系列目录共 15 篇1-6略7.4 步选型法上场景与标准本文8-15略关键词Text2SQL 选型、ChatBI 选型、4 步选型法、场景定义、选型标准、技术选型方法论目录一、写在前面为什么需要方法论二、4 步选型法全景三、第 1 步明确场景最关键的一步四、第 2 步定义选型标准五、场景自检清单六、选型标准的细化方法七、不同维度的评分细则八、常见选型错误九、推演示例某电商公司的场景定义过程十、总结一、写在前面为什么需要方法论过去 2 年我见过太多团队的 Text2SQL 选型过程反面案例错误 1领导拍脑袋 听说 DB-GPT 火就用它吧。 错误 2技术负责人随便选 Vanna 看着简单先跑起来再说。 错误 3业务同学被拉来试用 这个好像不太行换一个。 结果3 个月过去了工具换了 3 个一个都没真正落地。正面案例某大型企业 - 第 1 月用方法论明确场景 - 第 2 月基于标准评估 5 个项目 - 第 3 月选定 SuperSonic DB-GPT 组合 - 第 4-6 月试点落地 - 第 7-12 月推广到全公司 结果1 年内完成全公司部署业务满意度 90%。核心差异有没有用方法论。二、4 步选型法全景我总结的 4 步选型法┌──────────────┐ ┌──────────────┐ ┌──────────────┐ ┌──────────────┐ │ 第 1 步 │ │ 第 2 步 │ │ 第 3 步 │ │ 第 4 步 │ │ 明确场景 │ → │ 定义选型标准 │ → │ 评估打分 │ → │ 最终决策 │ │ │ │ │ │ │ │ │ │ ·业务场景 │ │ ·场景匹配度 │ │ ·加权打分 │ │ ·推荐方案 │ │ ·团队能力 │ │ ·易用性 │ │ ·雷达图对比 │ │ ·备选方案 │ │ ·数据现状 │ │ ·语义管理 │ │ ·风险评估 │ │ ·下一步行动 │ └──────────────┘ └──────────────┘ └──────────────┘ └──────────────┘第一步明确场景——搞清楚你要解决什么问题第二步定义标准——什么样的项目才适合你第三步评估打分——客观对比候选项目第四步最终决策——结合实际情况拍板这一篇讲第 1 步和第 2 步下一篇讲第 3 步和第 4 步。三、第 1 步明确场景最关键的一步3.1 为什么场景最重要核心认知选型不是为了找一个最好的项目而是找一个最适合你的场景的项目。不同场景下最佳选择可能完全不同场景最佳选择业务自助分析WrenAI企业级数据治理SuperSonicAgentic 应用开发DB-GPT快速集成验证VannaJava 技术栈SuperSonic / SQLBOTPython 技术栈DB-GPT / Vanna3.2 场景分析的 3 个核心问题问题 1你要解决什么业务问题不是我想用 AI 提升效率这种空话而是要回答具体业务问题优先级量化指标业务自助分析高减少 80% 提数需求数据团队解放高数据团队工单 -70%实时决策支持中决策周期从周到小时客服系统查询低客服效率 30%问题 2你的团队能力如何团队能力影响选型有 Java 团队 数据治理基础SuperSonic、SQLBOT有 Python 团队 AI 能力DB-GPT团队偏业务、非技术WrenAI、SQLBOT团队极小、追求快速验证Vanna问题 3你的数据现状如何数据现状推荐已建好数仓分层ODS/DWD/DWS/ADSSuperSonic、DB-GPT数据源多但未分层DB-GPT、WrenAI单一数据源、简单查询Vanna、Chat2DB指标定义混乱、部门口径不一致必须先做语义治理3.3 场景分类框架我用一个二维矩阵来分类场景数据治理要求高 ▲ │ SuperSonic │ DB-GPT │ 业务 ─────────┼───────── Agentic 自助 │ WrenAI │ Vanna │ ▼ 数据治理要求低 横向业务重心业务自助 vs Agentic 应用 纵向数据治理要求高 vs 低4 个象限的典型选择象限场景推荐数据治理高 业务自助企业级业务分析SuperSonic WrenAI 组合数据治理高 Agentic企业级 Agent 应用SuperSonic DB-GPT 组合数据治理低 业务自助业务团队快速验证WrenAI数据治理低 Agentic开发者快速集成Vanna、LangChain SQL四、第 2 步定义选型标准4.1 4 大核心选型标准基于第一步的场景分析定义 4 条核心选型标准。标准 1场景匹配度权重 35%优先选择能快速解决你核心数据查询和报表生成问题的方案 而非功能最全的方案。为什么权重最高场景匹配度直接决定项目能否真正用起来。标准 2易用性权重 25%倾向于开箱即用、部署简单、文档友好的方案 以降低初期试错成本和人力投入。为什么权重次高易用性直接影响落地速度和团队接受度。标准 3语义管理能力权重 30%必须具备一定的语义层支持能将核心业务指标进行清晰定义 保证数据准确性。为什么权重这么高我见过的失败项目里多数卡在语义治理而不是模型能力上。这是一条经验判断不是行业统计——我早期稿里引用过一个「70%」的咨询机构数字至今没回到一手出处所以本篇不再拿它当论据。标准 4生态与成长性权重 10%考虑项目社区的活跃度确保未来遇到问题能找到解决方案。为什么权重最低项目本身能用最重要社区是加分项。4.2 各标准的评分要点场景匹配度的评分要点评分要素分值范围核心查询场景能否解决0-5 分项目擅长的领域是否需要0-3 分功能丰富度是否匹配0-2 分易用性的评分要点评分要素分值范围业务同学能否直接使用0-4 分部署复杂度0-3 分文档质量0-3 分语义管理能力的评分要点评分要素分值范围是否有 Metric Registry0-4 分是否有实体建模0-3 分是否有强制消歧0-2 分是否有 Owner 责任体系0-1 分生态与成长性的评分要点评分要素分值范围GitHub Star 数0-3 分Issue 响应速度0-3 分文档完整性0-2 分商业支持0-2 分五、场景自检清单为了帮你明确自己的场景我整理了一份自检清单。5.1 业务需求清单请勾选符合你情况的选项业务目标让业务同学自己查数提数自助让数据团队解放从提数到治理让管理层实时决策实时看板让客服快速查询客服系统让 AI 自动分析Agentic 应用让数据可视化GenBI 体验典型查询场景查 GMV、订单数等销售指标查复购率、转化率等运营指标查营收、成本、毛利等财务指标查用户数、活跃度等用户指标查库存、周转等供应链指标查 ROI、CPC 等营销指标查归因分析、根因分析查趋势预测5.2 团队能力清单技术栈Java 为主Python 为主前端为主混合AI 能力有专职 AI 工程师有熟悉大模型的工程师没有 AI 背景靠开源项目数据团队规模1-3 人5-15 人20 人5.3 数据现状清单数仓建设已建好分层ODS/DWD/DWS/ADS部分分层没有分层指标管理有完整的指标字典有部分指标定义没有指标定义依赖人工沟通数据源单一数据源MySQL多种数据源MySQL、PG、数仓异构数据源关系型 NoSQL权限管理有完整的权限体系有部分权限没有权限管控[截图位置 1场景自检清单的可视化展示]六、选型标准的细化方法6.1 把标准细化为具体问题标准不能停在抽象层面要细化为具体问题。场景匹配度的具体问题1. 这个项目能解决我的核心业务问题吗 □ 完全解决 □ 大部分解决 □ 部分解决 □ 不能解决 2. 这个项目擅长的领域是我需要的吗 □ 完全匹配 □ 大部分匹配 □ 部分匹配 □ 不匹配 3. 这个项目的功能丰富度符合我的需求吗 □ 功能太多 □ 功能刚好 □ 功能略少 □ 功能严重不足6.2 用打分表量化每个问题用 1-10 分打分最后加权求和项目Q1Q2Q3加权得分SuperSonic9878.05DB-GPT8666.80七、不同维度的评分细则7.1 场景匹配度评分细则等级评分描述完全匹配9-10项目核心功能 100% 解决你的问题高度匹配7-8项目核心功能 80% 解决问题部分匹配5-6项目核心功能 50% 解决问题基本不匹配3-4项目核心功能 30% 解决问题完全不匹配1-2项目无法解决你的问题7.2 易用性评分细则等级评分描述极易用9-10业务同学直接用无需培训易用7-8简单培训即可上手中等5-6需要 1-2 周培训较难3-4需要 1 个月以上学习很难1-2需要专业团队维护7.3 语义管理能力评分细则等级评分描述极强9-10有完整 Metric Registry 实体建模 强制消歧强7-8有 Metric Registry 部分实体建模中等5-6有部分指标管理能力弱3-4依赖大模型硬扛无1-2没有语义管理7.4 生态评分细则等级评分描述极好9-1010k starsIssue 1 天内响应好7-85k starsIssue 3 天内响应中等5-61k starsIssue 1 周内响应弱3-4 1k starsIssue 响应慢差1-2项目停滞或归档八、常见选型错误错误 1被 Star 数忽悠错误DB-GPT 有 20,0142026-09 抓取 stars肯定比 SuperSonic 好 真相DB-GPT 是综合框架SuperSonic 是 BI 平台 在企业 BI 场景下 SuperSonic 更合适错误 2被功能数量忽悠错误拿功能条目数量当选型依据这类清单数字无法核对我也不报 真相功能的多少不重要重要的是解决你的问题错误 3忽略团队能力错误DB-GPT 最强大就选 DB-GPT 真相DB-GPT 学习曲线陡没有 Python AI 工程师根本用不起来错误 4忽略数据现状错误SuperSonic 语义层最强就选 SuperSonic 真相SuperSonic 需要建语义层团队没有这个能力就用不起来错误 5被营销话术忽悠错误AI 原生、企业级、一站式 这些词很吸引人 真相要看到具体的功能实现不能只看宣传九、推演示例某电商公司的场景定义过程本节的公司背景、人数、天数、准确率与效果数字全部是虚构的教学推演不是任何真实项目的记录也不构成对任何厂商产品效果的陈述。9.1 公司背景行业电商规模500 人数据团队8 人业务团队100 人9.2 场景定义过程第 1 周业务调研调研 20 个业务同学收集 50 个数据需求 统计 - 70% 的需求是查数GMV、复购率等 - 20% 的需求是分析为什么下降、原因 - 10% 的需求是预测第 2 周团队能力盘点团队技术栈 - 后端 Java 为主 - 数据团队 Python 为主 - 业务团队非技术 数据团队规模8 人 AI 经验有 2 人了解大模型第 3 周数据现状梳理数仓已建好 ODS/DWD/DWS/ADS 指标有部分指标定义但分散 数据源MySQL Doris Hive 权限有部分权限体系第 4 周场景定义基于调研定义核心场景 1. 业务自助分析70% 需求 2. 复杂归因分析20% 需求 3. 实时决策支持10% 需求 优先级 1. 业务自助分析高 2. 复杂归因分析中 3. 实时决策支持中9.3 选型标准定义标准 1场景匹配度35% - 必须能解决业务自助分析问题 - 必须能处理复杂多表查询 - 最好支持归因分析 标准 2易用性25% - 业务同学能直接使用 - 数据团队能配置语义层 - 部署不能太复杂 标准 3语义管理能力30% - 必须有指标管理 - 必须有实体建模 - 必须有权限管控 标准 4生态10% - 社区活跃 - 文档完善9.4 候选项目初步筛选基于场景和标准初步筛选出 3 个候选 - SuperSonic数据治理强 - DB-GPT生态强 - WrenAI易用性强十、总结第 1 步明确场景回答 3 个核心问题你要解决什么业务问题你的团队能力如何你的数据现状如何第 2 步定义选型标准4 大标准按权重场景匹配度35%语义管理能力30%易用性25%生态10%关键认知选型不是找最好的而是找最合适的。下一步预告4 步选型法下评估与决策——我会讲解如何用打分表客观评估候选项目如何用雷达图直观对比如何做出最终决策。本系列基于 2026 年 6-7 月的公开资料官方文档、GitHub 仓库、公开分享整理撰写。凡标注「推演示例」的案例均为教学虚构不是任何真实项目的记录未标来源的周期、规模与资源配置区间是作者的经验估算不是行业统计。文末「本篇依据」列出全部外部事实的来源与抓取日期。如果你在评估智能问数 / ChatBI 的落地方案站内私信我说「评估」我把《企业智能问数落地评估清单》发你也接企业内训与落地评估10 年金融/保险/通信数据工程Oracle OCP、RHCE做过真实上线与踩坑。本篇依据外部事实统一抓取日期 2026-09-19Star 数与版本会随时间变化DB-GPThttps://github.com/eosphoros-ai/DB-GPT 20,014★最新正式 release v0.8.22026-08-26SuperSonichttps://github.com/tencentmusic/supersonic 5,100★由腾讯音乐开源Java 包根为com.tencent.supersonic顶层模块为 auth / chat / common / headless / launchers / webapp / benchmark / docker / evaluationVannahttps://github.com/vanna-ai/vanna 23,816★仓库已归档停更本系列把它作为学习参考生产选型需先评估自维护成本SQLBothttps://github.com/dataease/SQLBot dataease 组织仓库主语言 JavaScript Python不是 Java 原生榜单类分数与厂商宣传数字一律按「厂商宣称 / 第三方整理」标注口径引用找不到一手出处的不写成事实。