度 门店,城市,省份 也就列名 @必要
  DIMENSION = "DIMENSION",
  // 指标  @必要
  METRIC = "METRIC",
  // 维度枚举值  @必要
  DIMENSION_ENUM = "DIMENSION_ENUM",
  // 日期维度, 如入库时间, 出库时间
  DATE_DIMENSION = "DATE_DIMENSION",
  // 表名称
  TABLE_NAME = "TABLE_NAME",
  // 日期范围, 如去年,今年, 2023年
  DATE_RANGE = "DATE_RANGE",
  // 时间单位, 每年,每月
  TIMEUNIT = "TIMEUNIT",
  // 数值
  NUMBER = "NUMBER",
  // 聚合方式, 如求和 最大值 最小值 方差
  AGGREGATE_TYPE = "AGGREGATE_TYPE",
  // 快速计算 如同比 环比 环比增长率
  SWIFT_COMPUTE_TYPE = "SWIFT_COMPUTE_TYPE",
  // 计算符 大于 小于 > <
  OPERATOR = "OPERATOR",
  // 自定义词
  SLANG = "SLANG",
  ORIGIN = "ORIGIN",
  SPACE = "SPACE",
  DELETE = "DELETE",
  // 参数
  PARAMETER = "PARAMETER",
  // 不清楚具体含义,如果不知道或者识别不出来, 就设为此值
  UNK = "UNK",
  // 不知道具体含义，但是知道是名词
  UNK_NOUN = "UNK_NOUN",
  // 不知道具体含义，但是知道是动词
  UNK_VERB = "UNK_VERB",
  // 紧跟维度的维度枚举值
  STRING_FUNCTION_VALUE = "STRING_FUNCTION_VALUE",
  // 维度值
  METRIC_VALUE = "METRIC_VALUE",
  // 指标值
  DIMENSION_VALUE = "DIMENSION_VALUE",
}

显示代码

出参数据结构如下（200代表成功，其余均视为失败）：

interface IOutputProps {
  code: 200 | number;
  data: QUERY_TYPE | null;
  errorMsg: string | null;
}

export enum QUERY_TYPE {
  DataQuery = "DataQuery",
  AnalysisBreak = "AnalysisBreak",
  Knowledge = "Knowledge",
}