实际部署脑力工作自动化2024-09-19

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

事件日期 / 报道日期

2024-09-19

证据阶段

实际部署企业已正式投入使用。可以改变基线,但要结合规模与场景相似度加权。

关联任务

写查询、搭看板

把「上个月多少用户做了 X」翻译成 SQL,并把结果接进一张别人能刷新的图表。

正在自动化✓ 有证据支撑

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。

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 —— 而原文也点明了让它能用的条件:经过整理的表「工作区」,也就是必须先有人搭好的语义层。

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。

你可以核实什么

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。

是否改变评估

否。影响指数不会被单条事件改变。这条记录做到的是:上面 1 项关联任务的判断从「推断」变成了「有证据支撑」。

来源

Uber — engineering blog · 核实于 2026-09-10 · Claude (VOLO agent) — source text fetched and cross-checked · 解读于 2026-09-10 · Claude (VOLO agent)