Aix-DB：大模型驱动的智能数据分析平台

你是否曾有过这样的困扰：公司数据库里躺着 TB 级别的订单数据，业务部门想知道「今年各区域销售额环比增长了多少」，但数据分析师排期排到了两周以后，SQL 查询还要翻手册才能写对？或者，数据已经导出了，Excel 里的透视表操作到一半，忘了当初筛选条件是什么——又得重来一遍。

Aix-DB 就是来解决这个问题的。这是一个基于大语言模型和 RAG 技术构建的智能数据分析系统，核心理念只有一个：让任何会用自然语言提问的人，都能直接获得数据洞察。

图1：Aix-DB 数据源配置界面，支持多种数据库直连

项目起源与背景

Aix-DB 的作者 apconw 是一个长期关注 AI + 数据方向的个人开发者。项目最初解决的是作者自己的痛点：在没有专业数据团队的情况下，如何高效地从 PostgreSQL、MySQL 等数据库中提取有价值的业务信息。2024 年，随着 GPT-4、Claude 等大模型 API 的成熟，以及 LangChain/LangGraph 框架的完善，作者认为「让 AI 代理直接操作数据库」的技术条件已经具备，便着手开发了 Aix-DB。

从技术演进路径来看，Aix-DB 经历了从单一 Text2SQL 工具到多智能体协作平台的升级。早期版本仅支持简单的自然语言转 SQL，如今已演变为包含 DeepAgent（深度数据分析代理）、MCP Skills（技能中心）、OpenClaw（开放集成）等多种模式的完整系统。GitHub stars 从零起步稳步增长到 2154，说明它在中文 AI 开发者社区有持续的关注度。

核心技术架构

多层 Agent 协作

Aix-DB 的核心架构建立在 LangChain/LangGraph 之上。LangGraph 是 LangChain 家族中专门用于构建有状态、多步骤 Agent 工作流的框架，相比线性 Chain，Graph 结构更适合复杂的数据分析场景——比如先理解问题、规划查询策略、执行 SQL、分析结果、再生成可视化，每一步都可能需要回退重来。

项目包含两类核心 Agent：

• DeepAgent（深度数据分析代理）：处理需要多轮推理的复杂数据问题，例如「对比 2024Q1 和 2024Q2 的华北区域客户留存率」，它会先拆解问题、逐层查询、交叉比对，最终给出结论。
• Text2SQL Agent：专门处理自然语言到 SQL 的转换，这是整个系统最基础也是最核心的组件。Text2SQL 模块被拆分为 analysis（问题分析）、sql（SQL生成）、chart（图表生成）、datasource（数据源管理）、permission（权限控制）、rag（RAG增强）等多个子模块，各司其职。

MCP Skills 多智能体协作

项目实现了 Model Context Protocol（MCP）协议，这是一个让 AI Agent 与外部工具/数据源交互的标准协议。通过 MCP Skills，Aix-DB 可以接入各种外部能力（如网页抓取、API 调用），并以 Skill 插件的形式组合使用。这与 LangChain 的 Tool Calling 理念一脉相承，但 MCP 更强调跨框架的互操作性——也就是说，未来其他支持 MCP 的 Agent 也可以调用 Aix-DB 的 Skills，形成生态联动。

数据源与存储层

项目支持多种主流数据库直连：PostgreSQL（主存储）、MySQL、Oracle、SQL Server、ClickHouse 等，通过 SQLAlchemy 2.0 的统一 ORM 层屏蔽了底层差异。向量数据库支持 Chroma 和 FAISS，用于 RAG 增强检索——当用户提问涉及表格理解、文档问答时，系统会先通过向量检索找到相关的表结构或字段说明，再交给 LLM 生成准确的 SQL。MinIO（兼容 S3 协议的对象存储）用于管理上传的数据文件和生成的图表资源。

图2：支持多模型配置，可接入 OpenAI、Claude、DeepSeek、Qwen 等主流大模型

可视化层

前端基于 Vue 3 + TypeScript 构建，使用 Naive UI 作为组件库，ECharts 和 AntV 提供图表渲染能力。当 Text2SQL Agent 生成结果后，对应的数据会自动绑定到合适的图表类型上——趋势数据用折线图、分类对比用柱状图、占比关系用饼图——用户无需手动配置。

核心功能详解

1. 智能问答（ChatBI）

用户通过 Web 界面输入自然语言问题，如「展示近30天日活跃用户趋势」，系统自动解析意图、连接对应数据源、执行查询、渲染图表，返回结果。整个过程对用户透明，底层可以看到 AI 推理的中间步骤（生成的 SQL、可选的调试信息）。

这一功能的核心价值在于降低数据分析的门槛。传统 BI 系统需要用户学习拖拽操作、维度和指标的概念，而 Aix-DB 的交互方式更接近对话——这对于业务人员尤其友好。

2. 数据问答（Text2SQL）

这是技术含量最高的功能模块。Text2SQL 的难点不在于简单的「SELECT * FROM」，而在于：

• 如何让模型理解表与表之间的关联关系（JOIN）
• 如何处理聚合、过滤、时间窗口等复杂查询
• 如何在模糊描述下推断用户真正想要的指标（如「增长了多少」到底是同比、环比还是环比增长率）
• 如何保证生成的 SQL 不越权访问数据

Aix-DB 通过 RAG（检索增强生成）先检索数据库的 schema 信息（表结构、字段注释、外键关系），再交给 LLM 生成 SQL。权限控制模块确保不同用户只能看到授权范围内的数据，即使 LLM 生成了越权 SQL，执行层也会拦截。

3. Skill 模式

Skill 是 Aix-DB 的可扩展能力单元。每个 Skill 可以理解为一段预设的 Agent 行为模板，例如「销售数据分析 Skill」「用户行为分析 Skill」。用户可以在对话中调用不同的 Skill，Agent 会按照该 Skill 的逻辑链执行分析——相当于给 AI 分配了不同的专业角色。

4. CLI 工具

除了 Web 界面，项目还提供了命令行工具 aix-db-cli（npm 全局安装），支持在终端直接发起数据查询并渲染 ASCII 图表，适合开发者快速调试或有脚本自动化需求的用户。

部署体验

Aix-DB 对部署友好度下了功夫。docker-compose.yaml 内置了全套依赖：PostgreSQL（数据库）、MinIO（对象存储）、Nginx（前端反向代理）、Supervisor（进程管理）。用户只需要三步：

git clone https://github.com/apconw/Aix-DB.git
cd Aix-DB/docker
docker-compose up -d

启动后访问 http://localhost:18080 即可进入 Web 界面，默认账号 admin/123456。

基础镜像采用多阶段构建：前端用 Node 18 Alpine 构建 Vue 3 产物，后端基于 Python 3.11-slim-bookworm，通过 uv 安装依赖。最终镜像大小控制在合理范围内。

没有 GPU 需求，常规数据分析任务在 CPU 上运行即可，但注意 PostgreSQL 和 MinIO 有一定的内存占用，建议预留 4GB+ RAM。

局限与争议

Text2SQL 的准确率边界：目前没有任何 Text2SQL 系统能保证 100% 准确，尤其是涉及多表 JOIN、嵌套子查询、特殊聚合函数时，LLM 的理解偏差可能导致查询结果错误或无效。Aix-DB 在复杂查询场景下需要用户具备一定的 SQL 阅读能力，能识别 AI 的错误。

中文场景的优化空间：当前项目的核心文档和社区讨论以中文为主，但在处理中文表名/字段名的映射、日期格式（农历、财年）等方面仍有优化余地。

企业级功能的缺失：目前没有看到多租户隔离、行级权限控制（RLS）、审计日志等企业级特性，在金融、医疗等敏感行业落地会有合规门槛。

行业意义与趋势

Aix-DB 代表的正是「ChatBI」这一趋势的落地实践。传统的 BI 工具（如 Tableau、PowerBI）正在被 AI 原生的数据分析产品蚕番市场份额，Gartner 预测到 2027 年，超过 50% 的 BI 平台将通过自然语言接口替代拖拽操作。

在国内市场，由于大模型数据合规要求（数据不能出境、模型需备案），Aix-DB 支持本地部署的特点反而成为优势——它可以对接私有化部署的 DeepSeek、Qwen 等国产模型，数据全程不出企业网络。这在中大型企业的数字化转型场景中很有竞争力。

从开源生态角度看，Aix-DB 较好地整合了 LangChain/LangGraph、MCP、Neo4j（知识图谱）、FAISS/Chroma 等多条技术路线，为想学习 AI Agent 架构的开发者提供了一个结构清晰、可参考的实战案例。

总结

Aix-DB 是一个架构完整、技术栈扎实的中文 AI 数据分析开源项目。它将大模型能力与数据库直连结合起来，实现了「问即所得」的数据查询体验，在 ChatBI 赛道上提供了有参考价值的实现路径。虽然距离企业级 BI 工具还有差距，但作为技术探索和个人/小团队使用，其功能完整度和部署便利性都值得肯定。如果你在寻找一个可以本地部署、支持私有化模型、对接多种数据库的 AI 数据分析工具，Aix-DB 是不错的选择。