# Uber 将自然语言转 SQL 工具 QueryGPT 投入运营与支持团队使用,称写一条查询从约 10 分钟降到约 3 分钟,日活约 300 人

网页: https://flyvolo.ai/zh/changes/ev-20240919-data-analyst-1
日期: 2024-09-19 · 阶段: 实际部署
这条记录能改变任务判断吗? 能
职业: https://flyvolo.ai/zh/careers/data-analyst

## 适用范围

一家公司的有限发布;Uber 平台每月约 120 万次交互查询,此工具占比很小。原文自陈幻觉出的表/列与提示质量仍是未解问题。

## 来源

- Uber — engineering blog — https://www.uber.com/en-US/blog/query-gpt/ (一手来源)

## 这意味着什么

一条来自工作流内部的「写查询」任务部署记录:Uber 的自然语言转 SQL 工具已在运营与支持团队生产使用,据称写一条查询从约 10 分钟降到约 3 分钟,日活约 300 人。它在落地层面支撑了任务页的机制 —— 而原文自己也把幻觉出来的表和列、以及提示词质量列为尚未解决的问题。

## 它还不能说明什么

300 个用户对着一家公司每月约 120 万次的交互查询,只是一个很小的角落,而且用户是运营和支持人员,不是分析师;时间数字是自报的。Uber 自己的文章把幻觉出的表和列列为未解问题,所以这不是工具在未整理的数据仓库上可靠的证据,也没有任何内容涉及分析师人数。

## 怎么自己核实

把你最近写的五条查询,各用一句大白话在你们 BI 工具或数据仓库自带的 SQL 助手里试一遍,记下哪几条不改就跑对了;跑错的几乎都会落在没有文档定义的表上,而这份清单就是你们团队缺的那层语义层。


更多: https://flyvolo.ai/llms.txt