在第二屆CCF中國數(shù)據(jù)大會上，螞蟻數(shù)科宣布了一項(xiàng)重要舉措：正式開源其數(shù)據(jù)智能體核心技術(shù)Agentar SQL的全套資料，涵蓋論文、代碼、模型以及詳細(xì)的使用指南。這一技術(shù)旨在讓非專業(yè)人士也能通過自然語言輕松完成商業(yè)數(shù)據(jù)的查詢與分析，為企業(yè)數(shù)字化轉(zhuǎn)型提供更加精準(zhǔn)、實(shí)用的智能數(shù)據(jù)分析基礎(chǔ)。

作為首期開源內(nèi)容，螞蟻數(shù)科推出了實(shí)時(shí)文本轉(zhuǎn)化結(jié)構(gòu)化查詢語言（Text-to-SQL）框架，為開發(fā)者提供了一套即插即用的數(shù)據(jù)查詢解決方案，顯著提升了文本與數(shù)據(jù)庫查詢之間的交互效率。未來，該公司計(jì)劃在2026年陸續(xù)開源更多技術(shù)框架，包括數(shù)據(jù)庫理解與挖掘、行業(yè)知識挖掘以及實(shí)時(shí)多輪交互技術(shù)，覆蓋從意圖理解到業(yè)務(wù)理解再到數(shù)據(jù)理解的全鏈路數(shù)據(jù)能力。

由該技術(shù)支持的螞蟻數(shù)科數(shù)據(jù)分析智能體Agentar-Scale-SQL，已在全球權(quán)威的自然語言轉(zhuǎn)結(jié)構(gòu)化查詢語言（NL2SQL）評測基準(zhǔn)BIRD-SQL中脫穎而出，力壓Google等國內(nèi)外知名企業(yè)，登頂排行榜。目前，該智能體在執(zhí)行準(zhǔn)確率和執(zhí)行效率兩大榜單上均保持領(lǐng)先地位，持續(xù)領(lǐng)跑超過兩個(gè)月。BIRD-SQL評測要求AI模型將自然語言查詢精準(zhǔn)轉(zhuǎn)換為SQL，并在真實(shí)復(fù)雜的大規(guī)模生產(chǎn)級數(shù)據(jù)庫中穩(wěn)定運(yùn)行。其數(shù)據(jù)集涵蓋金融、電力、醫(yī)療等37個(gè)行業(yè)場景，總量達(dá)33GB，包含超過1萬條高復(fù)雜度查詢?nèi)蝿?wù)，被公認(rèn)為全球最具挑戰(zhàn)性的NL2SQL測試。

研究機(jī)構(gòu)數(shù)據(jù)顯示，全球商業(yè)智能市場規(guī)模預(yù)計(jì)在2025年達(dá)到474.8億美元，而中國商業(yè)智能與分析軟件市場規(guī)模則有望達(dá)到12億美元。到2028年，中國商業(yè)智能軟件市場規(guī)模預(yù)計(jì)將增長至17.9億美元，未來五年年復(fù)合增長率（CAGR）為12.7%，成為企業(yè)智能技術(shù)投資的重要領(lǐng)域。

當(dāng)前，中國企業(yè)在商業(yè)智能與分析產(chǎn)品的應(yīng)用深度上存在較大差異，多數(shù)企業(yè)仍集中在數(shù)據(jù)可視化和簡單分析需求，如報(bào)表、駕駛艙、儀表板等。然而，如何在保證準(zhǔn)確性的前提下，提升技術(shù)在真實(shí)生產(chǎn)環(huán)境中的可用性，仍是NL2SQL在產(chǎn)業(yè)中規(guī)?；涞氐钠毡殡y題。

螞蟻數(shù)科AI技術(shù)負(fù)責(zé)人章鵬在會上指出，NL2SQL在實(shí)際應(yīng)用中面臨四大挑戰(zhàn)：理解人類口語的模糊多義性、注入龐大的行業(yè)專業(yè)知識、解析復(fù)雜的數(shù)據(jù)庫結(jié)構(gòu)與關(guān)聯(lián)，以及生成準(zhǔn)確無誤的復(fù)雜SQL語句。這些挑戰(zhàn)表明，簡單的模型“套殼”無法滿足企業(yè)級應(yīng)用的可靠性與準(zhǔn)確性要求。

以金融領(lǐng)域?yàn)槔?，從業(yè)者需要結(jié)合復(fù)雜業(yè)務(wù)規(guī)則與多條件組合進(jìn)行數(shù)據(jù)查詢，以有效分析產(chǎn)品數(shù)據(jù)。而在業(yè)務(wù)管理中，非專業(yè)數(shù)據(jù)分析人員的口語化提問，則需要產(chǎn)品能夠準(zhǔn)確理解行業(yè)術(shù)語和詢問意圖，并與數(shù)據(jù)庫字段精準(zhǔn)匹配，才能生成真實(shí)準(zhǔn)確的結(jié)果。

章鵬強(qiáng)調(diào)，BIRD-SQL主要評測SQL的復(fù)雜度生成能力（在線擴(kuò)展OnlineScaling），但要實(shí)現(xiàn)產(chǎn)業(yè)可用的NL2SQL乃至數(shù)據(jù)智能體技術(shù)，必須構(gòu)建更完整的能力棧。除了在線擴(kuò)展，還需包括離線擴(kuò)展（Offline Scaling），即對數(shù)據(jù)庫的深度理解與知識結(jié)構(gòu)化；人機(jī)交互（Human Interaction），即智能體識別自身不確定性，主動與用戶澄清意圖，實(shí)現(xiàn)白盒化、可糾錯的協(xié)作；以及自我進(jìn)化（Self Evolution），即通過“記憶”優(yōu)化、工具（如UDF）創(chuàng)建與復(fù)用等“免調(diào)優(yōu)”技術(shù)，使智能體能夠從錯誤中學(xué)習(xí)，持續(xù)提升，降低對大量標(biāo)注數(shù)據(jù)和專家調(diào)優(yōu)的依賴。

螞蟻數(shù)科計(jì)劃逐步開源這些更全面的能力模塊，如理解數(shù)據(jù)庫的Agentar Profiling-SQL、實(shí)現(xiàn)免調(diào)優(yōu)進(jìn)化的Agentar TuningFree-SQL等。目前，首期在線擴(kuò)展框架Agentar-Scale-SQL的開源內(nèi)容已發(fā)布在arXiv、GitHub、ModelScope及Hugging Face等平臺，供開發(fā)者免費(fèi)使用。