首页
学习
活动
专区
圈层
工具
发布
社区首页 >专栏 >用大模型盘活餐饮数据:智慧餐饮云平台 + DeepSeek 智能分析系统的工程实践

用大模型盘活餐饮数据:智慧餐饮云平台 + DeepSeek 智能分析系统的工程实践

原创
作者头像
IT大佬 jzit-top
发布于 2026-11-16 14:43:04
发布于 2026-11-16 14:43:04
380
举报

一、问题的本质:不是缺数据,是缺"翻译层"

餐饮 SaaS 沉淀了订单、菜品、会员、门店、外卖、库存五类数据,但运营人员的真实分析需求是长尾的、追问式的:"上周三环内门店的酸菜鱼毛利率为什么比前一周低 4 个点?"——这类问题 BI 看板答不了,SQL 运营人员不会写。大模型的价值不在于替代 BI,而在于打通「自然语言 → 指标语义 → SQL → 结论」这条链路,把死数据变成可对话的资产。

二、系统架构

整体分为四层,核心原则是 LLM 只负责"翻译"和"解释",绝不负责"计算":

层

内容

职责

数据层

MySQL(业务)+ ClickHouse(明细宽表)

ODS→DWD→DWS 分层

语义层

指标字典 + 同义词 + 维度 + 行级权限

口径唯一

智能层

DeepSeek(NL2SQL / 结果解读 / 归因)

翻译与叙述

应用层

对话式分析、自动日报、异常归因

交付

所有数字必须来自数据库真实执行结果,这是防幻觉的底线。

三、关键实现

1. 指标语义层:让模型"认识"业务口径

代码语言:javascript
复制
# semantic_layer.py
SEMANTIC = {
    "gmv": {
        "expr": "SUM(o.pay_amount)", "table": "dws_order_daily o",
        "desc": "实收金额,已剔除退款", "synonyms": ["营业额", "流水", "销售额"],
        "dims": ["o.dt", "o.store_id", "o.channel"],
    },
    "table_turnover": {
        "expr": "SUM(o.order_cnt) / SUM(s.table_cnt)",
        "table": "dws_order_daily o JOIN dim_store s ON o.store_id = s.store_id",
        "desc": "翻台率 = 订单数 / 台位数", "synonyms": ["翻台"],
        "dims": ["o.dt", "o.store_id"],
    },
}

def build_schema_prompt() -> str:
    lines = ["可用指标(必须使用下列表达式,不得自创口径):"]
    for k, v in SEMANTIC.items():
        lines.append(
            f"- {k}: {v['desc']} | 表达式 {v['expr']} | 表 {v['table']} | "
            f"同义词 {','.join(v['synonyms'])} | 可用维度 {','.join(v['dims'])}"
        )
    return "\n".join(lines)

2. NL2SQL + 强制安全校验

代码语言:javascript
复制
import os, re
from openai import OpenAI

client = OpenAI(api_key=os.getenv("DEEPSEEK_API_KEY"),
                base_url="https://api.deepseek.com")

SYSTEM = """你是餐饮数据分析师。根据用户问题生成一条 ClickHouse/MySQL 兼容的 SELECT 语句。
规则:
1) 只允许 SELECT,禁止任何写操作;
2) 指标必须使用给定表达式;
3) 必须带时间范围,必须加 LIMIT 200;
4) 只输出 SQL,不要解释。"""

def nl2sql(question: str, few_shots: list[dict]) -> str:
    msgs = [{"role": "system", "content": SYSTEM + "\n\n" + build_schema_prompt()}]
    for ex in few_shots:                      # RAG 召回的相似问答
        msgs += [{"role": "user", "content": ex["q"]},
                 {"role": "assistant", "content": ex["sql"]}]
    msgs.append({"role": "user", "content": question})
    resp = client.chat.completions.create(
        model="deepseek-chat", messages=msgs, temperature=0)
    return re.sub(r"^```sql|```$", "", resp.choices[0].message.content.strip(),
                  flags=re.M).strip()

FORBIDDEN = re.compile(r"\b(insert|update|delete|drop|alter|truncate|create|grant)\b", re.I)
ALLOW_TABLES = {"dws_order_daily", "dim_store", "dws_dish_daily", "dim_member"}

def guard(sql: str) -> str:
    if FORBIDDEN.search(sql):
        raise PermissionError("检测到非查询语句")
    if not sql.lstrip().lower().startswith("select"):
        raise PermissionError("仅允许 SELECT")
    tables = set(re.findall(r"(?:from|join)\s+([a-zA-Z_][\w.]*)", sql, re.I))
    if not tables <= ALLOW_TABLES:
        raise PermissionError(f"越权表:{tables - ALLOW_TABLES}")
    if "limit" not in sql.lower():
        sql += " LIMIT 200"
    return sql

3. Agent 主循环:查询 → 解读 → 归因

代码语言:javascript
复制
TOOLS = [{
    "type": "function",
    "function": {
        "name": "run_sql",
        "description": "执行只读 SQL 并返回结果集",
        "parameters": {"type": "object",
                       "properties": {"sql": {"type": "string"}},
                       "required": ["sql"]},
    },
}]

def chat_analyze(question: str, conn):
    msgs = [{"role": "system", "content":
             "你是餐饮经营分析师。先调用 run_sql 取数,再基于返回结果作答,"
             "严禁编造数字;结论需包含 现象→原因假设→建议动作 三段式。"},
            {"role": "user", "content": question}]
    for _ in range(4):
        r = client.chat.completions.create(
            model="deepseek-chat", messages=msgs, tools=TOOLS).choices[0].message
        if not r.tool_calls:
            return r.content
        msgs.append(r)
        for tc in r.tool_calls:
            args = json.loads(tc.function.arguments)
            try:
                sql = guard(nl2sql(question, retrieve_examples(question)))
                rows = conn.execute(sql).fetchall()[:200]
                out = json.dumps(rows, ensure_ascii=False, default=str)
            except Exception as e:
                out = f"ERROR: {e}"
            msgs.append({"role": "tool", "tool_call_id": tc.id, "content": out})
    return "分析超时,请缩小问题范围。"

4. 权限必须留在语义层

行级权限(如"华东区店长只能看本区门店")不能交给模型判断。做法是在 build_schema_prompt 中按当前用户角色动态注入 WHERE o.store_id IN (...) 的强制过滤条件,由 guard() 校验 SQL 是否包含该过滤子句,缺失则拒绝执行。模型只看到"允许看到的世界"。

四、效果与边界

上线后单表类问题准确率约 92%,多表关联类依赖 RAG 召回的 few-shot 样例库,需持续沉淀"问题-SQL"对并接入人工纠错反馈闭环。三个工程红线:口径由语义层定义、数字由数据库产出、权限由后端裁决。做到这三点,大模型才是盘活餐饮数据的引擎,而不是一个会编数字的嘴。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

目录
  • 一、问题的本质:不是缺数据,是缺"翻译层"
    • 二、系统架构
    • 三、关键实现
      • 1. 指标语义层:让模型"认识"业务口径
      • 2. NL2SQL + 强制安全校验
      • 3. Agent 主循环:查询 → 解读 → 归因
      • 4. 权限必须留在语义层
    • 四、效果与边界
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档