润乾报表开源 BI 组件学习

在企业软件项目中，“报表需求”是个绕不开的话题，也常常是消耗项目利润的主要部分。客户业务不断变化，分析视角也随之调整，今天想看按地区的汇总，明天可能要按产品线细分，后天又需要对比同期数据。这些看似合理的需求，落到软件厂商的开发团队身上，就是一次次的数据查询、接口开发和界面调整。为此，许多厂商考虑引入自助报表或 BI 工具来应对。但常见的 BI 类自助报表方案通常作为独立的重型系统，需要复杂的数据同步和用户体系对接，集成繁琐而且成本高昂。而且，这些工具的操作逻辑对用户而言仍有学习门槛，应用不太方便。

当整个软件开发领域都在热议 AI 编程助手带来的效率革命，感慨 Copilot 真香时，报表开发这一细分领域却始终没有自己的 Copilot。

通过以上分析，业务人员可以快速回答以下问题：去年北京发往青岛的订单中，哪些产品类别销售额最高？占比如何？每个产品类别下，哪些供应商贡献最大？哪些客户是订单中的大客户？（客户 X 排名第一）大额订单主要集中在哪些类别和供应商？（可筛选后查看）供应商在不同类别中的表现差异？（交叉表一目了然）整个过程都可以自然语言驱动，无需编写公式或拖拽控件，且所有计算基于规则引擎，结果精确、可解释。业务人员只需像与助手对话一样，逐步深入，就能从原始订单数据中提炼出有价值的业务洞察。

AI 时代，到处都在说“智能问数”，用大白话直接问，数据就给你整得明明白白。理想很美好，可真要一探究竟，大家心里就打了鼓：这玩意儿是不是得养个 AI 科学家团队？是不是得买几十上百万的 GPU 服务器？查出来的数要是不准，谁敢拿来做决策？别急，润乾 ChatBI 带来了一条不同的路——一条让中小企业、普通开发团队都能轻松上车、用得安心、花得明白的路。不依赖“黑盒”大模型去猜，而是用一套清晰的“规则翻译官”，把业务问题精准无误地转换成数据库能听懂的指令，还能进一步指挥报表完成深度分析。

组合规则：“发货 城市 日期”应被识别为一个整体（字段簇），返回“发货城市”和“发货日期”两个字段。消除歧义：当“日期”单独出现时，默认指向“签单日期”；但在“发货 日期”上下文中，则明确指向“发货日期”。逻辑连接：“且”、“或”定义了多个过滤条件之间的布尔关系。分析指令格式：“表头 产品类别，订单金额求和”表示分组汇总；“订单金额 降序排名 命名为排名”表示计算排名；“柱形图 分类 省份 系列 订单金额”表示生成图表。这个“词典”加“语法”的体系，构成了一个确定性的、可解释的编译系统。

AI 时代，软件开发相关工作正被全面重塑——从理解意图、自动生成代码，到补全逻辑、辅助调试错误、自动编写测试用例，AI 已深度融入开发的每一个环节，推动整个领域经历前所未有的生产力重构然而，在这场重构的浪潮中，报表开发，这一同样属于技术人员的开发环节，却像一个被遗忘的孤岛，迟迟未能迎来自己的智能时刻。

对于应用软件开发商来说，给客户提供一套报表分析功能，从来都不是件轻松的事。客户的需求三天两头变：今天要按地区汇总，明天要按产品细分，后天又得对比同期数据。落到开发团队头上，就是一次次定制开发，项目利润就这样一点点被蚕食。为了摆脱这种困境，很多开发商尝试引入现成的 BI 工具。但市面上的 BI 产品，大多是给大企业准备的“重型武器”：独立部署、专门运维。想把它塞进自己的系统里，得先解决用户体系对接、数据同步、界面整合等一系列问题，麻烦得要死。更现实的问题是价格。一套像样的 BI 工具，动辄几十万起步。

现在的软件市场，早已过了“拼功能清单”的时代。你有的报表，我也有；你能拖拽，我也能；你的图表库，我也能拿出差不多的。最后大家陷入同质化泥潭，客户比来比去只能压价，利润越压越薄。出路在哪里？必须给产品增加新的、能打动人心的竞争力。AI 时代最能提升用户体验、制造产品差异化的，就是，让用户用最自然的大白话，直接问数据、做报表，摆脱对技术人员的依赖。当竞品还在让客户拖拽点选、为一张新报表等上几天时，你的产品已经能“听懂人话”，秒级响应。这种体验上的代差，就是最硬的竞争力。

当“降本增效”从可选题变为必选题，润乾报表以“三万买断”为起点，发起的不仅是一场定价颠覆，更是一套完整的成本与效率解决方案，它精准地解剖了传统报表体系的两大“出血点”——失控的采购成本与隐形的人力消耗，并提供了系统性的“止血”与“造血”方案在采购成本上，实现“可控性。

在设计 DBD 时，我们添加组件可能需要频繁地点击来完成创建组件、添加数据集、添加参数、组件基础设置等。润乾推出 DBD 版的 Copilot，支持汉语指令助力完成这些动作，用语句完成一些操作流程，提高了设计的便利性。下面就来借助此功能制作一个 Dashboard。任务描述：1，KPI 层：展示关键数据，一眼定位目标完成情况。2，问题分析层：布局动线串联对比和分析。查询联动。3，预警与机会：产品、订单的明细查询，产品排名。一、KPI 层这一层准备设计几个指标卡片：KPI：本月累计销售额 vs 目标

从 GUI 到 LUI，报表工具 Copilot 的问世对于个人而言：是一场人机交互方式的深度进化——它把我们从繁琐的菜单点击和公式记忆中解放出来，让做报表真正变得简单对于企业而言：是一次技术路线与成本结构的双重革新：谁能率先拥抱 LUI、率先用上 Copilot，谁就能先一步拥有 AI 制表的能力，在技术赛道上抢占先机；同时，它还能省下大量的软件采购成本和人力投入，当别人还在用旧工具堆人力的时候，你已经用更低的成本、更高的效率跑在了前面，在这场残酷的竞争中，谁先掌握这项能力，谁就赢得了主动。

用 LLM 规划：一句话生成完整报表框架，再做微调即可。不用 LLM 规划：熟手可以自己分步输入命令（配合 LLM 规范降低输入门槛），同样能完成复杂报表。

上图中我们配置了deepseek的API接口地址，配置了模型为deepseek-chat模型，以及最大token量等参数，并将自己的APIKey填入deepseek.txt文档，放在WEB-INF目录下。目前汉语查询功能采用了小型的规则引擎，还不能识别非常灵活的口语命令，比如当我们使用“查询上周发货到华北的订单”等口语化描述查询数据时，规则引擎无法理解就会报错。我们的参数模板有控件雇员ID，显示值是姓名列，这里在过滤雇员ID时，显示的是姓名，实际查询时程序将为我们解析为雇员ID真实值。

数据集 SQL其中股票代码为查询参数，运行时可通过输入框动态查询各只股票数据。定义报表A1 单元格：用于配置 K 线图 (具体见下一步)A3-G3 单元格：配置股票明细数据配置 ECharts 参数标注 1：配置 K 线图所需的数据参数，股票代码（stockCode）、交易日（tradeDate）、开盘价（open）、收盘价（close）、最高价（high）、最低价（low）标注 2：润乾报表生成 ECharts 图的固定基础代码（照抄即可），其中 //

当“降本增效”不再是口号，而是企业的生存线和竞争的分水岭，选择什么样的工具伙伴，便决定了 ToB 软件公司能走多远润乾报表，以“三万随便用”的商务模式，彻底斩断了随业务扩张而无限攀升的授权成本枷锁，让软件采购从“不可控的支出”回归为“清晰固定的投入”以 AI Copilot 和 AI 自助报表为代表的技术革新，将报表团队从低效、重复、被动响应的人力消耗战中彻底解放出来，让高级工程师去做更有价值的事，让初级人员也能轻松上手，让业务人员真正实现“所想即所得”

润乾报表的这套 AI 实践， 把 AI 能力渗透到了报表开发的多个关键环节：• 设计环节：从 GUI 到 LUI，像聊天一样生成复杂报表，告别“手搓”• 图表环节：AI 自动生成 ECharts 配置，复杂可视化不再需要精通前端• 应用环节：自然语言替代参数模板，用户想怎么筛就怎么筛• 自助环节：业务人员自己就能做报表，分步执行或整体规划，过程透明可控更重要的是，润乾这套方案还有硬核优势润乾没有盲目迷信大模型，它采用“规则引擎主导 + LLM 辅助。

LLM 规范使用提示词文件 nlr-prompt-main.md，该提示词起到功能识别器作用，用户通过 LLM 规范对自然语言转换时，LLM 先根据 nlr-prompt-main.md 文件中的关键字设置，理解用户真实意图，识别自然语言命令所对应的功能模块，如字段删除、数据过滤操作、外观格式与样式设置等，在 classes 目录下会有不同的功能性的提示词文件与之相对应，提示词文件名为功能名.md，LLM 识别出用户自然语言中的具体功能后，再使用对应的提示词文件（功能名.md）对自然语言指令进行转换。

准确率有底线：规范文本→SQL 这一段是确定性的规则翻译，100% 准确，稳定不靠运气。把准确率的主动权交还给用户，而不是交给大模型的黑盒。通过率可提升：不接 LLM 时口语拉垮，接 LLM 后大幅提升。边界问题（跨行运算）由 NLR 兜底。整个过程可控、可度量。实施成本收敛：几天一次性投入，普通工程师就能干，不依赖 AI 专家和高昂算力。相比于大模型 +RAG 那“持续调试永无止境”的隐性成本，这个优势是数量级的。技术路线清晰可解释。

AI 一天不解决幻觉问题，这个步骤就不可能 100% 可靠。这些手段都只能减少幻觉，不能根除幻觉。学术界的研究已经给出了令人警惕的证据。在真实企业数据环境下的 Spider 2.0 基准测试中，曾在 Spider 1.0 上达到 86% 准确率的 GPT-4o，在 Spider 2.0 上的整体成功率骤降至。

但预览结果看不到数据，原因在于JDBC因为“预防SQL注入”的安全问题，禁止了这种多值参数的传值方式。arg1相当于第一个问号，然后看结果，能查出数据来了。